MARIA PAULA VIEIRA CICOGNA

Modelos Baseados em Agentes na Solução de Problemas Econômicos em

Concorrência Imperfeita

São Paulo
2014
 MARIA PAULA VIEIRA CICOGNA

Modelos Baseados em Agentes na Solução de Problemas Econômicos em

Concorrência Imperfeita

Tese apresentada à Escola Politécnica da

Universidade de São Paulo para obtenção
do título de Doutor em Ciências

São Paulo
2014
 MARIA PAULA VIEIRA CICOGNA

Modelos Baseados em Agentes na Solução de Problemas Econômicos em

Concorrência Imperfeita

Tese apresentada à Escola Politécnica da

Universidade de São Paulo para obtenção
do título de Doutor em Ciências

Área de Concentração:
Engenharia de Produção

Orientador: Profª. Drª. Celma de Oliveira

Ribeiro

São Paulo
2014
 Catalogação-na-publicação

Cicogna, Maria Paula Vieira

Modelos baseados em agentes na solução de problemas
econômicos em concorrência imperfeita / M.P.V. Cicogna. -- São
Paulo, 2014.
103 p.

Tese (Doutorado) – Escola Politécnica da Universidade de

São Paulo. Departamento de Engenharia de Produção.

1.Modelos baseados em agentes 2.Yield management 3.Eta-

nol I.Universidade de São Paulo. Escola Politécnica. Departa-
mento de Engenharia de Produção II.t.
Dedico este trabalho a meus pais e irmãs.
A meu pai, que me ensinou que a leveza
e o sorriso fazem a vida valer a pena.
À minha mãe, que me mostrou que ser
forte é o que realiza nossos sonhos.
Às minhas irmãs, que me ensinaram que
compartilhar é a maior alegria de cada
conquista.
 AGRADECIMENTOS

O doutoramento é um caminho árduo, solitário. Foi o período em que aprendi que só

encontramos as respostas quando sabemos fazer as perguntas corretas, que
realmente importam. Carrego esse conceito para as atividades acadêmicas, mas
também para as questões da vida cotidiana. O olhar crítico sobre o que traz
contribuições não é trivial, em todos os sentidos.
Engana-se, porém, quem entende o processo como penoso. O doutorado sempre foi
uma busca e uma satisfação pessoal. As descobertas diárias e as várias pessoas
incríveis que atravessaram ou me acompanharam nessa jornada pintaram de
amarelo os tijolos do meu caminho, nos quais pisei com os sapatos de rubi de
Dorothy. Uma longa jornada, repleta de novos conhecimentos, que tive o prazer de
cumprir.
Quero destacar aqui a participação de algumas pessoas, fundamentais para o meu
aprendizado, mas sem diminuir a importância das demais.
Começo agradecendo minha orientadora, Profa. Dra. Celma Oliveira Ribeiro. Ao me
colocar desafios e me dar diretrizes quando percebia que eu já não conseguia mais
prosseguir sozinha, me deixou mais segura para formular as perguntas e achar as
respostas. Agradeço, ainda, pela amizade e cumplicidade que construímos durante
esses anos.
Ao Prof. Dr. Rudinei Toneto Junior por compartilhar seu conhecimento comigo desde
que resolvi ser economista. Sua amizade e minha admiração pelo profissional e
pessoa que é me fazem ter mais vontade de seguir em frente.
À Prof. Madhu Khanna por me receber na Universidade de Illinois, durante meu
doutorado sanduíche. Uma experiência que mudou minha concepção de vida e da
universidade, mas me mostrou que com muito trabalho e dedicação é possível
atingir os padrões de exigência internacional nas nossas universidades.
À LUZ Soluções Financeiras, nas figuras do Dr. Edivar Vilella e da Cecília Ida, que
me apoiaram incondicionalmente durante meus estudos e souberam lidar com
minhas ausências. Foi da LUZ também a inspiração para o modelo multiperíodo
utilizado no terceiro capítulo desta tese.
Às minhas amigas de toda a vida, que tantas vezes entenderam minhas ausências.
Desde muito cedo, são parte central da minha formação.
Aos novos amigos que fiz nesse processo todo, no Brasil e nos Estados Unidos.
Amigos que tornaram os meses iniciais menos difíceis e fizeram dos meses que se
seguiram um exercício diário de suporte mútuo e compartilhamento dos nossos
pequenos sucessos, essenciais para que eu chegasse até o fim.
Ao Rodrigo, que, nos críticos meses finais de todo o processo, me mostrou que o
companheirismo é um importante catalizador para a realização dos sonhos.
Deixei para o final o agradecimento àqueles que formam minha base e são minha
fonte inesgotável de força, amor e incentivo. Minha amada família: pais, irmãs e
minha linda sobrinha. Se o brilho de cada estrela agradecesse por mim, ainda assim
seria pouco para expressar minha gratidão e o papel fundamental que vocês tem no
meu doutorado e em toda minha vida. Agradeço a Deus por ter vocês comigo! Minha
formação e valores são consequência da família em que nasci. Espero que meu
amor e carinho possam retribuir!
“Ensinar é um exercício de imortalidade.
De alguma forma continuamos a viver
naqueles cujos olhos aprenderam a ver o
mundo pela magia da nossa palavra.
O professor, assim, não morre jamais.”
(Rubem Alves)
 RESUMO

O objetivo da presente pesquisa foi verificar se a flexibilidade característica dos

modelos baseados em agentes (Agent Based Models – ABM) representa
adequadamente mercados em concorrência imperfeita, identificando novos
elementos referentes ao comportamento e adaptabilidade dos agentes econômicos
não identificados em pesquisas anteriores. Para tal, foram propostos dois modelos
distintos aplicados aos mercados de passagens aéreas e sucroalcoleeiro. A
complexidade dos mercados analisados deve-se à forma não trivial com que é
descrita a estrutura de disposição dos agentes e a maneira como estes se
relacionam e tomam suas decisões, tornando infactível a aplicação de soluções
analíticas. Tal fato justifica o emprego dos modelos baseados em agentes devido a
sua alta flexibilidade para adequação ao ambiente simulado. O fator comum aos dois
modelos propostos foi a incorporação de incertezas e expectativas nos cenários
avaliados pelos agentes para sua tomada de decisão. Ao considerar as incertezas
dos cenários prospectivos, os modelos simulados mostraram-se aderentes à
natureza probabilística encontrada nos mercados reais, permitindo obter resultados
com tendências semelhantes aos mercados estudados. A complexidade dos
mercados em concorrência imperfeita analisados foi, dessa maneira, bem
representada pelos modelos sugeridos. O processo adaptativo dos agentes às
mudanças de mercado mostrou que os modelos baseados em agentes são
ferramentas adequadas para o estudo dos mesmos e permitem captar
peculiaridades dos mercados não incorporadas em outras pesquisas, revelando,
inclusive características não aparentes e não incluídas em estudos anteriores.

Palavras-chave: Modelos baseados em agentes. Simulação. Gestão de

Rendimentos. Etanol.
 ABSTRACT

The objective of this research was to investigate if imperfect competitive markets are
well represented by the flexibility of the Agent Based Models (ABM). Therefore, it is
expected that the ABM allows identifying agents’ new behaviour element, as well as
incorporating agents adaptability processes not previously described by the other
researches. Two distinct models were developed. The first one refers to the airfare
prices, while the second one aims to simulate the ethanol market. The high
complexity of the studied markets due to their non-trivial structure regarding the way
the agents relate to each other and take their decisions justifies the employment of
ABM, since ABMs are remarkably characterized by their flexibility. The common
factor among the models is the incorporation of uncertainties and expectations in the
models when the economic scenarios are considered by the agents for decision
making. The results showed that the simulated models reached the same tendency
of prices and production observed by the real data, respectively to the airfare and
ethanol models. The adaptive process of the agents to the market conditions showed
that ABMs are adequate tools for the study of imperfect markets, since for both
models non-apparent characteristics have emerged.

Key-words: Agent Based Models. Simulation. Yield Management. Ethanol.

 SUMÁRIO

INTRODUÇÃO................................................................................................... 8
1 CONTRIBUIÇÕES DOS MODELOS BASEADOS EM AGENTES PARA A
DISCUSSÃO DE PROBLEMAS ECONÔMICOS.............................................. 11
1.1 CARACTERIZAÇÃO E ETAPAS DE FORMULAÇÃO DOS MODELOS
BASEADOS EM AGENTES...................................................................... 15
1.2 APLICAÇÕES DOS MODELOS BASEADOS EM AGENTES EM
PROBLEMAS ECONÔMICOS.................................................................. 17
1.3 VALIDAÇÃO DOS RESULTADOS DOS ABMs E ASPECTOS
FUTUROS DA MODELAGEM................................................................... 23
2 INFORMAÇÃO INCOMPLETA E APRENDIZADO NA DISCRIMINAÇÃO
DE PREÇOS DE COMPANHIAS AÉREAS EM AMBIENTES
COMPETITIVOS................................................................................................ 27
2.1 LITERATURA RELACIONADA E CONTRIBUIÇÃO DA PESQUISA........ 28
2.2 DEFINIÇÃO DO MODELO…………………………………………………… 34
2.2.1 Ambiente de Negociação………………………………………………..... 36
2.2.2 Atributos do Mercado Consumidor……………………………………... 36
2.2.3 Atributos das Companhias.………………………………………………. 38
2.2.4 Passos da Simulação……………………………………………………… 42
2.3 RESULTADOS E DISCUSSÃO……………………………………………… 44
2.3.1 Cenário Base e Comparação aos Dados Reais.................................. 45
2.3.2 Análises de Sensibilidade………………………………………………… 47
2.4 CONCLUSÃO……………………………………………………………… 54
3 EXPECTATIVAS E INCERTEZA NA DECISÃO DE PRODUÇÃO DE
ETANOL............................................................................................................. 57
3.1 LITERATURA RELACIONADA E CONTRIBUIÇÃO DA PESQUISA........ 59
3.2 ASPECTOS PRÁTICOS DO MERCADO SUCROALCOLEEIRO............. 63
3.3 DEFINIÇÃO DO MODELO........................................................................ 66
3.3.1 Mercado.................................................................................................. 68
3.3.2 Atributos da Entidade Representativa................................................ 69
3.3.3 Atributos da Usina................................................................................. 71
3.4 RESULTADOS E DISCUSSÃO................................................................. 75
3.4.1 Previsão da Produção sem Alteração do Cenário Econômico......... 78
3.4.2 Atuação do Agente Governo: Políticas de Incentivo à Produção
de Etanol................................................................................................ 82
3.5 CONCLUSÃO............................................................................................ 87
4 CONCLUSÃO................................................................................................. 90
REFERÊNCIAS……………………………………………………………………… 93
APÊNDICE A – Simulação de Monte Carlo.................................................... 101
 8

INTRODUÇÃO

Os modelos baseados em agentes (ABMs – Agent Based Models) são um

tipo de modelagem que parte da microestrutura do ambiente para a observação do
comportamento agregado do sistema, onde o objetivo é simular ou sintetizar as
ações realmente observadas nos mercados por meio de programas computacionais.
Essa modelagem é empregada em sistemas econômicos classificados como
sistemas adaptativos complexos no sentido de que consistem em redes e processos
formados por agentes interativos, nas quais, por meio da dinâmica do sistema de
atividades individuais, é possível identificar um padrão de comportamento agregado.
Além de interativos, os agentes são adaptativos, uma vez que agem de forma a
melhorar sua condição no ambiente em que atuam, sendo esta definida por um valor
atribuído por performance, utilidade, rendimentos, dentre outros.
O objetivo do presente trabalho é utilizar os modelos baseados em agentes
para sintetizar comportamentos dos agentes econômicos que atuam em mercados
em concorrência imperfeita de forma a melhorar a compreensão de seus processos
correntes e potenciais. Mais especificamente, os modelos baseados em agentes
foram utilizados para simular o processo decisório de preços e quantidades dos
mercados de passagens aéreas e do setor sucroalcooleiro, respectivamente.
Ao utilizar a natureza e o ambiente dos mercados em análise, espera-se que
os ABMs forneçam respostas adequadas para explicar o comportamento dos
agentes econômicos, segundo os padrões observados em cada um dos mercados,
contribuindo para identificar características até então não aparentes e não captadas
em outros modelos. Os mercados analisados caracterizam-se como problemas de
otimização não-lineares de ordem elevada, onde a estrutura de decisão é complexa
e envolve diversas variáveis, gerando a existência de múltiplos ótimos locais.
A complexidade dos mercados analisados dá-se pela forma não trivial com
que se forma a estrutura de disposição dos agentes e a forma como estes se
relacionam e tomam suas decisões. Tal complexidade e as peculiaridades dos
mercados em questão justificam o emprego dos modelos baseados em agentes
devido a sua alta flexibilidade para adequação ao ambiente simulado.
Assim, por meio dos ambientes simulados, busca-se formular e testar novos
cenários para avaliar o comportamento dos agentes, saindo da condição de
 9

observador para avaliador de resultados de políticas e experimentos plausíveis nos

mercados.
Ademais, não foram identificados na literatura existente até o momento
modelos baseados em agentes aplicados aos mercados estudados, sendo esta
outra contribuição relevante da presente pesquisa.
Relativamente novos no estudo de problemas econômicos, os modelos
baseados em agentes estão inseridos no campo de pesquisa mais abrangente
denominado “Vida Artificial” (Artificial Life), cuja primeira conferência data de 1987
(TESFATSION, 1997). É, portanto, uma área multidisciplinar, em que o pesquisador
necessita compreender a realidade a ser replicada e representá-la por modelos
matemáticos passíveis de serem programados computacionalmente. Esse tipo de
modelagem pode capturar um amplo espectro de fenômenos econômicos devido a
sua flexibilidade.
A habilidade de explorar uma vasta gama de fenômenos que envolvem
aprendizado e adaptação, simultaneamente ao rigor imposto pela linguagem
computacional, resulta em uma poderosa técnica de modelagem (HOLLAND;
MILLER, 1991).
Enquanto o mercado de passagens aéreas é modelado como um oligopólio,
em que as companhias aéreas ditam os preços ao longo do tempo e se adaptam à
resposta da demanda, o mercado de etanol é caracterizado por produtores
tomadores de preços, que adaptam sua produção em face aos retornos e riscos
esperados de cada subproduto da cana-de-açúcar.
O desafio de ambos os mercados escolhidos é explicar como as
regularidades observadas nos termos de negociação ocorrem por meio das
interações dos agentes autônomos que atuam nestes mercados. Busca-se, assim,
verificar em que medida os modelos baseados em agentes conseguem capturar os
processos efetivamente observados. A racionalidade dos agentes é colocada como
uma hipótese passível de teste, ao invés de um axioma inquestionável do
comportamento individual, diferenciando os modelos propostos na presente
pesquisa dos modelos econômicos tradicionais.
Embora bastante distintos, duas características são comuns aos modelos
estudados: a incorporação das incertezas no processo decisório e a formação de
expectativas dos cenários prospectivos considerados na modelagem matemática.
Estes fatores foram incorporados por meio da flexibilidade característica dos ABMs,
 10

que, conjuntamente à complexidade das regras de decisão, adaptação e

aprendizado dos agentes ao longo do tempo, tornam a solução analítica inviável.
Para contextualizar e detalhar o funcionamento dos modelos baseados em
agentes propostos nesta pesquisa, o primeiro capítulo traz uma ampla abordagem
do assunto e exemplifica algumas aplicações em problemas econômicos diversos. O
segundo capítulo detalha a formulação do ABM aplicado ao processo de
discriminação de preços do mercado de passagens aéreas. Na sequência, o terceiro
capítulo apresenta o modelo desenvolvido para a tomada de decisão de produção
do mercado de etanol. Por fim, são apresentados os resultados gerais da pesquisa e
as conclusões.
 11

1 CONTRIBUIÇÕES DOS MODELOS BASEADOS EM AGENTES PARA A

DISCUSSÃO DE PROBLEMAS ECONÔMICOS

Os modelos baseados em agentes (ABM – Agent Based Models) possuem

natureza indutiva, partindo da modelagem individual dos agentes econômicos,
passando pela definição da forma como estes interagem, para chegar, enfim, a
resultados agregados ou, dito de maneira mais técnica, a padrões emergentes de
comportamento. São, portanto, modelos simulados, cujo cerne está na busca da
representação fidedigna do problema em questão. A maior – e talvez única –
restrição para este tipo de modelagem é o interesse da pesquisa.
Os ABM conciliam algumas características desejáveis de modelos mais
tradicionais com aspectos inovadores das simulações: a flexibilidade dos modelos
descritivos, em que o foco principal é a argumentação, e a precisão e consistência
advindas das soluções matemáticas. Como resultado, surgem modelos
computacionais dinâmicos, em que a evolução do problema pode ser acompanhada
a cada etapa.
A habilidade de explorar uma enorme gama de fenômenos que envolvam
adaptação e aprendizado, conjugada com o rigor imposto pela linguagem
computacional, fornece uma poderosa técnica de modelagem (HOLLAND; MILLER,
1991).
Dessa forma, os ABM aumentam o escopo das questões econômicas que
podem ser investigadas. As técnicas habitualmente utilizadas na resolução de
problemas econômicos, tanto analíticas, quanto de sistemas simulados –
referenciadas aqui como modelos tradicionais –, limitam a capacidade exploratória
dos pesquisadores. Ao permitir a formação de ambientes mais ricos, os ABMs
trazem um avanço nas pesquisas econômicas por incorporar pressupostos mais
realistas sobre comportamento, estrutura e ordem de interação entre os agentes
econômicos.
Segundo Tesfatsion (1997), o primeiro objetivo dos modelos simulados
baseados em agentes é melhorar a compreensão dos processos reais, atuais e
potenciais. O segundo objetivo é utilizar a natureza e o ambiente em que o problema
da pesquisa está situado como inspiração para o desenvolvimento de algoritmos de
solução para problemas de otimização difíceis, em que há domínios de busca de
ordem elevada, não-linearidades e múltiplos ótimos locais.
 12

Holland e Miller (1991) afirmam que muitos sistemas econômicos podem ser
classificados como sistemas complexos adaptativos. Um sistema é complexo se
consistir em uma rede de agentes interativos, exibir dinâmica e comportamento
agregado emergente a partir de ações individuais, e, por fim, se seu comportamento
agregado puder ser descrito sem conhecimento detalhado do comportamento dos
agentes individuais.
O conjunto de modelos tratáveis matematicamente, empregados em larga
escala nos trabalhos econômicos, é restrito em relação à amplitude das
possibilidades de aplicação dos ABMs (PAGE, 2005). A ampliação do escopo de
pesquisa trazida pela aplicação dos ABMs à economia não significa, todavia, que tal
classe de modelos vá levar a teoria econômica a ser repensada. Conforme afirma
Page (2005, pg. 2): “No matter how they are implemented be it mathematically or
computationally, economic models will always have consumers and producers”.
A contribuição dos ABMs para a teoria econômica está muito mais voltada à
aplicação dos modelos matemáticos em situações que tem sido evitadas ou
ignoradas. Nos modelos econômicos tradicionais, as imperfeições são atribuídas à
informação incompleta dos mercados. Já nos ABMs, os próprios agentes possuem
racionalidade limitada, de forma que a informação está disponível no mercado,
embora não seja totalmente processada (CHANG; HARRINGTON Jr, 2006;
GILBERT, 2008).
Assim, uma diferença essencial entre ABMs e os desenvolvimentos
matemáticos tradicionais da economia está no fato de que a última assume o
pressuposto de que o comportamento do agente econômico é ótimo. Já para os
ABMs o comportamento dos agentes é caracterizado por uma busca adaptativa ao
ambiente (CHANG, HARRINGTON JR; 2006). Este fator tem um impacto
considerável na lógica dos modelos e altera significativamente a forma de
interpretação dos resultados e suas implicações.
De maneira geral, os modelos tradicionais utilizados no desenvolvimento da
teoria econômica estão muito centrados na agregação das interações entre os
agentes econômicos refletidos no agente representativo. Aliada a esta
generalização, a ausência de um mecanismo de mercado, como processos
descentralizados ou de interação social, representa uma simplificação muito forte do
ambiente, ignorando a capacidade de adaptação, diferentes motivações e culturas,
além da evolução dos agentes (CHEN, 2012).
 13

Os ABMs, por sua vez, requerem a noção de vizinhança ou possibilidades de

interação entre os agentes, que pode ser definida de forma determinística ou
probabilística (estocástica). Soma-se a isso, a inclusão dos custos e da assimetria
da informação, fator ignorado na maior parte dos modelos econômicos tradicionais,
que tem como pressuposto que a troca de informação entre todos os agentes ocorre
de forma simultânea e sem custos. As diferenças entre os dois tipos de modelagem
se torna mais evidente quanto maior a assimetria introduzida entre os agentes, com
a ajuda da vizinhança, uma vez que a coexistência de diferentes classes de agente
é permitida nos ABMs (BARGIGLI; TEDESCHI, 2014).
Nas ciências econômicas, o custo de experimentar novas políticas ou fatos
sociais no mundo real é muito alto. Experimentos com modelos simulados pode ser
a única forma de obter resultados para políticas econômicas inovadoras. Logo, os
ABMs podem ser utilizados em uma variedade de circunstâncias para simular efeitos
sobre o mundo real.
A agregação dos comportamentos e decisões no nível micro e suas
interações podem criar padrões de negociação de ativos, preços, bolhas e ciclos
financeiros que não ocorreram de fato da economia. Dessa forma, os ABMs são
uma poderosa engenharia para gerar novas conclusões sobre o funcionamento de
mercados e da economia como um todo, mas vão muito além (PAGE, 2005).
Como todas as novas formas de modelagem, quando surgiram, os ABMs
geraram opiniões controversas entre os pesquisadores em economia, e ainda o
fazem. Os críticos rejeitam os ABMs ao considerar que são meras simulações
aplicadas a âmbitos específicos, tratando os novos modelos como simples
exemplos, comparativamente às verdades gerais reveladas pela teoria com
embasamento matemático dito, neste trabalho, tradicional (PAGE, 2005).
As críticas estão parcialmente corretas, visto que os ABM são ambientes
simulados de uma economia real, em que os agentes agem de acordo com as
regras embutidas na programação. Há, entretanto, que se considerar que os ABMs
devem ser logicamente coerentes, caso contrário as equações, rodadas de forma
recursiva até um ponto de parada, não gerariam resultados coerentes ou,
simplesmente, não permitiriam que a simulação seguisse sua lógica.
Os modelos analíticos e de equilíbrio mais tradicionalmente utilizados nas
Ciências Econômicas possuem, por sua vez, poucos resultados gerais e nem
sempre concordam entre si. Há muitos trabalhos tradicionais que consideram
 14

classes restritas de formas funcionais, como as preferências quase-lineares, ou que

tem pressupostos dúbios. Page (2005) atribui a crítica feita aos ABMs ao fato de que
todas as características econômicas consideradas nos ABMs são ignoradas pelas
demonstrações matemáticas das teorias desenvolvidas por este grupo de
pesquisadores.
If we were to imagine the space of all possible economic environments as a
room, many theorems are small boxes in the corner of that room, and those
boxes may not contain many real economies. Agent based models, though
only points (of light perhaps), can be scattered throughout the room
wherever we like. We may need boxes to build a science, but a room full of
light is better than a stack of boxes in the corner. And ideally, we’d use the
lights to construct boxes that fill the room. (PAGE, 2005, pg. 4)

Um erro comum em relação aos ABMs é afirmar que seus resultados não
incluem análises de equilíbrio. Esta má interpretação dos modelos pode ser atribuída
ao fato de que nos modelos econômicos neo-clássicos o que importa é apenas a
solução ótima ou o equilíbrio, enquanto que nos ABMs todo o espaço de soluções
dos agentes interessa, visto que trata-se de uma busca adaptativa, como colocado
por Chang e Harrington Jr (2006).
Judd (1997) ressalta que os ABMs naturalmente incluem dinâmica em seus
resultados, que dificilmente permanecem em uma situação de equilíbrio estável visto
que há uma importante diferença entre alcançar o equilíbrio e permanecer no
equilíbrio.
Sistemas adaptativos, como aqueles tratados no âmbito dos modelos
baseados em agentes, podem ficar temporariamente em um equilíbrio local, no qual
a performance do modelo é adequada. Porém, tais sistemas deixam de ser
interessantes se permanecerem na mesma situação por um longo período, dado que
a trajetória e as interações interessam mais do que o ponto ótimo (HOLLAND;
MILLER, 1991).
Um ponto de discussão levantado por Judd (1997) é: o que é mais importante,
o desenvolvimento de teorias simples o suficiente para serem provadas, ou a
avaliação de teorias mais razoáveis utilizando métodos numéricos menos precisos?
O autor conclui que ideias computacionais e a prova de teoremas da economia neo-
clássica trabalham de forma conjunta, complementando suas fraquezas e
potencializando seus pontos fortes, visão corroborada por Holland e Miller (1991).
 15

1.1 CARACTERIZAÇÃO E ETAPAS DE FORMULAÇÃO DOS MODELOS

BASEADOS EM AGENTES

ABMs consistem em agentes que possuem propósito específico, interagindo

no espaço e no tempo. Os agentes são diferentes e podem representar a
diversidade de padrões de comportamento, decisão estratégica, estrutura produtiva,
mercados, consumidores, dentre outras tantas possibilidades que se queira tomar
entre as combinações existentes na economia.
Gilbert (2008) define, formalmente, os ABMs como um método computacional
que permite que um pesquisador crie, analise e faça experimentos com modelos
compostos por agentes que interagem com o ambiente.
Os agentes são heterogêneos e agem segundo regras em uma estrutura pré-
definida. Essas regras definem a forma como eles interagem e suas ações e
interações geram externalidades e evolução do ambiente e dos próprios agentes ao
longo do tempo (AXELROD, 1997).
Isto significa que os ABMs são uma ciência social computacional e, como tal,
permitem que o pesquisador em economia saia da condição de observador para a
posição de formador de cenários e experimentos.
Gilbert (2008) utiliza seis dimensões para caracterizar os modelos baseados
em agentes:
i. Correspondência ontológica entre os agentes computacionais do modelo
e os atores do mundo real;
ii. Agentes heterogêneos, que atuam no modelo de acordo com suas
preferências ou com suas próprias regras de ação;
iii. Representação do ambiente em que os agentes se situam como forma
de representar o arcabouço do problema da pesquisa;
iv. Interações entre agentes que consistem na transferência de dados e
mensagens de um agente para outro;
v. Racionalidade limitada, que representa a limitação da capacidade
cognitiva dos agentes econômicos e, portanto, assume que a habilidade
destes em otimizar sua utilidade é restrita; e
vi. Aprendizado, que pode estar contido no modelo por meio da experiência
dos agentes suas próprias atitudes e consequentes resultados; como
aprendizado evolutivo, em que a população de agentes aprende com os
 16

fracassos dos demais; ou sob a roupagem de aprendizado social, em

que os agentes se imitam ou seguem algum agente que se destaca.
Para transformar os ambientes e agentes econômicos em simulações, cada
agente é interpretado como um objeto computacional, que interage com os demais
de acordo com regras pré-definidas. As ações individuais dos agentes são o menor
nível de definição dos modelos e se traduzem em padrões econômicos emergentes,
que podem ou não levar ao equilíbrio.
Para tal, os agentes são dotados com os seguintes atributos: (i) percepção: os
agentes percebem o ambiente em que estão e podem considerar a presença de
outros agentes em suas ações; (ii) performance: os agentes são capazes de se
mover, se comunicar e tomar atitudes em toda a delimitação que lhes é dada dentro
do ambiente; (iii) memória: as movimentações passadas do mercado são carregadas
para momentos futuros por meio da lembrança de cada agente; e (iv) regras: normas
e formas de ação e resposta que os agentes devem seguir a cada momento, para
diversas situações (GILBERT, 2008).
Os objetos computacionais podem representar pessoas, famílias ou
empresas. Por possuírem comportamento baseado em regras, a natureza das
regras, a forma como as regras interagem e os determinantes da ativação de cada
um dos agentes são fatores determinantes da robustez do modelo. Também deve
ser observado que as regras podem variar em sofisticação, desde regras simples e
rotineiras, até formas de interação extremamente sofisticadas.
As regras de interação entre os agentes podem ser locais ou globais. No
primeiro caso, as interações que caracterizam o comportamento dos agentes – o
que inclui suas preferências, acesso à informação e escolhas – sofrem interferência
direta das regras dos agentes próximos, ou da vizinhança. Neste tipo de interação,
não há a mediação de um agente central (ou formulador de política) ou de um
mecanismo central de mercado. O pressuposto básico desse tipo de modelagem é
que os indivíduos interagem localmente, com o conjunto da vizinhança determinado
por uma métrica social ou econômica.
Já na forma de interação global, o comportamento de cada indivíduo depende
do comportamento de todos os outros agentes. A regra que define o conjunto de
interações entre os agentes pode ser de natureza exógena ou endógena. Além
disso, o conjunto da vizinhança pode ser resultado de uma regra determinística ou
probabilística (estocástica), conforme definido por Bargigli e Tedeschi (2014).
 17

Na caracterização dos ABMs, os agentes devem ainda estar situados em

estruturas que podem ser geográficas, sociológicas ou, simplesmente, descritas
pelas características dos agentes. A relevância da definição do espaço de interação
dos agentes decorre de que, por exemplo, dois agentes com atribuições similares ou
que participem do mesmo grupo social tem mais probabilidade de interagir do que
dois agentes que não possuem pontos em comum.
A estrutura em que os agentes estão inseridos pode funcionar como uma
restrição ao sistema como um todo e/ou ser fruto de regras de decisões alternativas
da vizinhança, mesmo que tais decisões sejam fruto de algoritmos para seleção de
parcerias ou para encontrar a transação que melhor convier ao agente. Em ambos
os casos, a estrutura resulta em um padrão não trivial de conexões entre os agentes
(BARGIGLI; TEDESCHI, 2014).
Por fim, deve-se considerar que, enquanto objetos, a ordem em que os
agentes são ativados na simulação pode fazer grande diferença nos resultados, uma
vez que o tempo em que as ações ocorrem na simulação interferem nas demais
definições dos agentes (PAGE, 2005).
As interações entre tempo de ativação de cada agente, estrutura de
disposição dos agentes e as regras com que os agentes tomam suas decisões não
são triviais. A complexidade do sistema formado pelos ABMs deve-se mais às
interações entre seus agentes, do que à complexidade inerente ao indivíduo em si
(TESFATSION, 1997).

1.2 APLICAÇÕES DOS MODELOS BASEADOS EM AGENTES EM PROBLEMAS

ECONÔMICOS

O desenvolvimento dos modelos baseados em agentes aplicados à economia

tem, segundo Chen (2012), origem em quatro linhas de pesquisa segregadas da
seguinte forma: mercado, microestrutura celular (cellular automata), torneios e
experimental. A seguir, as características de cada uma das vertentes de pesquisa
serão explicadas, juntamente com artigos recentes e/ou relevantes que ilustram o
tipo de ABM empregado.
A origem de mercado é uma das mais relevantes dentro dos trabalhos de
ABM aplicados à economia. Nesta linha de pesquisa, procura-se a reconstrução da
organização dos mercados e, com isso, sua compreensão real. A motivação para
 18

estes estudos remonta ao conceito de equilíbrio geral, em que o leiloeiro walrasiano

é substituído pelo processo de intervenção guiado pelos agentes. A falta de um
mecanismo centralizado de mercado e a inclusão de agentes heterogêneos altera
significativamente a lógica e a complexidade do modelo em relação à discussão dos
modelos de equilíbrio geral.
Em um modelo do tipo agente-principal, Boylu et al. (2009) estenderam a
utilização dos métodos de aprendizagem com base na utilidade e no aprendizado
estratégico ou adversário. Os resultados encontrados pelos autores colapsam para
modelos tradicionais baseados na utilidade quando os agentes não utilizam
comportamento estratégico e convergem para o aprendizado estratégico quando a
utilidade do agente não é considerada. O aprendizado estratégico antecipa a
atividade no processo de indução quando os agentes são dotados de inteligência,
como em problemas de classificações envolvendo pessoas ou organizações.
Na origem de mercado estão incluídos os ABMs aplicados aos mercados
financeiros, havendo inúmeros trabalhos direcionados a esse tipo de investigação,
cabendo destacar algumas pesquisas recentes.
Fischer e Riedler (2014) desenvolveram um ABM em que agentes
heterogêneos, com racionalidade limitada, interagem por meio da negociação de
ativos de risco e são dotados com balanços patrimoniais que contém capital em
ações e dívidas. As simulações indicaram que a maior alavancagem aumenta a
desigualdade entre os agentes e também a frequência de falências e de eventos
sistêmicos. Ademais, a distribuição log-normal empiricamente observada pelos
balanços patrimoniais dos bancos emerge naturalmente dos resultados das
simulações. Os atritos de crédito, definidos como momentos de ajustes da dívida,
explicam uma diferença importante na relação de alavancagem, entre ativos e
passivos observada nos diferentes tipos de bancos. Assim, a redução desses
momentos e ajustes (ou atritos, como definido pelos autores) leva a um
comportamento pró-cíclico da alavancagem, típico em bancos de investimentos.
O disposition effect é uma anomalia identificada nos mercados financeiros
que caracteriza investidores que vendem as ações que tiveram aumentos de preços,
mas mantém em carteira os ativos que tiveram quedas. O comportamento dos
investidores em evitar a realização de perdas foi investigado por Li et al. (2014). No
modelo, os autores consideraram a existência de três tipos de estratégias:
fundamentalista, grafista e investidores inativos ou passivos (que não possuem uma
 19

estratégia definida). Quanto maior o retorno esperado de uma estratégia, mais

agentes irão utilizá-la e mudar seu tipo de atuação no mercado. O disposition effect
revelou uma volatilidade assimétrica no ambiente simulado, ou seja, o impacto de
más notícias na volatilidade é maior do que o impacto de boas notícias de mesma
magnitude. Tal resultado é comparável à realidade do mercado chinês, para o qual o
modelo foi avaliado.
As anomalias do comportamento financeiro também foram objeto de estudo
do trabalho de Rekik et al. (2014), que tiveram como objetivo mostrar que a
irracionalidade dos investidores explicam várias anomalias financeiras, não captadas
pelos modelos padrão de apreçamento de ativos. Os autores mostraram que a
dificuldade de predição do comportamento dos ativos deve-se à complexidade, não-
linearidade e dinamismo do mercado financeiro, assim como à psicologia do
investidor. As análises indicam que a existência de agentes com crenças e
preferências heterogêneas sobre o comportamento dos ativos fornece uma melhor
compreensão da dinâmica de preços no mercado financeiro.
Li et al. (2013) investigaram o papel dos impostos sobre transações
financeiras enquanto um mecanismo regulatório explorado pelos formuladores de
políticas, visto que não há consenso sobre o efeito desta política fiscal sobre o
funcionamento do mercado financeiro nos estudos empíricos. Por meio da aplicação
de ABM para formular um mercado de ações artificial, os autores concluíram que
impostos sobre transações financeiras contribuem para estabilizar os mercados
quando cobrados em montantes modestos, uma vez reduzem a volatilidade das
negociações. Entretanto, esta política apresenta efeitos negativos sobre a eficiência
do mercado, que não podem ser ignorados.
No âmbito das políticas econômicas voltadas à macroeconomia, cabe
destacar os trabalhos recentes de Lengnick (2013), Dawid et al. (2014) e Gualdi et
al. (in press). Os estudos desenvolveram ABMs aplicados à macroeconomia com o
objetivo de avaliar os efeitos de diferentes políticas sobre as variáveis econômicas,
sendo os dois últimos trabalhos voltados ao estudo das taxas de desemprego.
Lengnick (2013) destaca que a formulação de modelos macroeconômicos por
meio dos ABMs permite que os fundamentos macroeconômicos sejam
fundamentados por meio das ações microeconômicas dos agentes, desvinculando a
política macroeconômica da postulação de formulação ad hoc, maior fonte de crítica
deste tipo de política. Por outro lado, a aplicação de ABMs aos agentes permite o
 20

surgimento de fenômenos macroeconômicos que não são apenas a replicação direta

da soma de comportamentos microeconômicos.
A segunda origem mencionada por Chen (2012) diz respeito à microestrutura
celular, ou cellular automata, que surgiu para explicar a dinâmica das cidades e foi
estendida aos problemas que envolvem distribuições espaciais. Neste tipo de
modelagem, a lógica está embasada na forma como as células se combinam e
desenvolvem novas estruturas. Os agentes são situados em uma rede de forma
específica, geralmente unidimensional (em linha) ou bidimensional (retângulo), em
que cada agente é caracterizado por um conjunto de regras de decisão baseadas na
rede, que definem a escolha dos agentes e sua relação com os demais.
Heppenstall et al. (2006) formularam um modelo complexo para explicar a
formação de preços no mercado de petróleo por meio da interação de sistemas
dinâmicos compostos por multi-agentes. Para tal, foi empregado um modelo de
interação espacial utilizado para estimar as vendas de forma conectada ao sistema
de agentes, criando um modelo híbrido. A validação dos resultados foi feita pela
comparação estatística e visual com dados empíricos obtidos por meio dos Sistemas
de Informações Geográficas (ou GIS – Geographical Information System), que
mostraram que o modelo apresentado é um bom previsor dos preços do petróleo.
Outra aplicação interessante dos modelos cellular automata é o modelo
proposto por Filatova (2014) que introduz um ABM aplicado ao mercado imobiliário
urbano. O objetivo do autor foi simular os preços das propriedades e sua distribuição
espacial, considerando que os agentes são heterogêneos e possuem expectativas
adaptativas sobre os preços. O desenvolvimento do mercado foi feito por meio do
modelo RHEA (Risks and Hedonics in Empirical Agent-based) aplicado ao mercado
de terras, com dados espaciais, conjugado à análise econométrica. Os resultados
demonstraram que a combinação dos fundamentos microeconômicos do
comportamento dos agentes aos dados empíricos é factível, sendo uma boa
representação dos dados reis.
A origem nos estudos de torneios, ou na teoria dos jogos – conforme definido
por Chen (2012) –, está fundamentada na caracterização das estratégias efetivas
dos agentes. O uso de modelos baseados em agentes nesse tipo de problema
econômico justifica-se pela elevada dificuldade em encontrar soluções analíticas
fechadas para os jogos, como no caso do Dilema do Prisioneiro Iterado. Destaca-se
 21

que, nos ABMS aplicados a torneios, é comum que os agentes sejam, inclusive,
homogêneos.
Axelrod (1997) obteve resultados surpreendentes quando aplicou ABM no
Dilema do Prisioneiro, com evolução e aprendizado dos agentes. De maneira
sucinta, as conclusões do autor foram no sentido de que os agentes, em geral,
cooperam entre si. Consequentemente, mais benefícios são alcançados do que
quando decidem delatar uns aos outros ou quando seguem a ação tomada pelo
outro agente no período anterior (política conhecida como tit-for-tat).
Zhang et al. (2011) desenvolveram um modelo baseado em agentes para
definir uma estratégia de negociação bilateral em um ambiente em que a divulgação
de informações não é aceitável, possível ou desejável entre as partes. No estudo, os
autores consideraram a interação entre comprador e vendedor via preço e
quantidade. Os resultados indicaram que o algoritmo de negociação é eficiente no
sentido de Pareto em termos dos contratos negociados, da utilidade conjunta obtida
e da equidade entre as partes. Ademais, o mecanismo de intermediação proposto
também demonstra que o comportamento dos agentes é previsível.
Por fim, a origem na economia experimental tem como motivação a
observação do comportamento humano. Neste caso, os ABM buscam replicar ou
simular o comportamento observado em experimentos cujo objeto são os humanos e
buscam explicações para os dados observados. Nesta linha de pesquisa, o
comportamento do agente é importante, não necessariamente as especificidades do
tipo de agente (ROBERTSON; CALDART, 2008).
Como, por exemplo, ocorre no trabalho de Powell e Coyle (2005), que
argumentaram que a perspectiva de formulação convencional de avaliação das
estratégias de negócios está limitada pela visão de racionalidade atribuída aos
gestores. Segundo os autores, a racionalidade incluída nos modelos desenvolvidos
até então não representa a realidade das organizações, em que gestores possuem o
racional movido pelo auto-interesse, em um ambiente onde há falta de informação.
Os autores propõem a adequação dos sistemas de simulação padrão a
pressupostos que julgam representar melhor a realidade das organizações por meio
de um sistema qualitativo na formulação do ABM utilizado.
Outra aplicação no ambiente corporativo comportamental é o trabalho de
Caldart e Ricart (2006), que testa a relação entre o estilo de gestão familiar e a
performance das empresas. Os autores concluíram que a performance relativa de
 22

cada estilo de gestão é contingente às características do ambiente em que cada

firma opera, destacando a importância do planejamento e da flexibilidade no nível
corporativo.
Rivkin (2000) e Lenox et al. (2006) também aplicaram ABMs para investigar o
desempenho de empresas em relação ao ambiente em que estão incluídas e às
estratégias adotadas.
Uma aplicação dos ABMs em que os benefícios da maior fidelidade e
realismo são claros é a economia comportamental, como no trabalho de Roozmand
et al. (2011). Prever o real comportamento dos humanos é muito difícil devido à sua
grande complexidade e à presença de inúmeros fatores que influenciam sua decisão
de compra. Assim, os autores propuseram um modelo conceitual e computacional
para o processo de tomada de decisão de consumidores. O objetivo da pesquisa é a
formalização da cultura e personalidade do agente (consumidor) de forma a torná-lo
mais parecido com os humanos com relação às suas necessidades de consumo.
Para isso, a sociedade e os indivíduos foram definidos com base na
perspectiva empregada pelo modelo MASQ, que possui as seguintes dimensões:
mente, objeto/corpo, espaço bruto e cultura. Além dos pressupostos do modelo
MASQ, Roozmand et al. (2011) incorporaram ao sistema elementos necessários
para o processo de tomada de decisão dos consumidores, tais como o
reconhecimento das necessidades e os diferentes estágios do processo de decisão
de consumo. Embora os resultados tenham indicado que os autores deveriam ter
considerado mais de uma dimensão cultural, especialmente porque os testes de
validação do modelo foram feitos sobre uma base de dados internacional, o modelo
conceitual possui uma boa representatividade do comportamento humano na
decisão de comprar.
Trabalho similar foi apresentado por Zhang e Zhang (2007), que aplicaram
ABM para analisar a decisão de compra dos consumidores, considerando como
função de motivação a combinação da personalidade psicológica dos consumidores
com a interação em um mercado competitivo diferenciado por marcas.
O processo computacional de representação dos agentes e a mecânica da
simulação também podem ser observados no trabalho de Sueyoshi (2010), que
estuda a performance do simulador inteligente de multi-agentes (MAIS – Multi-Agent
Intelligent Simulator) com a agregação de diversas capacidades de aprendizado e
colaboração.
 23

O objetivo do estudo é elaborar um modelo capaz de prever a dinâmica das

mudanças do mercado de negociação de eletricidade. O simulador proposto
considerou dois grupos de agentes adaptativos para investigar o mercado de
negociação de energia elétrica. O primeiro grupo, intitulado Tipo 1, foi formado por
agentes equipados com múltiplas capacidades de aprendizado, que incluem uma
função utilidade, aversão ao risco e capacidade de especulação do preço da energia
elétrica ao longo do tempo. Por sua vez, faziam parte do segundo grupo, Tipo 2,
agentes que procuram ganhos de curto prazo, dotados com capacidade limitada de
aprendizado e com menos informação de mercado. Pela interação dos agentes de
acordo com as possibilidades de aprendizado e colaboração, o modelo teve bons
resultados, com poder preditivo acima de outras formas de simulação, embora
tenham sido apontadas melhorias futuras pelo autor.
Além dos trabalhos mencionados ao longo desta seção, Safarzynska e van
den Bergh (2010) apresentam um survey bastante completo de ABM aplicados em
vários âmbitos da economia, como o problema de agregação de agentes
heterogêneos, simulações aplicadas às ciências sociais, teoria econômica, dentre
outros.
Dentre as linhas de pesquisa apresentadas acima, os modelos contidos na
presente pesquisa enquadram-se na primeira categoria – origem de mercado – dado
que o objetivo de ambos os modelos é simular os mercados analisados.

1.3 VALIDAÇÃO DOS RESULTADOS DOS ABMs E ASPECTOS FUTUROS DA

MODELAGEM

Embora os ABM sejam poderosas ferramentas exploratórias para

questionamentos econômicos, ainda assim são modelos e, como tais, sempre há
desconexão entre o que os modelos permitem e o que eles pretendem representar.
Essa diferença pode ser ainda mais séria por se tratar de um tipo de modelo
em que a maior restrição para representação do problema é o objetivo da pesquisa.
Neste sentido, muitos pressupostos são formulados ad hoc, não contendo
evidências empíricas, tampouco uma história que justifique a assunção feita.
Assim, a definição precisa da metodologia utilizada na construção de
sistemas complexos, como os ABMs, deve ser rigorosamente definida. Como forma
de sistematizar a construção desses sistemas, Zhang e Zhang (2007) propõem os
 24

seguintes passos: (i) definição do escopo de simulação e dos pressupostos dos

agentes; (ii) desenho dos algoritmos com base no comportamento dos agentes no
mundo real para controlar o comportamento dos agentes, suas interações e regras
de decisão; (iii) calibração dos algoritmos e modelos; (iv) programação
computacional e testes de uso do modelo; (v) testes de sensibilidade e validação de
resultados; e (vi) observação e análise experimental do modelo.
Os resultados dependem destas definições e esta é, justamente, a maior
fraqueza dos ABMs frente a pesquisadores que valorizam modelos matemáticos
analíticos ou sistemas dinâmicos, pois afirmam que os ABMs possuem partes
demais a serem definidas, de forma que qualquer resultado pode ser obtido.
De fato, na modelagem baseada em agentes há poucas restrições à
formulação do ambiente. Por este motivo, os modelos são resolvidos
numericamente, podendo não haver um único ótimo ou equilíbrio, tal como ocorre
nos modelos matemáticos mais tradicionalmente aplicados à economia. Esta
importante flexibilidade dos ABMs permite que sejam construídos ambientes
complexos, tratando a complexidade um ponto do ambiente que merece ser
explorado, não evitado. Ademais, pesquisas revelam que resultados qualitativos
podem variar significativamente com a complexidade do ambiente (CHANG;
HARRINGTON Jr, 2006).
Um dos desafios à modelagem baseada em agentes é a validação dos
resultados e a análise de sensibilidade dos parâmetros. O nível de detalhes que os
ABMs exigem por partirem da modelagem do comportamento dos agentes e de suas
interações implica em um grande número de parâmetros aos quais a performance
do modelo é potencialmente sensível. Além disso, os modelos geralmente contém
elementos estocásticos. A sensibilidade do modelo formulado a tais características
deve ser sistematicamente testada. Os ABMs precisam ser avaliados quando à
coerência de sua construção e seu sucesso em replicar as tendências do ambiente
real em um processo rigoroso de validação e verificação (FILATOVA et al., 2013).
A confiança na robustez dos resultados do ABM é parte importante para que o
modelo seja amplamente aceito como uma ferramenta de suporte aos resultados
encontrados. Uma vez que a especificação dos pressupostos comportamentais dos
agentes sempre envolve um grau de incerteza passível de questionamento, as
análises de sensibilidade indicam quão crítica é a assunção destas incertezas.
 25

É fundamental, portanto, que os resultados do programa computacional sejam

testados em relação a sua robustez, especialmente em relação à forma como os
agentes são instanciados e como as regras estão representadas (CHANG,
HARRINGTON JR, 2006; GILBERT, 2008).
Bert et al. (2014) propõem que duas estratégias complementares sejam
empregadas para validar os ABMs. A primeira delas é a validação dos processos do
modelo e seus componentes durante o desenvolvimento do modelo, o que envolve
uma vasta revisão da literatura e a visita a modelos com bases similares de
construção. A segunda estratégia é a validação empírica, que envolve a comparação
dos resultados do modelo provenientes de várias simulações em relação a dados
reais.
Neste trabalho, tentou-se seguir o processo de validação proposto por Bert et
al. (2014), embora as simulações e testes de sensibilidades dos modelos
apresentados não tenham similares nos dados reais para servirem de base de
comparação.
Ainda, a linguagem matemática deve ser apresentada com o rigor que a
modelagem exige, juntamente com a justificativa dos parâmetros e formas funcionais
escolhidas. Segundo Judd (1997), caso estes fatores não ganhem a devida
relevância, a área de economia computacional (computational economics), na qual
os ABM estão incluídos, não aproveitará todo o potencial que tem a desenvolver.
Como os modelos são complexos, Chang e Harrington Jr (2006) destacam
que os pesquisadores se esquecem, por vezes, que a parcimônia é uma virtude e
não uma fraqueza proveniente da falta de poder computacional e citam a famosa
frase de Einstein: “Everything should be as simple as possible, but not simpler”. O
maior poder computacional permite que modelos cada vez mais complexos sejam
resolvidos, havendo uma tendência natural a complicar a estrutura da modelagem, o
que é um erro. No mesmo trabalho, os autores afirmam que se um modelo é tão
complexo que suas implicações necessitam de explicação, então este modelo não
alterou o entendimento do problema.
Claramente, não é possível definir a melhor forma funcional para o arcabouço
de diferentes modelos. A escolha da forma funcional, principalmente para os
modelos baseados em agentes, depende das circunstâncias que se pretende
representar e do propósito da modelagem (BARGIGLI; TEDESCHI, 2014).
 26

Muitos avanços foram feitos na definição metodológica dos ABMs nos últimos
anos, inclusive com a melhor coleta de microdados para validação de resultados.
Entretanto, progressos na modelagem integrada de diferentes formas funcionais
podem oferecer novos caminhos para o estudo dos ABMs aplicados à economia,
abrindo novas oportunidades para a exploração plena do potencial da metodologia
definida pelos modelos baseados em agentes (FILATOVA et al., 2013).
 27

2 INFORMAÇÃO INCOMPLETA E APRENDIZADO NA DISCRIMINAÇÃO DE

PREÇOS DE COMPANHIAS AÉREAS EM AMBIENTES COMPETITIVOS

Empresas com poder de mercado podem empregar a discriminação de

preços como forma de maximizar seus lucros. Dentro deste grupo de empresas, de
forma geral, estratégias de discriminação de preços são utilizadas por empresas
com capacidade de produção limitada no curto prazo e produtos altamente
perecíveis, como os aluguéis de carros, linhas aéreas, hotéis, entre outros.
A discriminação de preços, como uma das possibilidades de política de
gestão de rendimentos (ou, yield management), é observada quando a empresa
atribui preços diferentes a produtos com mesmo custo de produção. O objetivo de tal
prática é obter ganhos adicionais das diferentes disposições a pagar dos
consumidores. Essa estratégia é factível quando, além do poder de mercado das
empresas, os consumidores possuem diferentes elasticidades da demanda para o
mesmo produto e podem ser criados limites de negociação do produto entre
consumidores que garantam a não ocorrência de arbitragem do mercado
(DONALDSON; EATON, 1981; CARROL; COATES, 1999).
A forma com que os preços se alteram ao longo do tempo dentro do processo
de discriminação de preços está relacionada ao prêmio atribuído à informação e à
certeza que o consumidor possui no momento em que faz a compra. Quando a
compra é feita de forma antecipada, o consumidor espera obter um benefício pela
maior incerteza, por outro lado, em compras tardias, existe o risco de racionamento.
A incerteza da demanda individual e a heterogeneidade entre compradores explicam
o comportamento maximizador de lucro que induz à formação de uma distribuição
de preços, ao invés de um preço único (MOLLER; WATANABE, 2010; FERRER et
al., 2012).
Logo, a dependência da demanda e o comportamento estratégico dos
consumidores devem ser considerados quando é definida a melhor estratégia de
discriminação de preços a ser adotada. Ademais, a capacidade de alocação e as
decisões de preços são consideradas processos endogenamente determinados,
necessitando de revisões periódicas de ambos (CHEWA et al., 2009).
Companhias áreas reúnem grande parte das características necessárias
mencionadas acima para a gestão de rendimentos e, de fato, fazem parte da
indústria que mais se apropria de tal prática para maximizar suas receitas. Obeng e
 28

Sakano (2012) mostraram que as estratégias das companhias aéreas dependem da

elasticidade-preço dos consumidores e da capacidade do avião relativamente à
demanda, enquanto Li e Tang (2012) encontraram que a diferença na disposição a
pagar dos consumidores varia de acordo com o uso e o tipo de passagem oferecido
pelas companhias.
Dentro do contexto da indústria de passagens aéreas, por meio de um
ambiente simulado segundo a modelagem baseada em agentes – que permite
incorporar as características da oferta e da demanda, conforme pesquisas
mencionadas ao longo deste capítulo –, busca-se explicar o comportamento
efetivamente observado dos preços das passagens aéreas no mercado, o que ainda
não foi obtido pelos estudos conhecidos até o momento. Por meio do modelo
simulado, pretende-se averiguar se a política de discriminação de preços beneficia
tanto consumidores, quanto as próprias companhias aéreas em um ambiente
realista, além de testar os efeitos das variáveis determinantes para o movimento dos
preços observados no processo de discriminação de preços.
As companhias aéreas e o mercado consumidor são considerados os agentes
do modelo e são dotados com suas próprias preferências e regras de decisão.
A próxima seção discute os estudos relacionados ao problema em questão. A
seguir, o modelo é apresentado. A terceira seção apresenta os resultados e as
análises de sensibilidade. Finalmente, as conclusões do capítulo são apresentadas.

2.1 LITERATURA RELACIONADA E CONTRIBUIÇÃO DA PESQUISA

As práticas mais comuns de discriminação de preços das companhias aéreas

incluem (i) mudanças nos preços ao logo do tempo até a data da viagem e (ii)
imposição de restrições nas tarifas por meio de descontos diferenciados para
distinguir os consumidores com base no valor percebido por eles, incluindo a
flexibilidade de mudanças do voo (ESCOBARI; JINDAPON, 2014; CARROL;
COATES, 1999; OBENG; SAKANO, 2012).
A discriminação de preços também é utilizada como prática predatória de
preços das passagens pelas companhias aéreas caracterizadas como baixo custo.
Durante períodos de recessão ou de quedas acentuadas da atividade econômica,
discriminações de preços agressivas podem ser prejudiciais ao mercado (BUSSE,
2002).
 29

A capacidade e o custo unitário por voo de uma companhia influenciam seus

preços de equilíbrio, os quais, sob certas condições de aleatoriedade na demanda,
apresentam relação positiva aos custos unitários de produção e são negativamente
correlacionados com a capacidade (DAI et al., 2005). Reece e Sobel (2000)
mostraram que o custo marginal de servir a um determinado grupo de consumidores
é igual ao valor que a companhia falha em ganhar por não servir a outro grupo.
Embora a discriminação de preços seja utilizada para beneficiar as empresas,
o excedente do consumidor não se reduz necessariamente (IKEDA; TOSHIMITSU,
2010; ANAM, CHIANG, 2006; CHIANG; SPATT, 1982). Por outro lado, Leslie (2004)
mostrou que muitos consumidores pagam preços substancialmente acima dos
custos marginais, reduzindo o bem-estar social em favor do aumento do excedente
do produtor.
Clark e Vincent (2012) conduziram uma análise empírica dos preços e da
capacidade dos voos e encontraram que a evolução dos preços depende tanto do
número de dias até a data da viagem, quanto do número de assentos disponíveis de
cada companhia aérea e de seus competidores. Além disso, os preços dos
competidores também interferem na decisão dos preços das passagens (McFEE; te
VELDE, 2006).
Os modelos apresentados até o momento trouxeram contribuições
importantes para o entendimento do processo e dos benefícios da discriminação de
preços na indústria aérea, entretanto, o padrão observado dos preços das
passagens parece não ter sido totalmente explicado. Mcfee e te Velde (2006)
estudaram e acrescentaram novas características de mercado ao modelo proposto
por Gallego e van Ryzin (1994), que consideraram a precificação dinâmica sob
competição imperfeita e demanda estocástica. Esse modelo é muito utilizado por
chegar a uma forma fechada de precificação ótima em tempo discreto.
Entretanto, apenas a precificação dinâmica por si só não se aproxima do
padrão geral dos preços das passagens aéreas ao longo do tempo. Os resultados
do modelo mostram preços subindo inicialmente e caindo nos períodos próximos à
data da viagem, o que geraria um incentivo aos consumidores sempre postergarem
a compra da passagem. Na realidade, na maior parte dos voos, os dados indicam
que os preços apresentam comportamento exatamente oposto ao modelo de
Gallego e van Ryzin (1994) e de McAfee e te Velde (2006).
 30

Moller e Watanabe (2010) incluíram em seu modelo a incerteza na demanda

individual e a heterogeneidade dos consumidores, características ainda não
consideradas até então. Dessa maneira, os autores adicionaram um ponto relevante
à precificação dinâmica das passagens: as diferenças dos consumidores nos seus
valores esperados da passagem. Com um ofertante monopolista, os resultados
mostraram que a melhor política de gestão dos rendimentos – vendas tardias ou
compras antecipadas com descontos – depende do limite de capacidade e da
definição dos preços de forma adiantada com que o monopolista pode se
comprometer.
Considerando que consumidores possuem maior ou menor disposição a
pagar por um assento e que eles não conhecem sua demanda quando escolhem um
tipo de passagem, Escobari e Jindapon (2014) encontraram que a diferença entre os
preços das passagens com devolução e sem devolução de recursos em caso de
cancelamentos e alterações de voos consiste em um componente de qualidade e
um componente de discriminação de preços. Os autores aplicaram o arcabouço da
utilidade esperada e concluíram que conforme a data da viagem se próxima, a
diferença percebida entre os consumidores por esses dois tipos de passagens
diminui, visto que os consumidores passam a ter maior certeza sobre sua demanda
individual.
Mesmo em situações em que as companhias aéreas não conseguem prever
aas flutuações da demanda, a dispersão de preços entre os diferentes perfis de
consumidores é eficiente na realocação da demanda e redução dos custos de
capacidade, especialmente se os custos de alterar datas de voos forem elevados
para os consumidores (DANA, 1999).
Em geral, quanto menos concentrado o mercado (maior a competição), menor
a dispersão de preços, como afirmado por Gerardi e Shapiro (2007). Os autores
concluíram que a competição reduz a habilidade das companhias segmentarem os
mercados, reduzindo a capacidade de companhias cobrarem preços mais elevados
de consumidores com demanda inelástica para passagens aéreas relativamente aos
consumidores com demanda elástica.
Por outro lado, Stavins (2001) argumenta que a discriminação de preços
aumenta em rotas com maior competição. Quanto mais companhias operam uma
dada rota, a competição entre elas por consumidores com maior elasticidade da
 31

demanda aumenta, enquanto que os preços cobrados para consumidores com

demanda inelástica permanecem altos.
Pelos estudos mencionados anteriormente, algumas características podem
ser generalizadas. Dado que a capacidade de um voo é custosa, as companhias
precificam suas passagens ao longo do tempo considerando o tradeoff entre a
venda antecipada com desconto ou postecipada, possivelmente a preços maiores
vis-a-vis o custo da capacidade ociosa. Pelo lado da demanda os consumidores são
heterogêneos e possuem diferentes elasticidades e disposição a pagar.
Dados reais mostram que os preços de um assento em uma dada rota
permanecem quase constante ao longo do tempo até que a data da viagem se
aproxima, quando os preços experimentam um aumento súbito. Frequentemente, o
aumento nos preços ocorre dois ou três meses antes da data da viagem. Todavia,
devido ao custo de capacidade ociosa, pode ocorrer reduções bruscas de preços em
um período muito próximo à data da viagem, em uma política de elevados descontos
para que o voo seja preenchido. A certeza da oferta e a informação possuem um
papel importante nos problemas de vendas antecipadas, assim a tendência dos
preços ao longo do tempo não é clara (MOLLER; WATANABE, 2010).
Os gráficos a seguir são bons exemplos dos preços de passagens ao longo
do tempo. Os preços referem-se a companhias aéreas brasileiras que operam a rota
da ponte-aérea São Paulo – Rio de Janeiro. Os dados foram gentilmente cedidos
pelo Núcleo de Estudos em Competição e Regulação do Transporte Aéreo
(NECTAR). O gráfico da esquerda se refere a um voo com partida no dia 22/01/2010
(sexta-feira) e o gráfico da direita mostra os preços de um voo com partida no dia
09/03/2010 (terça-feira).
 32

Gráfico 2.1 – Dados Reais de Preços ao longo do tempo de Companhias Aéreas

Brasileiras em voos entre São Paulo e Rio de Janeiro: (a) data de partida 22/01/2010
e (b) data de partida 09/03/2010

600 600

Preço da Passagem (R$)

500 500
Preço da Passagem (R$)

400 400

300 300

200 200

100 100

0
0
60 55 50 45 40 35 30 25 20 15 10 5 0 60 55 50 45 40 35 30 25 20 15 10 5

Dias Restantes até a Data da Viagem Dias Restantes até a Data da Viagem
Companhia 1 Companhia 2 Companhia 3 Companhia 1 Companhia 2

(a) (b)
Fonte: Núcleo de Estudos em Competição e Regulação do Transporte Aéreo
(NECTAR)

McAfee e te Velde (2006) apresentaram gráficos de companhias aéreas

norte-americanas e as tendências nos preços com o passar do tempo são muito
similares às apresentadas pelas companhias brasileiras. Além disso, Stavins (2001)
investigou dados de passagens de voos de doze rotas diferentes nos Estados
Unidos e mostrou que postergar a compra da passagem em um dia aumenta seu
preço em torno de 0,1%.
Na modelagem de discriminação de preços por ABM, cabe destacar os
trabalhos de Lee et al. (2012) e de Kuhn Jr. et al. (2010).
O primeiro estudo aplicou ABM às negociações denominadas “último minuto”
de bilhetes de teatro. Nessas negociações, visando a preencher os lugares vazios
no teatro momentos antes do espetáculo, as companhias teatrais vendem os
bilhetes com grandes descontos, que aumentam conforme o início da peça se
aproxima. A discriminação de preços foi comparada à estratégia de personalização
de preços, que é a venda de bilhetes pelo preço que o consumidor está disposto a
pagar, buscando os consumidores que atribuem maior valor ao bilhete. A conclusão
dos autores é que a estratégia de personalização de preços é mais afetiva do que a
discriminação dos preços ou do que preços fixos.
O segundo estudo aplicou ABM para desenvolver e implementar um modelo
de predição de market share das companhias aéreas para o próximo ano. O modelo
 33

se mostrou um bom previsor do market share das empresas, com base nas rotas
operadas, preços cobrados, diferencial de serviços, dentre outros fatores.
Adicionalmente, Gosavi et al. (2007) desenvolveram um modelo de simulação
com o objetivo de acomodar pressupostos realistas de cancelamentos e overbooking
na precificação de passagens aéreas. Testes empíricos provaram que o modelo foi
capaz de aumentar a receita das companhias quando comparado aos modelos
embasados em heurísticas mais comuns na indústria aérea.
Tendo em vista os estudos sobre discriminação de preços previamente
mencionados, o modelo apresentado no presente capítulo busca simular a forma
como as companhias aéreas aprendem e interagem com o mercado, com um foco
especial na estratégia de ajustes regulares do preço ótimo para se adequar às
condições da demanda. Também, o estudo avalia a eficiência desse tipo de política
de preços em diferentes situações de mercado e os efeitos de mudanças nas
principais variáveis do modelo, tanto sobre o preço das passagens, quanto sobre o
excedente dos consumidores.
Para que essa modelagem seja possível, o modelo apresentado é dinâmico e
interativo, em que as decisões das companhias e dos consumidores se alteram ao
longo do tempo. As companhias competem por meio de uma política ótima de
preços em relação à demanda estimada em cada intervalo de tempo, assim como ao
comportamento esperado dos competidores. O modelo incorpora variáveis do
comportamento do consumidor ao considerar a elasticidade da demanda e a
disposição a pagar como variáveis aleatórias, desconhecidas pelas companhias.
O objetivo do estudo apresentado nesse capítulo é definir, para cada
companhia i que atua no mercado de passagens aéreas, uma política temporal
ótima de preços ∗
, ∈ 0, 1, ⋯ , que maximiza sua receita esperada em um
ambiente incerto e competitivo.
As incertezas do modelo resultam da natureza estocástica da disposição a
pagar determinada pela elasticidade-preço da demanda do mercado consumidor.
Em adição à aleatoriedade, as companhias desconhecem a real função de
demanda. Todos esses fatores considerados de forma conjunta tornam impossível a
obtenção de uma solução analítica e são bem representados pelos Modelos
Baseados em Agentes.
 34

Conforme afirmado por Cleophas (2011), os ABMs são utilizados para que a
modelagem da gestão de rendimentos seja formulada de acordo com as
características do mercado real.

2.2 DEFINIÇÃO DO MODELO

A solução para o problema descrito na seção anterior é obtida pela definição

dos seus três componentes: as Companhias, que tomam as decisões de preços
visando maximizar sua receita, os Consumidores, que compram as passagens de
forma a maximizar seu excedente, e o mercado em que as companhias e
consumidores interagem1.
O mercado é o ambiente em que as negociações das passagens ocorrem e,
portanto, define as condições de oferta e demanda. Os pressupostos para o
mercado são:
- Condições de demanda:
i. Há muitos Consumidores interessados em comprar passagens
aéreas;
ii. Cada Consumidor compra apenas uma passagem; e
iii. Consumidores são indiferentes entre as Companhias que
oferecem as passagens.

- Condições de oferta:
i. Como há poucas Companhias que operam no mercado, a
decisão de preço de uma Companhia afeta as demais;
ii. As Companhias oferecem passagens com os mesmos tipos de
serviços, para as mesmas rotas e para as mesmas datas de viagens
(produtos são idênticos);
iii. As passagens de todas as Companhias são ofertadas durante o
mesmo período antes da data da viagem; e
iv. Os preços das passagens são amplamente divulgados ao
mercado.

1
As palavras Companhias e Consumidores serão utilizadas em letras maiúsculas para reforçar o fato
de que se tratam dos agentes do modelo, evitando a confusão com discussões mais amplas acerca
do mercado de passagens aéreas.
 35

Os Consumidores tomam a decisão de comprar de acordo com o valor de seu

excedente, definido pela diferença entre o valor de sua disposição a pagar e o preço
das passagens disponíveis no mercado. Assim, os pressupostos relativos aos
Consumidores são:
i. Em cada intervalo de tempo, alguns consumidores chegam ao
mercado para verificar os preços das passagens;
ii. Os consumidores possuem uma sensibilidade (aleatória) de
como as mudanças de preços afetam sua demanda – elasticidade-preço da
demanda –, a qual define sua disposição a pagar;
iii. A disposição a pagar é uma função exponencial e depende do
preço mínimo observado no mercado dentre todas as Companhias, da
propensão a comprar de cada Companhia que opera no mercado e de sua
elasticidade-preço, que são variáveis não observadas pelas Companhias;
iv. A compra da passagem ocorre apenas se o excedente do
consumidor for não-negativo; e
v. A Companhia que maximiza o excedente do Consumidor é
escolhida.

Do ponto de vista das Companhias que ofertam as passagens, a definição

dos preços considera o tradeoff entre a probabilidade de venda no período corrente
e a possibilidade de vender a um preço mais alto no futuro. Dessa forma, os
pressupostos para as Companhias são:
i. As Companhias não conhecem as variáveis que definem o
comportamento do Consumidor (propensão a comprar e elasticidade da
demanda), nem a função de demanda de mercado;
ii. Os preços das passagens dos concorrentes até o período
imediatamente anterior são conhecidos; e
iii. Cada Companhia oferta um número fixo de passagens ao
Mercado, denominados de passagens em estoque.
 36

2.2.1 Ambiente de Negociação

O ambiente em que os agentes interagem reflete uma estrutura de mercado

com competição imperfeita, em que poucas companhias ofertam produtos idênticos
e muitos consumidores demandam o produto (oligopólio).
Os Consumidores são homogêneos no sentido de que são indiferentes entre
as Companhias que ofertam as passagens, sendo representados, portanto, pelo
agente “Mercado Consumidor”. As duas denominações – Consumidores e Mercado
Consumidor – são utilizadas indistintamente ao longo desse capítulo.
Quanto à oferta, k Companhias operam no mercado, sendo k um número
pequeno. Elas iniciam a oferta das passagens ao mesmo tempo, durante um
número n de períodos antes da data da viagem.
Companhias e Consumidores interagem durante todo o período de venda das
passagens aéreas, começando no tempo inicial t=0 e finalizando a interação da data
da viagem, t=T, ∈ 0,1, ⋯ , . Assume-se que os períodos possuem incrementos de
tempo (∆) de mesmo tamanho.
Finalmente, os preços das passagens são divulgados ao mercado e
incorporados no cálculo do preço ótimo de todas as Companhias no próximo período
de revisão de preços.

2.2.2 Atributos do Mercado Consumidor

O Mercado Consumidor é caracterizado pela sua propensão a comprar e pela

elasticidade-preço da demanda, que, juntas, definem o comportamento do
Consumidor.
A cada incremento de tempo (∆), x Consumidores chegam ao mercado. Cada
Consumidor possui sua própria disposição a pagar (w), que define o valor que o
Consumidor atribui à passagem.
Como os Consumidores não possuem preferências em relação às
Companhias, sua propensão a comprar de uma Companhia, F(k), é definida pelo
número de Companhias que atuam no mercado, k, da seguinte forma: F(k) = 1/k. O
valor da propensão a comprar é definido no intervalo [0, 1], em que 0 indica uma
baixa probabilidade de comprar a passagem aérea de qualquer Companhia que
 37

seja. Em um mercado com maior número de competidores, deve ser definido um

valor mínimo para F(k).
O propósito da viagem, como lazer ou negócios, afeta a disposição a pagar. A
necessidade de comprar uma passagem é refletida pela elasticidade-preço da
demanda ( ). Um valor de próximo a 0 (zero) indica que a demanda por uma
passagem aérea em um dado período é minimamente sensível às mudanças de
preços. Se é maior do que 1 (um), a demanda do Consumidor é altamente sensível
a mudanças de preços. No modelo, a elasticidade-preço da demanda é
aleatoriamente definida por uma distribuição uniforme em um intervalo , ,
em que , são dados em valores absolutos.
Finalmente, os Consumidores também consideram o preço mínimo disponível
no mercado para definir o valor que atribuem à passagem, ou sua disposição a
pagar, definida como:
=− . !"#1 − $ % & (2.1)

Em que:
: valor que o Consumidor atribui a uma passagem aérea (disposição a

'
pagar);
: preço mínimo da passagem disponível no Mercado;
: elasticidade-preço da demanda do Consumidor; e
$ % : probabilidade cumulativa de comprar uma passagem, igual a 1/k, em
que k representa o número de Companhias que atuam no mercado.

A Equação (1) é uma escolha conveniente da função de probabilidade

) +
exponencial cumulativa F(w). $ = 1−( .* é a probabilidade acumulada
que um Consumidor compre uma passagem, dado o valor que atribui à compra (w).
O excedente do consumidor mostra o ganho percebido pelo Mercado
Consumidor comparado ao preço de mercado do produto. Logo, a compra ocorre se
o excedente do consumidor for não-negativo. Para o problema estudado nesse
capítulo, o excedente do consumidor é definido como:

,= − (2.2)
Em que:
E: excedente do consumidor;
 38

: preço da passagem da Companhia i no período t (i ϵ 1, 2, ⋯ , k ).

w: disposição a pagar do Consumidor; e

Caso exista mais de uma Companhia para a qual , ≥ 0 durante cada período,
a Companhia que maximiza o excedente do consumidor faz a venda da passagem.
Se o excedente do consumidor for negativo para todos os preços disponíveis, não
ocorre nenhuma venda.

2.2.3 Atributos das Companhias

A estratégia de gestão de rendimentos no modelo proposto consiste na

definição do preço ótimo das passagens de cada Companhia em intervalos de
tempo pré-definidos. Uma vez que esta tarefa tenha sido feita, os preços definidos
pelas Companhias são divulgados ao mercado e a demanda pelas passagens aos
novos preços é observada. Na próxima data de revisão, os preços dos competidores
do período anterior e o comportamento percebido dos Consumidores ao longo do
tempo são utilizados para corrigir o preço ótimo para o próximo período.
O lado da oferta segue o modelo proposto por Gallego e van Ryzin (1994),
revisitado em McAfee e te Velde (2006). No presente modelo, o modelo básico de
Gallego e van Ryzin foi estendido para o caso oligopolista.
Todas as k Companhias iniciam suas vendas em t=0 e encerram na data da
viagem, t=T. As Companhias revisam seus preços simultaneamente no processo de
gestão dos rendimentos, a cada m períodos.
Considere a Companhia i, 2 3 0, 1, ⋯ , % . Em t=0, a Companhia i possui um

(4 0 ), o qual determina o preço inicial de oferta das passagens no tempo t=0, 0 .

número definido de passagens disponíveis para venda, dado pelo seu estoque inicial

Em t=0, a Companhia i possui uma estimativa da elasticidade cruzada de sua

demanda em relação ao preço de cada competidor 5 ̂ , ) 7, em que i- representa

os competidores da Companhia i.
Adicionalmente, no início do processo de vendas, cada Companhia possui
uma estimativa de sua elasticidade-preço da demanda ( ̂ ), que se altera com o
tempo de acordo com as condições de mercado constantemente observadas pelas
Companhias. As Companhias utilizam a estimativa da elasticidade da demanda para
 39

ajustar suas expectativas de receita futura às condições correntes de mercado. Essa

variável indica o tipo de consumidor que compra as passagens e a demanda a

Assume-se que o valor estimado da elasticidade-preço da demanda, ̂

diferentes preços ao longo do tempo.
,
segue um processo estocástico dependente da média 8 e do desvio-padrão
9 , visto que a Companhia i possui uma estimativa melhor do Consumidor médio,
embora saiba que existem desvios acerca do comportamento esperado.
Como o comportamento do Consumidor pode diferir do que é esperado pelas
Companhias, a Companhia observa as vendas acumuladas até o período presente e
compara com a curva de vendas esperada, definida a priori de acordo com o que a
Companhia espera do voo.
Se as vendas correntes excederem o nível : ; <;=> das vendas esperadas, a
Companhia i reduz sua elasticidade estimada em ?. Por outro lado, caso as vendas
correntes estejam : @A*=> menores do que as vendas esperadas para um período, a
Companhia i aumenta sua elasticidade estimada em ?; : ; <;=> , : @A*=> , ? ∈ B0, 1C. Se
as vendas correntes se comportarem de acordo com a curva de vendas esperadas,
a Companhia i mantém suas estimativas iniciais para a elasticidade de demanda.
Além dos períodos regulares de revisão de preços, ocorrem também revisões
intermediárias da elasticidade esperada da demanda, que são períodos curtos de
tempo para as Companhias se adaptarem às oscilações de mercado.
As revisões intermediárias de preços se iniciam após h períodos, para dar
tempo para as condições de mercado se estabilizarem. Ademais, se houver revisões
intermediárias da elasticidade da demanda e, consequentemente, dos preços, a
Companhia i mantém o novo preço constante por u períodos antes de revisar a
elasticidade esperada da demanda novamente. Esse período de espera é
necessário para observar o comportamento do consumidor em face dos novos
preços.
Para endereçar as incertezas com respeito ao comportamento do Consumidor
e em relação aos competidores, as Companhias calculam sua probabilidade de
vender durante cada período de revisão de preços. Considere que (i-) é a notação
utilizada para as variáveis dos competidores. As variáveis que afetam a
probabilidade de venda da Companhia I são: (i) os preços dos competidores,
observados até o período imediatamente anterior à revisão de preços, ) −1 ,
 40

ponderados pelas respectivas elasticidades-cruzadas # ̂ , ) &, e (ii) o preço da

Companhia i no período t, ponderado pela sua elasticidade da demanda, ̂ .
Logo, a probabilidade cumulativa de que a Companhia i venda suas
∗
passagens ao preço ótimo é definida pelo modelo logístico multinominal que
segue:

D# &=
∗ EFG )H I ×K ∗ I LH , M I ×K M I)N
NLEFG )H I ×K ∗ I LH , M ×K M I)N
(2.3)

Em que:
D# ∗
&: probabilidade cumulativa de venda da Companhia i no período t ao
∗
preço ótimo ;
̂ : elasticidade-preço da demanda estimada pela Companhia i no período t;
̂,) : vetor de elasticidade cruzada da demanda estimado pela Companhia i

− 1 : vetor de preço dos competidores (i-) no período imediatamente

com relação aos preços dos competidores (i-) no período t;
)

anterior.

O preço ótimo é o valor que maximiza a receita esperada da Companhia. Na

definição da política de preços, as Companhias consideram o benefício de vender a
passagem no presente em relação à venda futura, talvez a um preço superior.
Assim, maximizar a probabilidade de vender não é suficiente para otimizar a receita.
Outros dois fatores devem ser considerados no modelo dinâmico de precificação: os
níveis dos estoques durante o período de revisão de preços, 4 , e o tempo
restante até a data da viagem, (T-t).
Em cada momento de precificação, o número de passagens disponíveis (ou
estoque) da Companhia i no período t tem um valor relacionado à receita esperada
que o estoque pode gerar nos períodos futuros, dado por OP . Ter passagens
disponíveis para venda na data do voo não tem valor (ou tem valor nulo). Da mesma
forma, não possuir passagens para venda até a data da viagem resulta em receita
esperada igual a zero. Portanto: OPQR = OP = 0.
As Companhias não conhecem a disposição a pagar do Mercado
Consumidor. Entretanto, o número médio de consumidores que entram no mercado
a cada período (λ∆) é conhecido e constante no horizonte de tempo considerado.
Assume-se que a chegada dos consumidores no mercado segue um processo de
 41

consumidores venham ao mercado (θU

Poisson. Sob esta hipótese, a Companhia i calcula a probabilidade esperada de que
) em cada revisão de preços.
Além disso, a Companhia também deve considerar a probabilidade de vender,
conforme definido em (2.3). Durante o processo de maximização da receita, a

em um dado intervalor de tempo ∆, dada por: θU

Companhia i calcula a probabilidade de vender uma passagem a cada consumidor
. D# &, o que resulta no
∗
aumento na receita igual ao preço da passagem vendida, . Caso a venda
ocorra, o valor da receita esperada pelo estoque de passagens é reduzido em uma
unidade, OP)N .
A Companhia i também considera a probabilidade de não vender. Essa

1 − θU
possibilidade pode ocorrer por nenhum consumidor chegar ao mercado, dada por
, ou porque os consumidores chegam ao mercado para verificar preços,

mas a venda não ocorre, ou seja: 51 − D# ∗

&7.

VWX
Sendo assim, a receita da Companhia i no período t é dada por:

OP = YθU . D# &. 5OP)N + 7 + 51 − θU . D# &7 . OP [ (2.4)

O valor ótimo da receita é encontrado pelo preço que maximiza (2.4).

Portanto, a cada data de revisão de preços t, a receita ótima é:

OP ∗ = θU . D# ∗
&. 5OP)N + ∗
7 + 51 − θU . D# ∗
&7 . OP (2.5)

O preço ótimo é aquele que maximiza a função de receita esperada da

Companhia i, v] ∗^ t , para o período de tempo entre a data de revisão de preço (t) e
a data da viagem (T). A equação em (2.5) é um modelo de otimização dinâmica e
deve ser resolvido de forma retroativa, iniciando no período T, considerando que
v]QR ^ t = v] ^ T = 0.

Companhia i para os diferentes níveis de estoque de passagens. O preço p^ ∗ t é o

As soluções ótimas geradas por (2.5) descrevem as curvas de preços da

preço correspondente ao número de passagens em estoque no período t para a

Companhia i, dado o tradeoff entre venda corrente e futura.
A Figura 2.2 apresenta um exemplo de curvas de preços em dois pontos
distintos no tempo, considerando cinco passagens em estoque. Em (a), as curvas
 42

mostram a trajetória ótima de preços para um horizonte de 345 períodos; em (b), as

curvas são formadas para um horizonte de 60 períodos.
Nos dois gráficos, a curva superior se refere ao valor do preço ótimo que
maximiza a receita ao longo do tempo caso a companhia tenha apenas uma
passagem disponível para venda. Nesse caso, é o nível de preço mais elevado
dentre todas as possibilidades mostradas nesta situação. A curva inferior indica o
patamar do preço ótimo até a data T, considerando que a companhia tenha as cinco
passagens em estoque (situação em que nenhuma passagem foi vendida),
associada, portanto, aos menores preços.

Gráfico 2.2 – Curvas de Preços em Diferentes Períodos de Revisão de Preços até a

Data da Viagem: (a) 345 períodos restantes até a data do voo; (b) 60 períodos
restantes até a data do voo

$8,0 $8,0

$7,0 $7,0

$6,0 $6,0
Preço
Preço

$5,0 $5,0

$4,0 $4,0

$3,0 $3,0

$2,0 $2,0
1 6 11 16 21 26 31 36 41 46 51 56
1
16
31
46
61
76
91
106
121
136
151
166
181
196
211
226
241
256
271
286
301
316
331

Horizonte de Tempo (T-t) Horizonte de Tempo (T-t)

passagem = 1 passagem = 2 passagem = 3 passagem = 1 passagem = 2 passagem = 3

passagem = 4 passagem = 5 passagem = 4 passagem = 5

(a) (b)
Fonte: próprio autor

2.2.4 Passos da Simulação

Os seguintes passos são seguidos a cada período do modelo proposto:

1) Período inicial da simulação:
Cada Companhia observa seus parâmetros iniciais e valores estimados. No
tempo inicial (t=0), são definidos:
Número de períodos até a data da viagem (n), o horizonte de tempo
(T) e o intervalo de revisão de preços (m);
Curva de vendas esperadas;
 43

Número de períodos a partir do qual a Companhia inicia a

comparação entre as vendas correntes e a curva de vendas esperadas (h);
Número de passagens em estoque (4 0 );
Média da elasticidade-preço da demanda, 8 , e seu desvio-padrão,
9 , que definem a distribuição de ̂ , incluindo 8 0 e 9 0 ;
Elasticidade cruzada, ̂ , ) ;
Parâmetro da distribuição de Poisson, λ∆;
Estimativas iniciais dos preços dos competidores, ) 0 ;
Preço estimado inicial, 0 , calculado por (2.4) para o número inicial
de passagens em estoque, dados todos os demais parâmetros definidos no
início da venda das passagens.

2) Dinâmica dos Consumidores:

Para cada um dos x consumidores que entram no mercado no incremento de
tempo ∆, tem-se:
Disposição a pagar do consumidor é calculada com base na
elasticidade-preço da demanda, na disposição a comprar de cada companhia
e no preço mínimo observado no mercado, de acordo com (2.1); e
Consumidor efetua a compra da passagem que maximiza seu
excedente, definido em (2.2), caso este valor seja não-negativo.

2) Atualização dos preços no período t:

Para cada Companhia, os preços são revisados em duas circunstâncias: (i)
em um intervalo regular de revisão de preços (m), ou (ii) depois de h períodos, a
contar de t=0, em que a Companhia observa a diferença entre suas vendas
correntes e a curva esperada de vendas e faz uma revisão intermediária de preços.

Companhia i, 2 3 0, 1, ⋯ , % , no período de revisão de preços t:

Em ambas as circunstâncias, os seguintes passos são seguidos. Considere a

Se todas as passagens foram vendidas até t b^ t = 0 , então:

p^ ∗ t = 0
Se ainda houver passagens disponíveis em t, então:

0 . Para os outros períodos, são considerando os

a. Cada Companhia possui uma estimativa inicial de preços de mercado
de seus competidores, )
 44

− 1 . Caso alguma das companhias não tenha mais passagens

preços dos competidores publicamente divulgados no período imediatamente
anterior )

b. Dados 8 e 9
disponíveis, então seu preço é considerado um valor elevado M.
, a Companhia i simula um número s de vezes o
valor de ̂ . O valor final de ̂ é a media dos valores simulados;
c. Caso o período t esteja à frente do período h, então:
c.1. Se as vendas acumuladas forem : ; <;=> do que a curva de
vendas esperadas, então 8 =8 −1 × 1−? ;
c.2. Se as vendas acumuladas forem : c @@=>
do que a curva de
vendas esperadas, então 8 =8 −1 × 1+? ;
Com os valores revisados da elasticidade média, vá para o passo (a).
Caso seja feita a revisão intermediária da elasticidade, a Companhia i
espera u períodos até a próxima avaliação das vendas.
d. Utilizando a nova estimativa da elasticidade-preço da demanda, ̂ ,o
preço dos competidores no período anterior ) − 1 , a estimativa da
elasticidade cruzada com respeito ao preço dos competidores ( ̂ , ) ), o
montante de passagens em estoque 4 e o número de períodos restantes
∗
até a data da viagem (T-t), a Companhia calcula o preço ótimo em t, , por
meio de (2.3) e (2.4), de acordo com (2.5);
∗
e. Companhia i revela o novo preço ao mercado;
f. Volte ao passo (a) até que todas as passagens tenham sido vendidas
ou até que o número de períodos restantes para a data da viagem seja igual a
zero.
As simulações terminam quando chega o período final T.

2.3 RESULTADOS E DISCUSSÃO

Os resultados estão organizados conforme segue. Primeiramente é definido

um Cenário Base, cujos resultados são utilizados para validar o comportamento do
modelo contra os dados reais e como base de comparação para análise de
sensibilidade dos parâmetros do modelo. A seguir, são mostrados os resultados
para outras especificações dos parâmetros e suas análises.
 45

Para cada situação apresentada, foram conduzidas cem mil simulações2.

2.3.1 Cenário Base e Comparação aos Dados Reais

companhias (k=2, 2 = 1,2 ) e o início das vendas ocorre 360 períodos antes da data
O Cenário Base é definido da seguinte forma: mercado possui duas

da viagem ( = 360).
No processo de gestão de rendimentos, os preços das passagens são
revistos a cada 100 períodos (m = 100). Cada Companhia avalia a necessidade de
revisão intermediária de preços a partir do 150º período (h = 150), sendo u = 10
períodos, para os quais : ; <;=> = 2, : @A*=> = 0.5 e ? = 0,1.
As duas Companhias possuem a mesma capacidade disponível, com um
estoque de passagens igual a 100 cada (4 0 = 100). Os demais parâmetros iniciais
definidos para cada Companhia i são: ) 0 = $50, para (2, 2−∈ 1,2 , 2 ≠ 2− , e
λ∆=0.5. Caso uma das Companhias não tenha mais passagens disponíveis para
venda em um dado período de revisão de preços, seu preço é definido igual a

A elasticidade cruzada é definida igual a 1 ( ̂ , ) = 1) e permanece

$100,00 (M=$100).

constante ao longo do tempo.

A média e o desvio-padrão da elasticidade sofrem alterações no tempo de

mercado das Companhias: 8 0 = 2,0 e 9 0 = 0,2; 8 1 ≤ < 150 = 1,5 e

acordo com a programação previamente definida com base no conhecimento de

9 1 ≤ < 150 = 0,2; 8 150 ≤ < 300 = 1,0 e 9 150 ≤ < 300 = 0,2; 8 ≥
300 = 0,5 e 9 ≥ 300 = 0,1. Assume-se que a elasticidade da demanda estimada
pelas Companhias tenha distribuição Normal.
Pelo lado dos Consumidores, a elasticidade-preço da demanda é um valor
uniformemente distribuído no intervalo [0,5, 1,5] para < 250 e [0,01, 0,7] para t
≥ 250. Finalmente, o comportamento do Consumidor é completamente definido
pela propensão a comprar uma passagem de umas das companhias do mercado
aéreo, que, no Cenário Base, é dada por (F(k)=50%).

2
Em média, cada simulação leva 185,10 segundos.
 46

As médias de preços ao longo do tempo para o Cenário Base estão

mostradas no Gráfico 2.3. Os caminhos dos preços entre as Companhias são muito
similares devido às condições iniciais idênticas. Os preços iniciais são elevados
devido à penalização do modelo para vendas antecipadas.
Conforme a elasticidade da demanda estimada pelas Companhias se reduz,
os preços aumentam. Devido ao comportamento do Consumidor, as vendas
acumuladas continuam aumentando. No período final, as vendas totais alcançam
73% e 85% do total de passagens disponíveis para as Companhias 1 e 2,
respectivamente.

Gráfico 2.3 – Cenário base: (a) Evolução dos preços e (b) vendas acumuladas

$25,0

$20,0

$15,0
Preço

$10,0

$5,0

$0,0
1
20
39
58
77
96
115
134
153
172
191
210
229
248
267
286
305
324
343

Companhia 1 Companhia 2

(a) (b)
Fonte: próprio autor

É possível notar que a tendência de preços ao longo do tempo é bem

representada no modelo conforme a data da viagem se aproxima, conforme dados e
discussão associados à Figura 2.1.
O excedente do consumidor no Cenário Base é igual a $ 6.009,53. Os demais
resultados das simulações neste cenário estão na próxima tabela:

Tabela 2.1 – Resultados Médios das Simulações no Cenário Base

Companhia Companhia Média de
1 2 Mercado
Preço ($) 15,67 15,78 15,72
Receita ($) 1.050,53 1.401,56 1.226,04
Vendas
Acumuladas 73,13 85,25 79,19
(unidades)
Fonte: próprio autor
 47

2.3.2 Análises de Sensibilidade

As análises de sensibilidade foram conduzidas para investigar o

comportamento do modelo descrito ao longo deste capítulo. Dois fatores foram
considerados: períodos de revisão de preços e as elasticidades.
A análise dos períodos de revisão de preços (incluindo as revisões
intermediárias) tem como objetivo verificar a adequação da frequência de mudanças
nos preços. Para estudar como os preços se comportam quanto às alterações na
mudança dos preços dos competidores e no comportamento da elasticidade dos
consumidores, alterações na elasticidade-cruzada, na média da elasticidade prevista
pelas empresas e na elasticidade dos consumidores que vem ao mercado foram
avaliadas.
Os resultados dos testes de sensibilidade foram comparados àqueles obtidos
no Cenário Base. Os efeitos sobre a média de preços, receitas, vendas acumuladas
e excedente do consumidor foram avaliados e estão apresentados a seguir.

a. Período de Revisão de Preços (Parâmetro m)

Dois períodos de revisão de preços diferentes foram considerados: intervalos
de 50 períodos (m=50) e intervalos de 150 períodos (m=150) para que as
Companhias revisassem seus preços. A política de preços fixos também foi avaliada.
Com os intervalos de revisão de preços menores do que no Cenário Base, ou
seja, m = 50, observa-se que a média de preços é menor do que no Cenário Base
até o 300º período, quando os preços sobem rapidamente, tanto pelo efeito de
redução da elasticidade esperada pelas empresas, quanto pelo menor número de
passagens em estoque considerada pelo modelo. Como resultado, as vendas
acumuladas são praticamente as mesmas do Cenário Base, mas as receitas totais
são consideravelmente menores pelas vendas a preços mais baixos.
Quando a revisão de preços ocorre a cada 150 períodos – em intervalos
maiores do que no Cenário Base – os preços iniciais elevados demoram muito a
serem revistos, levando à redução das vendas nos períodos iniciais e também do
excedente do consumidor. Mesmo com as revisões intermediárias de preços, ambas
as companhias vendem menos passagens até o 300º período. Com maior estoque
de passagens nos períodos finais, os preços não sobem tanto quanto no Cenário
 48

Base, de forma que as vendas aumentam momentos antes da data da viagem, mas
a receita total diminui em quase 39%.
Os resultados estão na Tabela 2.2:

Tabela 2.2 – Análise de Sensibilidade do Intervalo de Revisão de Preços (m)

m = 50 m = 150
Var. Var.
Média Média
Cia. 1 Cia. 2 Cen. Cia. 1 Cia. 2 Cen.
Merc. Merc.
Base Base
Preço ($) 13,23 13,24 13,23 -15,8 % 15,20 13,17 14,19 -9,8 %
Receita ($) 1.067,07 1.061,83 1.061,45 -13,4 % 984,93 519,39 752,16 -38,7 %
Vendas Acum.
78,50 78,86 78,68 -0,6 % 80,92 77,04 78,98 -0,3%
(unidades)

Excedente
5.489,02 -8,7 % 3.042,39 -49,4 %
Consumidor ($)
c

Para aplicar a política de preços fixos (m>360), o preço de venda das duas
empresas foi definido como a média dos preços observados no Cenário Base. Os
resultados mostraram que sob preços fixos ao longo do tempo, claramente a
companhia com menor preço lidera o mercado, visto que os produtos são idênticos.
Por sua vez, observa-se uma redução no excedente do consumidor quando não há
discriminação de preços, visto que apenas consumidores dispostos a pagar acima
do preço fixo são atendidos.
Os resultados para a política de preços fixos estão na tabela a seguir:

Tabela 2.3 – Análise de Sensibilidade para Política de Preços Fixos (m > 360)
m > 360
Var.
Média
Cia. 1 Cia. 2 Cen.
Merc.
Base
Preço ($) 15,67 15,78 15,73 0,0 %
Receita ($) 1.567,00 899,78 1.233,39 0,6 %
Vendas Acum.
100,00 57,02 78,51 -0,9 %
(unidades)

Excedente
5.785,86 -3,7 %
Consumidor ($)
Fonte: próprio autor
 49

b. Intervalos de Revisões Intermediárias de Preços (Parâmetro h)

O início das revisões intermediárias de preços significa o momento a partir do
qual as Companhias podem se adaptar de forma mais rápida às condições da
demanda, ao invés de esperar a próxima revisão de preços. É, portanto, o momento
a partir do qual as Companhias passam a aprender e a responder ao
comportamento dos consumidores.
As análises de alteração deste parâmetro foram feitas considerando h = 100 e
h = 200. No Cenário Base, h = 150.
Quando as revisões intermediárias de preços passaram a ser feitas no 100º
período, as vendas acumuladas estavam ainda abaixo da curva esperada de
vendas, de forma que os preços foram consistentemente revistos para baixo, mesmo
com o intervalo mínimo de 10 períodos entre uma revisão e outra. Nessas
condições, os preços médios caíram pouco mais de 30%, levando à redução da
receita total, uma vez que as vendas continuaram praticamente no mesmo patamar
do Cenário Base.
É interessante notar que queda nos preços não significa aumento do
excedente do consumidor. Conforme argumentado anteriormente, o custo de vender
uma passagem a um consumidor é a não-venda para outro que potencialmente
poderia pagar uma preço mais elevado. Assim, com a redução dos preços, as
passagens foram vendidas a consumidores com menor disposição a pagar,
reduzindo, portanto, o excedente do consumidor comparativamente à simulação
inicial.
Com o início mais tardio das revisões intermediárias de preços, os resultados
levaram a preços médios pouco superiores àqueles observados no Cenário Base,
causando um incremento similar na receita total, visto que as vendas acumuladas
ficaram praticamente estáveis.
Todos os resultados da análise de sensibilidade das revisões intermediárias
de preços estão na próxima tabela:
 50

Tabela 2.4 – Análise de Sensibilidade do Intervalo de Revisão de Preços (m)

h = 100 h = 200
Var. Var.
Média Média
Cia. 1 Cia. 2 Cen. Cia. 1 Cia. 2 Cen.
Merc. Merc.
Base Base
Preço ($) 11,22 10,59 10,90 -30,6 % 16,71 16,53 16,62 5,7 %
Receita ($) 677,87 716,60 697,24 -43,1 % 1.139,52 1.144,71 1.293,61 5,5 %
Vendas Acum.
79,12 78,80 78,96 -0,3 % 71,33 87,21 79,27 -0,1%
(unidades)

Excedente
3.137,32 -47,8 % 5.645,59 -6,1 %
Consumidor ($)
Fonte: próprio autor

c. Elasticidade Cruzada
Para testar mudanças na elasticidade cruzada, considerou-se que há um
aumento da influência dos preços entre as companhias concorrentes a partir do 300º
período. O aumento da elasticidade cruzada nos últimos 60 períodos próximos à
data da viagem é razoável na medida em que o custo da capacidade ociosa é muito
elevado. É, portanto, esperado que nos últimos períodos os preços dos
competidores possuam um maior efeito sobre as vendas.
Quanto maior a elasticidade cruzada entre as Companhias, maior a
competição entre elas. O efeito sobre os preços depende, porém, do nível de
estoques de passagens entre os concorrentes e do comportamento dos
consumidores. Nos testes aplicados ao modelo, a elasticidade cruzada aumentou
nos 60 períodos que antecedem a data da viagem, de forma que, com a redução da
elasticidade dos Consumidores e com as vendas dentro das expectativas, o
aumento de preços foi maior entre as Companhias do mercado.
Como o mercado possui apenas dois competidores, o aumento de preços da
Companhia com menor número de passagens em estoques levou seu competidor a
aumentar os preços também, mas em menor proporção. Como resultado, observa-
se que o preço médio de mercado ficou pouco acima dos preços do Cenário Base,
com uma pequena queda nas vendas e aumento no excedente do consumidor. Este
último está intrinsecamente relacionado à baixa queda nas vendas, ou seja, os
Consumidores com menor elasticidade continuavam dispostos a pagar os maiores
preços. Esse e os demais resultados estão na tabela a seguir:
 51

Tabela 2.5 – Análise de Sensibilidade da Mudança da Elasticidade Cruzada ( ̂ , ) )

̂,) = 1,5, se t > 300 ̂,) = 2,0, se t > 300
Var. Var.
Média Média
Cia. 1 Cia. 2 Cen. Cia. 1 Cia. 2 Cen.
Merc. Merc.
Base Base
Preço ($) 16,35 16,41 16,38 4,2 % 15,90 15,97 15,94 1,4 %
Receita ($) 1.364,26 1.241,96 1.303,11 6,3 % 1.162,89 1.329,14 1.246,01 1,6 %
Vendas Acum.
80,91 76,59 78,75 -0,6 % 75,10 82,00 78,55 -0,8%
(unidades)

Excedente
6.546,18 8,9 % 6.507,29 8,3 %
Consumidor ($)
Fonte: próprio autor

d. Média da Elasticidade Esperada

A análise de sensibilidade da média da elasticidade esperada pelas
Companhias busca compreender o que ocorre no modelo quando as Companhias
não conhecem – ou conhecem pouco – o comportamento dos consumidores.
Duas situações foram avaliadas. Na primeira, as Companhias estimam que a
média da elasticidade antes do 150º período é baixa, enquanto que após o 300º
período a elasticidade média esperada é maior do que nos períodos anteriores, uma
situação oposta ao Cenário Base e ao que efetivamente ocorre no mercado de
passagens aéreas. Na segunda situação, considerou-se que as Companhias são
cegas ao comportamento do consumidor, mantendo a elasticidade unitária em todo
o período de vendas.

8 1 < < 150 = 1.0; 8 150 ≤ < 300 = 1.0; and 8 ≥ 300 = 1.5. Devidos aos
De forma mais específica, o primeiro reste de sensibilidade foi feito com:

preços maiores inicialmente, as vendas totais são menores do que no Cenário Base,
assim como o excedente do consumidor.
Já no caso da elasticidade constante em todo o período, os preços iniciais
são mais elevados, mas os preços finais são mais baixos do que no Cenário Base.
Como resultado, as vendas são menores nos primeiros períodos. Os preços médios
são mais altos, assim como a receita total. Além disso, como os Consumidores com
maior disposição a pagar chegam ao mercado nos períodos finais, o excedente do
consumidor aumenta, visto que é depois do 300º período que os preços estão
menores do que na simulação utilizada como comparação.
 52

Tabela 2.6 – Análise de Sensibilidade da Elasticidade Média Esperada pelas

Companhias (8 )
8 8
8 = 1,5, se t ≥ 300
= 1,0, se t < 300 = 1,0, para todo t

Var. Var.
Média Média
Cia. 1 Cia. 2 Cen. Cia. 1 Cia. 2 Cen.
Merc. Merc.
Base Base
Preço ($) 18,86 18,80 16,38 19,8 % 20,03 20,30 20,16 28,2 %
Receita ($) 1.311,28 1.268,96 1.303,11 5,2 % 1.502,48 1.497,69 1.500,09 22,4 %
Vendas Acum.
78,60 78,12 78,75 -1,0 % 79,10 78,08 78,59 -0,8%
(unidades)

Excedente
5.330,68 -11,3 % 7.064,83 17,6 %
Consumidor ($)
Fonte: próprio autor

Os desvios-padrão das elasticidades médias foram mantidos constantes em

relação ao Cenário Base, assim como o pressuposto de que a elasticidade da
demanda segue uma distribuição Normal. Embora tais pressupostos também
tenham sido testados, não houve efeito relevante sobre os resultados.
Quando as Companhias possuem diferentes expectativas acerca da
elasticidade média da demanda, então a Companhia com maior elasticidade
mantém os preços mais baixos. Essa situação pode representar o cenário
enfrentado por novas companhias que entram no mercado de passagens aéreas e

Assuma que: 8N 1 < < 150 = 1,2, 8N 150 ≤ < 300 = 0,8 e 8N ≥ 300 =
são desconhecidas pelos consumidores.

0,4; ao mesmo tempo: 8n 1 < < 150 = 1,7, 8n 150 ≤ < 300 = 1,3 e 8n ≥
300 = 0,7.
Nesse caso, a média da elasticidade esperada pela Companhia é menor do
que a Companhia 1. Como resultado, o preço médio da Companhia 2 é menor e
suas vendas consideravelmente maiores do que a Companhia 1. Como nos últimos
períodos todas as passagens da Companhia 2 já foram vendidos, Companhia 1
aumenta seus preços rapidamente, como mostrado nos gráficos a seguir.
 53

Gráfico 2.4 – Companhias com Diferentes Expectativas para a Elasticidade Média:

(a) Evolução dos Preços ao Longo do Tempo e (b) Vendas Acumuladas

$90,0
$80,0
$70,0
$60,0
Preços

$50,0
$40,0
$30,0
$20,0
$10,0
$0,0
1
20
39
58
77
96
115
134
153
172
191
210
229
248
267
286
305
324
343
Companhia 1 Companhia 2

(a) (b)
Fonte: próprio autor

e. Elasticidade dos Consumidores

Os consumidores podem mudar seu comportamento ao longo do tempo, fato
refletido pela elasticidade-preço da demanda.

definida dentro do intervalo B0,01, 0,7C em todos os períodos, então nas revisões
Por exemplo, se a elasticidade-preço dos consumidores for randomicamente

intermediárias de preços as Companhias irão perceber que a demanda está

bastante acima da curva de vendas esperadas e vão aumentando os preços
consecutivamente até que um novo preço de equilíbrio de mercado seja atingido.

intervalo uniforme B0.5, 1.5C em todos os períodos, as Companhias serão forçadas a

Por outro lado, caso a elasticidade-preço da demanda fique dentro do

reduzir os preços para acomodar as vendas à maior elasticidade do mercado

consumidor. Como a disposição a pagar é baixa, o excedente do consumidor se
reduz em quase 97% em comparação ao Cenário Base.
Os resultados das análises de sensibilidade da elasticidade-preço da
demanda estão na próxima tabela:
 54

Tabela 2.7 – Análise de Sensibilidade da Elasticidade-Preço da Demanda ( )

= B0,5, 1,5C, para todo t = B0,01, 0,7C, para todo t
Var. Var.
Média Média
Cia. 1 Cia. 2 Cen. Cia. 1 Cia. 2 Cen.
Merc. Merc.
Base Base
Preço ($) 17,48 17,37 17,42 10,8 % 20,29 20,75 20,52 30,5 %
Receita ($) 504,72 571,34 538,03 -56,1 % 2.330,58 2.454,21 2.392,39 95,1 %
Vendas Acum.
34,22 34,72 34,47 -56,5 % 100,00 100,00 100,00 26,3 %
(unidades)

Excedente
191,30 -96,8 % 7.064,83 8,3 %
Consumidor ($)
Fonte: próprio autor

Também foram aplicados testes de sensibilidade sobre o parâmetro λ e sobre

as distribuições utilizadas ao longo do modelo, mas os resultados não mostraram
diferenças significantes.
Foram consideradas ainda situações em que as Companhias tinham estoques
iniciais diferentes de passagens. Nas simulações em que cada Companhia tem
capacidade de 80 lugares, o preço médio foi maior em todos os períodos,
especialmente nos momentos antes da data da viagem. Por outro lado, quando as
Companhias tinham 120 lugares de capacidade, dada da mesma demanda, os
preços foram menores do que no Cenário Base.
Quando o modelo foi testado com três Companhias atuantes no mercado, os
preços observados foram menores, mesmo quando a soma do total de passagens
disponíveis no mercado foi igual a 200, como no Cenário Base. Esse resultado deve-
se ao aumento da competição, que reduz a propensão a comprar de uma
companhia, mesmo com a demanda mantida constante.

2.4 CONCLUSÃO

O presente capítulo teve como finalidade a proposição do ABM aplicado à

discriminação de preços no mercado de passagens aéreas por meio de um modelo
de otimização dinâmica com incerteza, em que as companhias aéreas observam o
comportamento dos consumidores e tentam se adaptar às condições de mercado ao
longo do tempo.
Além da modelagem empregada, o modelo trouxe como fator inovador o
processo de adaptação das companhias ao mercado consumidor pela estimativa da
 55

elasticidade esperada dos consumidores ao longo do tempo. Enquanto o objetivo

primeiro do modelo foi replicar o comportamento dos preços observados das
passagens, observou-se que as tendências de preços resultantes do modelo foram
acompanharam os padrões reais de preços coletados não apenas neste estudo,
mas também em outras pesquisas.
Os resultados indicam que as companhias se beneficiam da redução da
elasticidade-preço da demanda em períodos próximos à partida do voo. Tal
constatação é decorrente do comportamento de consumidores que se dispõem a
pagar um preço maior em troca de maior certeza quanto à possibilidade de viajar,
quanto de consumidores que utilizam passagens aéreas com objetivos diferentes do
lazer, como viagens a negócios. Portanto, a forma da gestão de rendimentos
empregada pela indústria aérea é resultado do comportamento esperado do
consumidor.
Ao mesmo tempo, os testes de sensibilidade indicaram que a revisão de
preços deve ser feita de forma planejada e estratégica. De acordo com os
resultados, revisões muito constantes dos preços podem levar à reduções
consecutivas dos preços, reduzindo as receitas pelo menor preço médio. Por sua
vez, poucas revisões de preços ou nenhuma, como no caso da política de preços
fixos, também prejudicam as vendas, uma vez que menos consumidores terão
acesso ao mercado.
No caso da política de preços fixos, o modelo apontou também que é
vantajosa apenas para a companhia que puder manter o menor preço.
Por fim, pelo lado da oferta, as análises de sensibilidade indicaram que o
conhecimento do comportamento do mercado consumidor e a capacidade para se
adaptar à mudanças de mercado são fundamentais para que a gestão de
rendimentos seja bem sucedida. O custo da capacidade ociosa e o custo de
oportunidade de não vender a passagem a consumidores com maior disposição a
pagar foram fatores determinantes no processo de gestão dos rendimentos do
modelo.
A discriminação de preços mostrou-se benéfica para a demanda também,
visto que consumidores com menor disposição a pagar também passaram a ter
acesso ao mercado de passagens. Entretanto, os resultados indicam que esse
resultado é obtido quando as companhias conhecem o comportamento esperado do
consumidor.
 56

A vantagem para os consumidores depende, sobretudo, do momento da

compra e requer que o consumidor esteja atento às diferenças de preços ao longo
do tempo.
Desenvolvimentos do modelo podem ser feitos pela incorporação dos custos
das viagens, diferenciação entre os serviços ofertados para diferentes classes de
passagens e a consideração de limitações que as companhias aéreas impõem para
as passagens. Também, pode-se considerar outras formas de adaptação das
companhias às condições de demanda, de forma que a oferta responda ativamente
ao mercado consumidor, e não reativamente, como considerado aqui.
 57

3 EXPECTATIVAS E INCERTEZA NA DECISÃO DE PRODUÇÃO DE ETANOL

O Brasil possui vantagens competitivas para a produção de etanol

proveniente da cana-de-açúcar, tanto no que diz respeito a aspectos naturais,
quanto tecnológicos. O sucesso do etanol brasileiro é fruto dos incentivos estatais
recebidos durante os anos do Pró-Alcool e dos investimentos em infra-estrutura e
em novas tecnologias, dentre as quais destacam-se os carros bi-combustíveis, ou
flex-fuel (HIRA; OLIVEIRA, 2009).
Leite et al. (2009) mostraram que, com a tecnologia atualmente empregada
para a produção de etanol, menos de 7% das terras aráveis do Brasil seriam
necessárias para que o país fornecesse etanol para suprir 5% do consumo mundial
até 2025. Com a entrada em produção de novas tecnologias relacionadas à hidrólise
do bagaço (etanol de segunda geração), esse percentual ainda poderia ser reduzido
entre 29% a 38%.
Cabe destacar também que o etanol brasileiro tem o menor custo de
produção dentre seus concorrentes em outros países (DU; CARRIQUIRY, 2013;
BASTOS, 2012). Todavia, tal vantagem no cenário internacional depende da taxa de
câmbio e do preço da cana-de-açúcar (CRAGO et al., 2010).
O rendimento do etanol da cana-de-açúcar é de 1.876 galões por hectare,
enquanto sua razão de eficiência energética média é de 9,3. Como base de
comparação, o etanol dos Estados Unidos proveniente do milho, maior concorrente
mundial do etanol brasileiro, tem um rendimento de 845 galões por hectare e sua
razão de eficiência energética média é de 2,3.
As vantagens competitivas do etanol brasileiro não são suficientes, entretanto,
para garantir a lucratividade e crescimento do setor. Desde 2009, as margens
financeiras das usinas vêm se reduzindo e o setor sucroalcooleiro está passando por
uma grave crise financeira. No ano de 2012, as usinas estavam extremamente
alavancadas: a taxa média de dívida sobre patrimônio líquido foi de 158%, enquanto
a margem de lucro média foi de R$ 40 milhões, ou 3% de retorno sobre o capital, de
acordo com o levantamento do Valor Econômico (2013).
O aumento dos custos de financiamento e a restrição ao crédito reduziram
sobremaneira os investimentos em renovação e tratos dos canaviais, prejudicando a
produtividade agrícola (MILANEZ et al., 2011).
 58

Parte dos problemas financeiros do setor é proveniente tanto de políticas

públicas, que nos últimos anos beneficiaram o consumo de gasolina, quanto da
redução dos retornos do açúcar no mercado internacional.
No que diz respeito às políticas públicas, houve, a partir do início da
exploração do Pré-Sal em 2006, uma alteração no posicionamento do governo
brasileiro perante os incentivos ao etanol (FREITAS; KANEKO, 2011). A principal
crítica do setor sucroalcooleiro é que não está definido o real papel do etanol dentro
da matriz energética brasileira (MARJOTTA-MAISTRO, 2002).
Dentro desse contexto, o objetivo do presente capítulo é apresentar um
modelo de decisão do plano de produção das usinas, que incorpore os efeitos das
expectativas e as incertezas do mercado. Inicialmente é feito o planejamento da
produção para toda a safra, o qual é revisto ao longo do tempo para se adequar às
condições de mercado.
Além da modelagem matemática empregada, o aspecto inovador do modelo
apresentado neste capítulo é a consideração das restrições reais enfrentadas pelas
usinas no planejamento da produção. Foram incorporadas ao modelo tanto
restrições de mudança do direcionamento da cana-de-açúcar ao longo do tempo
entre etanol e açúcar, quanto as principais variáveis de decisão das usinas dentro do
seu processo de decisão efetivo.
Para tal, a simulação feita por modelos baseados em agentes mostrou-se
adequada às necessidades de flexibilidade do modelo. A possibilidade conciliar
diferentes funções e variáveis para tomada de decisão que esta modelagem oferece
permitiu que incertezas e expectativas fossem conjugadas às restrições de alteração
da produção em um modelo multiperíodo com revisão da produção no curto prazo
para se adequar a movimentos de mercado.
Pretende-se, nesse ambiente simulado, verificar o efeito de alterações nos
retornos esperados e na incerteza do ambiente de negociação sobre as decisões
ótimas de produção. A incerteza neste trabalho não se restringe às oscilações de
preços, mas engloba também o risco de mudanças de políticas públicas.
As próximas seções estão organizadas conforme segue. Inicialmente são
apresentados alguns resultados de pesquisas que discutem o efeito da incerteza no
processo produtivo e que incorporaram o efeito da incerteza na definição da
produção. Na seção 3.2 é apresentado o modelo de tomada de decisão, seguido
 59

pela seção de resultados. Por fim, na seção 3.4 estão as conclusões e implicações
do modelo apresentado, bem como suas limitações e futuros desenvolvimentos.

3.1 LITERATURA RELACIONADA E CONTRIBUIÇÃO DA PESQUISA

Um elemento central no processo de tomada de decisão sobre o percentual

da cana-de-açúcar direcionado à produção de etanol anidro, etanol hidratado ou
açúcar é a expectativa sobre os preços futuros de cada um de seus subprodutos e
os respectivos riscos associados à produção. Além disso, como a gasolina faz parte
dos produtos com preços controlados pelo governo, há ainda os riscos institucionais
e regulatórios gerados pela estreita relação entre os combustíveis.
Embora o setor sucroalcooleiro não seja regulamentado pelo governo, a
produção e o preço da gasolina o são. Há dois tipos de etanol e sua relação com a
gasolina ocorre de maneira inversa no que diz respeito ao consumo e preço. O
etanol hidratado é utilizado para abastecimento direto dos automóveis e, portanto, é
substituo da gasolina para carros flex-fuel. Já o etanol anidro é um produto
complementar da gasolina, visto que é misturado a este combustível em um
percentual mandatório, definido pelo governo, que varia entre 18% e 25%3. De
Gorter et al. (2013) apontam que aumentos no percentual mandatório de mistura de
etanol anidro na gasolina, nos preços da gasolina ou na isenção de impostos do
etanol hidratado aumentam os preços do etanol e do açúcar.
A vantagem ambiental do etanol hidratado perante a gasolina é substancial: a
redução de emissão de gases do efeito estufa é de 92% por quilômetro rodado
quando um litro de gasolina é substituído por um litro de etanol de cana-de-açúcar
(LA ROVERE et al., 2011). Entretanto, o etanol hidratado possui 70% da eficiência
energética da gasolina, o que limita seus preços em relação aos preços da gasolina
na mesma proporção.
Enquanto a demanda por gasolina é inelástica, a demanda por etanol é
elástica (SANTOS, 2013; PACINI; SILVEIRA, 2011). Com crescimento das vendas
de carros flex-fuel, aumentou o grau de substituição entre a gasolina e o etanol
hidratado, assim como a sensibilidade dos consumidores a mudanças nos preços
dos combustíveis (IOOTY et al., 2009). O consumidor passou a tomar sua decisão

3
O etanol anidro é mistura à gasolina A, formando a gasolina C, comercializada nos postos de combustíveis.
 60

de consumo em espaços menores de tempo na escolha entre os combustíveis,

levando à uma forte reversão à média dos preços relativos entre etanol e gasolina
para a razão de 70% (DU; CARRIQUIRY, 2013; FREITAS; KANEKO, 2011).
O preço doméstico da gasolina A, definido pelo governo brasileiro via
Petrobrás, não reflete as condições internas de oferta e demanda do combustível,
muito menos os preços internacionais do petróleo (DU; CARRIQUIRY, 2013;
MILANEZ et al., 2011). Soma-se a isso a redução do benefício fiscal do preço do
etanol hidratado perante a gasolina ocorrido em junho de 2012, quando o percentual
da CIDE4 sobre a gasolina foi alterado para 0% como forma de evitar o repasse do
reajuste de preço da gasolina A aos consumidores finais.
Como resultado das políticas públicas direcionadas aos combustíveis, entre
julho de 2009 e julho de 2013, o consumo de gasolina cresceu quase 63%, enquanto
o consumo de etanol hidratado foi reduzido em 39%, como mostram dados da
Agência Nacional do Petróleo (ANP).
Resultados apontam que os preços do açúcar e da gasolina influenciam o
preço do etanol, embora o contrário não tenha se mostrado válido (COSTA, 2001;
ALVES, 2002; ALVES; BUENO, 2003; FERREIRA et al., 2009). Diehl (2012) obteve
resultados que indicam que os principais determinantes da venda do etanol
hidratado no varejo são a renda, o preço do etanol hidratado no varejo e o preço do
etanol anidro ao produtor.
Desde janeiro de 2005, a volatilidade dos retornos do etanol esteve acima da
volatilidade dos retornos do açúcar VHP5. Entre agosto de 2012 e agosto de 2013, a
volatilidade média dos retornos mensais do açúcar foi de 3,7%, enquanto que para o
etanol anidro foi de 4,2% e para o etanol hidratado o valor foi de 4,7%, segundo
dados de preços da ANP.
As incertezas são determinantes importantes para os investimentos e,
consequentemente, para a produtividade. Incertezas sobre os preços futuros,
custos, impostos e política regulatória determinam diretamente os fluxos de caixa
esperados dos investimentos, e, portanto, a decisão de investir (PINDYCK, 1990).
A maioria dos gastos com investimentos tem duas características importantes:
a irreversibilidade e a possibilidade de serem adiados. A incerteza aumenta o valor

4
CIDE: Contribuição de Intervenção no Domínio Econômico.
5
Volatilidade retornos mensais, calculada pelo desvio-padrão amostral para uma janela de 12 meses.
 61

da espera por novas informações e reduz o montante efetivo que a empresa

compromete quando decide investir (BERNANKE, 1980).
A oferta esperada é uma função crescente do preço (esperado) apenas para
baixos níveis de aversão a risco e, em geral, essa relação é ambígua (DALAL;
ALGHALITH, 2009). A redução de investimentos é maior para empresas que
possuem maior nível aversão ao risco, para as quais volatilidades temporárias nos
preços levam a períodos prolongados de prorrogação dos investimentos reduzindo
substancialmente o nível de produto industrial (LEE at al., 2011; AHMED et al., 2012;
AYE et al., 2014).
A elevada incerteza associada ao setor sucroalcooleiro tem levado à redução
dos investimentos do setor em geral e, especialmente, a quedas consecutivas na
produção de etanol. Soma-se, ainda, a maior certeza associada ao mercado de
açúcar, privilegiando este produto em detrimento do etanol.
A maior estabilidade dos ganhos com o açúcar advém tanto dos contratos de
fornecimento deste produto – que definem sua produção para toda a safra –, quanto
da existência de mercados futuros sólidos, com elevada liquidez internacional. Na
última década, dados da UNICA (União da Indústria de Cana-de-Açúcar) apontam
que em torno de 47% da cana-de-açúcar colhida foi direcionada ao açúcar.
Já os percentuais de etanol anidro e hidratado estão fortemente embasados
no mercado à vista, altamente volátil. A produção de etanol é, portanto, marginal à
produção de açúcar. Entretanto, conforme mencionou Marjotta-Maistro (2002), o uso
de quantidades fixas para o etanol está evoluindo, assim como o uso de indicadores
de preços, especialmente após a Resolução ANP nº67/11, publicada em 13/12/2011,
que estabelece critérios para a aquisição e formação de estoques deste produto.
A existência de mercados derivativos auxilia as empresas a se proteger das
incertezas, de forma que, nessa situação, as decisões de produção são
independentes tanto do nível de aversão ao risco do produtor, quanto das
expectativas de preços, sendo separáveis do problema de decisão da produção
(DANTHINE, 1978; HOLTHAUSEN Jr., 1980; HONDA, 1983).
Porém, a completa separação entre a decisão de produção e a escolha de
contratos futuros se aplica apenas a indústrias em que as empresas possuem
apenas incertezas nos preços e podem participar de forma simultânea das
negociações dos contratos derivativos e nos mercados à vista (ISHII, 1984).
 62

Este é o caso do mercado de açúcar, mas está longe de ser a realidade do

mercado de etanol. A Bolsa de Valores, Mercadorias e Futuros (BM&FBovespa) vem
empenhando esforços para que os contratos de etanol hidratado ganhem liquidez e
relevância no mercado financeiro brasileiro, mas a falta de conhecimento dos
contratos e a concentração do mercado em poucas distribuidoras dificulta o
crescimento do volume negociado (QUINTINO; DAVID, 2013).
As empresas também podem suavizar ou neutralizar as incertezas por meio
de políticas adequadas de produção e vendas. Em cada período, uma empresa
pode definir a alocação da quantidade disponível de produtos entre vendas
imediatas ou estoques, além do plano de produção, que determina a quantidade
esperada de produtos no período seguinte.
Além da política de estocagem ser míope, visto que em períodos de excesso
de oferta a empresa tende a reduzir a produção e aumentar os estoques (AMIHUD;
MENDELSON, 1983), esta alternativa é altamente custosa para o etanol. É
importante mencionar também que a manutenção de estoques requer que a usina
tenha boa disponibilidade de capital de giro – como destacado por Marques e
Paulillo (2013) – e envolve a troca de retornos correntes conhecidos por retornos
futuros incertos, ou seja, maior incerteza.
Dessa forma, é de suma importância que os modelos de planejamento da
produção direcionados para as usinas incorporem os efeitos da incerteza. Dentre os
modelos que utilizaram métodos de simulação para estudar a produção ótima de
etanol, cabe destacar os trabalhos de Awudu e Zhang (2012, 2013) e de Paiva e
Morabito (2013). Ambos dedicaram-se a formular modelos de otimização para a
cadeia de suprimentos do etanol em ambientes de incerteza: o primeiro nos Estados
Unidos e o último para o etanol brasileiro.
Em Paiva e Morabito (2013), foram discutidas técnicas de otimização robusta
para tratar as incertezas dos parâmetros do processo hierárquico decisório entre a
definição do plano estratégico da cooperativa e das usinas cooperadas.
Já no presente trabalho, utiliza-se um modelo de simulação que conjuga o
planejamento inicial da produção de longo prazo das usinas, com a revisão da
produção ao longo do tempo, conforme as condições de mercado se alteram e
novas informações são disponibilizadas aos agentes. Assim, o modelo incorpora o
aprendizado e adaptabilidade dos agentes na definição da produção.
 63

O planejamento de longo prazo – ou estratégico – é feito por meio de

otimização estocástica multiperíodo em tempo contínuo, baseado em controle ótimo,
e a revisão da produção ao longo do tempo é proveniente da revisão dos resultados
do primeiro modelo por meio de um modelo de otimização uniperíodo, cujo objetivo é
adequar o planejamento inicial aos movimentos de preços e incertezas no curto
prazo. Sendo assim, o modelo de revisão de curto prazo pode ser interpretado como
a definição tática da estratégia de produção definida no início da safra.
O resultado do modelo é a alocação ótima da cana-de-açúcar entre seus i
subprodutos, p
, 2 = 0,1, … , % , ao longo do tempo, para = 0,1, … , , em que
t=0 representa o início da safra e t=T é o período de término da safra. O
planejamento ótimo definido pelo modelo depende dos retornos esperados para os
próximos (T-t) períodos para cada subproduto i, 4U = 4rN ts
,…,4 , 4U ∈ℝ ,e
u

da matriz de variância e covariância dos produtos, w . O planejamento inicial da

produção é revisto ao longo do tempo, de acordo com novos dados de preços e
volatilidade.

3.2 ASPECTOS PRÁTICOS DO MERCADO SUCROALCOLEEIRO

Para formular o modelo de forma a incorporar características reais do

processo de planejamento das usinas foram consultados alguns produtores e
entidades do setor6. Os principais aspectos envolvidos no processo produtivo estão
comentados a seguir.
Os agentes centrais na definição da produção do setor sucroalcooleiro são: (i)
as usinas, que definem a produção a cada início de safra e revisam os planos de
produção ao longo do tempo; (ii) o governo, que define as políticas públicas e
regulamenta o mercado de combustíveis, inclusive com a definição dos preços da
gasolina; e (iii) as entidades representativas, como a UNICA, responsáveis pela
centralização de informações de produção, demanda, dentre outras, e divulgação
das estatísticas aos produtores.
O percentual de estoques é baixo, principalmente de etanol. A produção de
açúcar é feita sob contratos, com pequeno percentual negociado no mercado à vista.

6
Agradecimentos especiais à Usina Alta Mogiana, à ÚNICA e à SCA – Etanol do Brasil.
 64

O etanol hidratado é negociado diretamente com as distribuidoras e, por ser

quase totalmente negociado no mercado à vista, permite que as usinas levantem
caixa mais rapidamente quando comparado ao etanol anidro ou ao açúcar.
Nos contratos utilizados tanto para o açúcar, quanto para o etanol, embora as
quantidades e as datas de entrega estejam definidas, o preço dos produtos não é
fixado. Nos contratos consta apenas o indicador-base para definição do preço dos
produtos no momento da entrega. Essa maneira de definir os contratos pode, por um
lado, beneficiar o produtor por permitir melhor planejamento da produção, mas não
reduz a incerteza associada aos preços.
O preço do etanol anidro depende fortemente das condições de oferta e
demanda, assim como o preço do açúcar, embora neste caso a gestão de preços
seja feita por meio de derivativos. O preço do etanol hidratado tem com base a razão
de 70% do preço da gasolina, todavia este percentual atua mais como um balizador
dos preços do etanol hidratado, mas não é um limitante.
Os produtores (usinas) são tomadores de preços, tanto para o etanol, quanto
para o açúcar. A concentração do mercado consumidor nas distribuidoras faz com
que as usinas tenham pouco poder de barganha sobre as condições de mercado.
Esta situação tem mudado com os grupos de comercialização, embora as usinas
ainda tenham pouca ou nenhuma influência sobre preços de mercado. Por sua vez,
os preços do açúcar são definidos no mercado internacional.
Independentemente dos padrões de preços, a cana-de-açúcar não é
totalmente direcionada apenas para açúcar ou etanol. As usinas que tem
capacidade de produzir ambos os produtos (chamadas de usinas mistas) sempre o
fazem simultaneamente para melhor aproveitamento do teor de açúcar da matéria-
prima. Atualmente, 63,5% das usinas brasileiras é do tipo misto, segundo
levantamento da CONAB (Companhia Nacional de Abastecimento) feito em 2013.
O planejamento da produção de toda a safra é feito no mês de início da
colheita, que geralmente ocorre em abril. Para definir o direcionamento da cana-de-
açúcar, as usinas utilizam os dados de preços estimados por produto ao longo da
safra e a estimativa média de produção divulgados pelas entidades representativas
dos produtores.
As usinas, então, incorporam suas perspectivas de mercado aos dados
divulgados e montam o plano de produção, o qual pode ser alterado entre etanol e
açúcar apenas nos três ou quatro primeiros meses da safra, período no qual ainda
 65

há capacidade ociosa nas máquinas. Essa flexibilidade de curto prazo é de

aproximadamente 5% a 10% do planejamento inicial da produção. O
redirecionamento da cana entre etanol anidro e etanol hidratado pode ser feito
livremente em todos os meses de produção.
A figura abaixo mostra, de forma simplificada, o processo de planejamento da
produção de acordo com a moagem da cana-de-açúcar e a capacidade ociosa das
máquinas:

Figura 3.1 – Planejamento da Produção de Acordo com Flexibilidade Técnica da

Usina por Períodos da Safra
Período forte de
moagem, em que não
é possível converter a
produção de açúcar
Safra e moagem em etanol (não há
cana tem início capacidade ociosa)
em abril, quando Curva de maturação da
termina o açúcar da cana
período de
chuvas

abril novembro
Término da safra em
Ociosidade: neste período, novembro, quando as
é possível converter a chuvas se iniciam
produção de açúcar para novamente
etanol em,
aproximadamente, 5%

Fonte: próprio autor, com base nas informações coletadas junto a produtores e
entidades do setor sucroalcooleiro

Cabe ainda destacar que a produção de etanol e açúcar possui uma

característica sazonal: no início e fim da safra, quando o teor de sacarose na cana-
de-açúcar é menor, a produção de etanol – anidro e hidratado – é privilegiada em
relação ao açúcar. Como consequência, gera-se também um movimento sazonal
nos retornos dos produtos, com retornos negativos do etanol anidro e hidratado no
início da safra, quando a oferta desses produtos é maior, e recuperação dos
retornos nos meses seguintes. O gráfico a seguir mostra os retornos dos
subprodutos da cana-de-açúcar entre as safras 2008/2009 a 2012/2013 (as linhas
verticais pontilhadas mostram o início e fim de cada safra):
 66

Gráfico 3.1 – Retornos do Etanol Anidro, Etanol Hidratado e Açúcar entre as Safras
2007/2008 a 2012/2013

60,0%

40,0%

20,0%
Retornos Mensais

0,0%
Abril-2008
Junho-2008
Agosto-2008
Outubro-2008
Dezembro-2008

Abril-2009
Junho-2009
Agosto-2009
Outubro-2009
Dezembro-2009

Abril-2010
Junho-2010
Agosto-2010
Outubro-2010
Dezembro-2010

Abril-2011
Junho-2011
Agosto-2011
Outubro-2011
Dezembro-2011

Abril-2012
Junho-2012
Agosto-2012
Outubro-2012
Dezembro-2012
Fevereiro-2009

Fevereiro-2010

Fevereiro-2011

Fevereiro-2012

Fevereiro-2013
-20,0%

-40,0%

-60,0%
Etanol Anidro Etanol Hidratado Açúcar

Fonte: Centro de Estudos Avançados em Economia (CEPEA – ESALQ/USP)

3.3 DEFINIÇÃO DO MODELO

Com base nas informações do funcionamento real do mercado

sucroalcooleiro colocados na seção anterior, foram considerados os seguintes
componentes no modelo baseado em agentes proposto neste capítulo: o Governo,
que define as políticas públicas e regulamenta do mercado de combustíveis; a
Entidade Representativa, que estima e divulga os dados de preços e produção ao
mercado; a Usina, que define o plano de produção e o revisa ao longo do tempo; e o
Mercado Competidor, é o agente representativo dos competidores da Usina, que
consolida os dados de produção dos demais produtores.
Por fim, o mercado é o ambiente de negociação dos subprodutos da cana, em
parte regulamentado pelo Governo, onde ocorre a troca de informações entre os
agentes, com base nas quais a Usina e o Mercado Competidor tomam sua decisão
de produção. Para que isso ocorra, os pressupostos do mercado de negociação do
etanol e açúcar são:
- Condições de oferta:
 67

i. Produtores (Usina e Mercado Competidor) são tomadores de preços;

ii. O percentual mandatório de etanol anidro na gasolina tipo C e os preços
da gasolina tipo A são definidos pelo Governo;
iii. No início da safra a Entidade Representativa divulga ao mercado a
produção média esperada de etanol anidro, etanol hidratado e açúcar e
os preços esperados de cada produto para os próximos doze meses;
iv. A cada início de período a Entidade Representativa divulga ao mercado
os dados de produção observada no período imediatamente anterior e
preços esperados para o período corrente;
v. A Usina e o Mercado Competidor utilizam os dados divulgados no
mercado para definir e rever sua produção ao longo do tempo.
- Condições de demanda:
i. Toda a produção da Usina e do Mercado Competidor é absorvida pelo
mercado consumidor. Não há formação de estoques;
ii. Consumidores são indiferentes em relação à procedência dos
combustíveis.
O Governo é o agente responsável pelo planejamento central no modelo, ou
formulador de políticas. O principal pressuposto associado ao Governo é que as
ações da Entidade Representativa e da Usina não tem efeito sobre suas definições
de mercado.
A Entidade Representativa, enquanto consolidadora de dados, tem as
funções de estimar e divulgar dados de interesse dos produtores. Seus
pressupostos são:
i. Os dados de produção média de etanol anidro, etanol e açúcar
esperados para a safra, divulgados no início da safra, são exógenos;
ii. A estimativa dos retornos dos próximos doze meses, divulgados todo
início de período, é feita com base nos dados de retorno e volatilidade
passados, considerando a sazonalidade da produção;
iii. Todo final de período a Entidade Representativa recebe as informações
de produção da Usina e do Mercado Competidor. Para calcular a média
da produção e divulgar ao mercado, os dados são ponderados de
acordo com o tamanho da participação de mercado em volume de
produção dos produtores;
 68

iv. Os dados de retornos observados ao longo do tempo são divulgados

pela Entidade Representativa periodicamente.
A Usina é o agente tomador de decisão no modelo. Seu planejamento da
produção e a revisão ao longo do tempo dependem dos preços e produção
divulgados no mercado pela Entidade Representativa. Os pressupostos utilizados
pela Usina são:
i. A Usina não direciona 100% de sua cana-de-açúcar para o etanol ou
para o açúcar;
ii. O planejamento da produção é feito no início da safra e os percentuais
de cana-de-açúcar direcionados ao açúcar ou etanol podem ser
alterados em até 10% nos primeiros quatro meses da safra;
iii. O redirecionamento da cana entre etanol anidro e etanol hidratado pode
ocorrer livremente em todos os meses de produção;
iv. Além dos dados divulgados pela Entidade Representativa, a Usina
considera um fator julgamental de ajuste dos retornos esperados dos
subprodutos da cana-de-açúcar para formular seu planejamento da
produção;
v. A interação entre a Usina e o Mercado Competitivo decorre da
incorporação dos dados de produção deste último pela Entidade
Representativa.
Finalmente, o Mercado Competitivo é um agente exógeno ao modelo. Sua
produção é dada e incorporada pela Entidade Representativa na divulgação
periódica dos dados de produção.

3.3.1 Mercado

Denomina-se mercado o ambiente em que os produtores e a Entidade

Representativa trocam informações e interagem na definição da produção. No
mercado, os produtores são a Usina e o Mercado Competidor, enquanto os
consumidores são as distribuidoras e compradores da produção de açúcar.
Pelo mercado consumidor de etanol estar concentrado em grandes
distribuidoras, estas possuem maior poder de definição de preços do que os
produtores, que são tomadores de preços.
 69

Ademais, o mercado está sujeito às regras e políticas públicas definidas pelo

Governo, as quais interferem nas estimativas da Entidade Representativa e no
planejamento da produção da Usina.

= 0,1, … ,
A Usina e o Mercado Competidor fazem o planejamento da produção no início
da safra, t=0, e revisam sua produção até o último mês da safra, t=T, ,
em que t=0 representa o período que antecede a produção quando a Entidade
Representativa divulga os primeiros dados de previsão de produção e de retornos
para os meses vindouros.

3.3.2 Atributos da Entidade Representativa

A Entidade Representativa tem como atributo principal divulgar os dados

consolidados do setor sucroalcooleiro, bem como os dados esperados de retornos e
produção.
Assim, no instante t=0, a Entidade Representativa divulga os percentuais

a safra, yx 0 , sendo i o produto considerado (i = 1,...,k).

médios de produção do etanol anidro, etanol hidratado e açúcar estimados para toda

No início de cada instante t, = 0,1, … ,

os retornos esperados dos produtos para os próximos meses da safra, 4U
, a Entidade Representativa publica
∗
=
4rN ∗ ts
,…,4 ∗
, 4rx ∗
∈ ℝ , em que 4rx ∗
é o vetor de preços do produto i,
divulgado no momento ∗
, para ∗
∈ Bz, C , ∗
∈ ℕ, em que s é o mês corrente da
safra e T é o mês final (z, ∈ ).
Além disso, a cada t, = 0,1, … , , a Entidade Representativa também
divulga a matriz de variância e covariância w , para mostrar o risco de cada
produto e suas relações aos demais produtos.

(4U
Os vetores de retornos esperados para os próximos períodos por produto
∗
) dependem da média de m retornos passados em um mês específico da safra
(denominado aqui de mês-safra) nas últimas S safras, 8 I , e da volatilidade dos
retornos nestes meses, 9 I , sendo m = 1,...,T. Garante-se, com isso, que a média e
volatilidade de cada mês da safra serão considerados, como forma de manter a
sazonalidade dos dados.
Para conciliar a aleatoriedade dos dados e a sazonalidade característica da
safra, os retornos dos próximos períodos da safra são estimados pela Simulação de
 70

Monte Carlo. Segundo esta simulação, os retornos dos ativos seguem um processo
estocástico descrito pelo processo estocástico dado pelo Movimento Browniano
Geométrico, cuja discretização dos retornos é feita pelo Lemma de Itô7 (JORION,
2003), chegando à seguinte equação:

9
n
| = (X }~8 − I • € . ∆t + 9 . • I . √∆ ƒ
I I 2 I (3.1)

|
Em que:
I : retorno do produto, estimado no período t, para o período-safra m;
∆ : intervalo de tempo entre o período t e o período-safra m;
8 I : média dos retornos do produto i, estimado em t, para o período-safra m, dada

por: 8 =
∑†
…‡ˆ > ,…
I ‰
, sendo: S o número de safras passadas consideradas no

9
cálculo dos retornos esperados;
I : volatilidade (ou desvio-padrão) dos retornos do produto i, estimado em t, para o

=Š
•
∑†
…‡ˆ5> )‹ Œ 7
período-safra m, dada por: 9
,…
I ‰)N
, sendo: S o número de safras

• I : números aleatórios normalmente distribuídos, com média zero e variância um

passadas consideradas no cálculo dos retornos esperados;

(~ • 0, 1 ), correlacionados segundo a decomposição da matriz de variância e

covariância pelo método de Choleski (JORION, 2003)

Por fim, ao término de cada período t, a Entidade Representativa coleta os

dados dos percentuais produzidos de etanol anidro, etanol hidratado e açúcar de
cada produtor (Usina e Mercado Competitivo) para conhecer o perfil de produção
corrente. Os dados são consolidados e a média ponderada da produção por produto
i, , por participação no mercado é divulgada ao mercado, conforme equação
(3.2):
=:× p
+ 1−: × •
(3.2)
Em que:
: percentual médio produzido do produto i no período t;

7
Para maiores detalhes sobre a Simulação de Monte Carlo, ver Apêndice A.
 71

:: peso da produção da Usina em relação a sua participação no mercado, : = B0, 1C;

p
: percentual produzido pela Usina do produto i no período t;
•
: percentual produzido pelo Mercado Competidor do produto i no período t.

3.3.3 Atributos da Usina

A estratégia para decisão da produção ótima da Usina consiste em definir sua

produção estratégica de longo prazo, com base nas expectativas iniciais de retornos
de cada produto, suas incertezas e produção esperada de mercado. Ao longo do
tempo, a estratégia inicial é operacionalizada por meio de definições táticas da
produção, sendo este o fator de aprendizado e adaptabilidade da Usina às novas
condições e informações de mercado.
A tomada de decisão da Usina é feita por meio da definição estratégica da
produção no momento inicial, = 0, por meio de um modelo em tempo contínuo
com controle ótimo. A adaptação tática da produção em cada instante t, =
0,1, … , , é realizada de acordo com um modelo de otimização uniperíodo. Em
ambos os modelos, o objetivo da Usina é minimizar o risco de seus retornos, dado
um nível de retornos esperados.
A conciliação dos resultados ótimos do modelo multiperíodo de longo prazo
com o modelo uniperíodo é inédita e tem como objetivo melhorar os resultados do
primeiro modelo às variações de curto prazo, conforme alocação indicada pelo
segundo modelo.

Planejamento Estratégico de Longo Prazo: Modelo Multiperíodo

No Planejamento de Longo Prazo, a Usina define o percentual ótimo
produzido de etanol anidro, etanol hidratado e açúcar para todos os períodos da

Entidade Representativa: vetor de retornos esperados para a safra, 4U

safra que se inicia. Para tal, são considerados os seguintes dados divulgados pela
e a matriz
de variância-covariância, que indica o nível de risco e relação entre os produtos.
Trata-se da definição de uma estratégia de investimento, em que os produtos
da cana-de-açúcar são considerados ativos de risco em que a Usina pode empregar
seus recursos, assim como o ativo livre de risco disponível para negociação no
mercado, assim denominado por oferecer um retorno sem risco.
 72

O problema a ser resolvido pela Usina no instante inicial é, portanto, definir a

alocação ótima dos recursos entre os ativos de risco ao longo do tempo de forma
que o valor esperado da carteira no período final, V(T), alcance um retorno mínimo
esperado #‘ & = 3, minimizando o risco da alocação. Emprega-se o modelo de
otimização estocástico multiperíodo em tempo contínuo, com controle ótimo,
conforme discutido e demonstrado em Li e Ng (2000), Costa e Nabholz (2005),
Dantas (2006), e Cui et al. (2014)
Pode-se, portanto, colocar matematicamente o problema de alocação ótima
multiperíodo da carteira de forma a minimizar o risco (variância da carteira), de forma
a obter o valor mínimo 3, sem posições a descoberto em ativos de risco, como:
min ‘W|#‘ & = ,B‘ − 3Cn (3.3)

z”•(2 – W —,#‘ & = 3

”∈˜
Em que:
‘™ : valor da carteira ao longo do tempo
” : total da riqueza investida no i-ésimo ativo

” = ”R , … , ”K ( ” = ” z ,0 ≤ z ≤
u
: conjunto de estratégias adotadas
pela Usina até o instante de tempo final t, as quais resultam na riqueza ‘ ™ . A
restrição de posições a descoberto para os ativos de risco implica que as estratégias

” ≥ 0.
de investimento encontradas para estes ativos não podem ser negativas, ou seja,

Considerando que o valor inicial da carteira ‘R > 0 é investido nos k ativos, as

estratégias de alocação ” . e o valor da carteira ‘ ™ . devem satisfazer a equação
diferencial estocástica que descreve o valor da carteira ao longo do tempo, ‘ ™
∈ B0, C, dada por:
,

s s s
œ‘ ™ = •| . ‘™ +ž #4rx −| &. ” Ÿœ + ž ž 9 .” .œ
› QN QN QN
‘ 0 = ‘R > 0
(3.4)

‘™
Em que:
: valor da carteira ao longo do tempo
|
4rx
: retorno do ativo livre de risco
: vetor de retornos dos ativos de risco previstos para os próximos T períodos
 73

9 : correlação do ativo i com o ativo j

k: ativos de risco considerados pela Usina

Conforme Dantas (2006), o controle para o caso multiperíodo de média-

variância descrito é dado por:
”# , ‘ &
1 1
£−| .¤ )N
. ¥¦ + 4U −| . ( . •‘ − . 3 − 8 Ÿ , z( ‘ − . 3−8 ≤0
! !
=
¢ 1
0, z( ‘ − . 3−8 >0
¡ !
(3.5)
Em que:
r: retorno do ativo livre de risco
¤ = 4 − |§ .( 4 − |§ .( + w , sendo w
u
a matriz k x k de variância-
covariância dos retornos dos ativos de risco que deve satisfazer w > 0; 4U
vetor de retorno dos k ativos de risco e deve satisfazer 4rx
éo
>| ; ( é um vetor

= ∏©)N
composto por 1 em todas as componentes
! sQI |§ % ( ! =1

8=
ª)« R .@ R
¬ - , sendo ¯ calculado de maneira aproximada como:
N)
®

¯ = ∏©)N ̅
sQR 5| % − °± % ° 7, em que:
n

+ 4U
n
³ = ´| n. ¤ n . #¥ −| . (&´
N+ )N+

¥¦ = W|µ¶ I ∈ℝ· V2"³

¸

±̅ % = w )N
. #¥¦ + 4U −| . (&

Dessa forma, define-se no Planejamento de Longo Prazo, o percentual ótimo

=
p ™ #I,« I &
«¹ I
de produção de etanol anidro, etanol hidratado e açúcar, dado por ,

para = 1, … , .
Embora o modelo de otimização multiperíodo esteja descrito e resolvido em
tempo contínuo, a resolução computacional é feita conforme Dantas (2006).
 74

Revisão Tática de Curto Prazo: Modelo Uni-período

Na revisão da produção a cada período t, a Usina considera a matriz de

txN
variância-covariância, os retornos estimados para o mês corrente para cada produto
(4 ) e os dados de produção divulgados no mesmo período, ,
comparativamente à produção inicial prevista pela Entidade Representativa.
Emprega-se neste caso o modelo de otimização de média-variância,
conforme Markowitz (1952 e 1959), visando adequar os resultados ótimos iniciais às
condições correntes de risco e retorno de cada um dos produtos.

txN
Antes de fazer a revisão da produção, a Usina ajusta o retorno de cada
produto conforme divulgado pela Entidade Representativa no período t, 4 , pela
comparação entre os dados de produção observados no período anterior, −1 ,
em relação à produção estimada no início da safra, yx 0 , da seguinte forma:
txN ′
− 1 ≥ yx 0 + ∆, então: 4 txN
= »¼ × 4
txN ′ txN
- Se:
− 1 ≤ yx 0 − ∆, então: 4 = »™ × 4
txN ′ txN
- Se:
- caso contrário: 4 =4

∆: variação tolerada pela Usina entre a produção de mercado efetiva e a produção

Em que:

de mercado esperada (em pontos percentuais)

» ¼ : fator de redução dos preços estimados pela Entidade Representativa; 0 ≤ » ¼ < 1
» ™ : fator de aumento dos preços estimados pela Entidade Representativa; » ™ ≥ 1

∆, » ¼ e » ™ são fatores julgamentais aplicados pela Usina aos dados

estimados, conforme sua percepção do mercado.
O modelo de revisão da produção de curto prazo da produção no período t
tem por objetivo minimizar a variância dos retornos da carteira a cada período,
dadas as restrições de não haver venda a descoberto nos ativos de risco e as
limitações de alteração dos percentuais da produção. Logo:
min ‘W|#½ &= u
.w . (3.6)
 75

,#½ &≥½ ∗
£
¾
K
¾ ž p
=1
QN
z”•(2 – W p
≥ 0, W|W –œ– 2
¢
¾ 1− × p
−1 ≤ p
≤ 1+ × p
−1 , z( ≤ 4
¾ ¿ ¿ ¿

¡ p
¿ = p
¿ −1 , z( > 4

txN ′
Em que:
R(t): retorno da carteira, dado por: ∑ QN ×4
K

R(t)*: retorno da carteira calculado pelos pesos correntes divulgados pela Entidade
Representativa e os percentuais de produção do período anterior
w : matriz de variância-covariância dos retornos dos ativos de risco
w(t): vetor de percentuais da alocação (pesos) da cana nos k ativos de risco
p
¿: percentual de alocação da cana-de-açúcar na Usina para a produção de açúcar,
alterado apenas nos primeiros quatro períodos de revisão da produção
: percentual de cana-de-açúcar que pode ser redirecionado da produção de açúcar
para o etanol, e vice-versa, nos primeiros quatros meses da safra, sendo 0 ≤ ≤
0,10

Note que em (3.6) não há restrições para mudanças de alocação entre etanol
anidro e etanol hidratado. A restrição técnica de alteração de alocação entre etanol e
açúcar é garantida pelas duas últimas equações do conjunto de restrições.

3.4 RESULTADOS E DISCUSSÃO

O modelo definido na seção anterior foi aplicado para definir o planejamento

da produção nas safras 2010/2011, 2011/2012 e 2012/20138. Cada período do
modelo é equivalente a um mês da safra.
Para a estimativa dos retornos futuros por Simulação de Monte Carlo do
etanol anidro, etanol hidratado e açúcar para os próximos doze meses, foram
utilizadas janelas móveis de retornos dos últimos 72 meses (equivalente a seis
safras). Na estimativa de retornos, a matriz de variância e covariância, é formada
pelos retornos dos preços à vista ao produtor do etanol anidro, etanol hidratado e

8 @
O ABM descrito foi implementado em MATLAB .
 76

açúcar, além dos retornos do etanol hidratado e gasolina C negociados no varejo e o

petróleo tipo Brent à vista.
Os preços à vista do etanol anidro, etanol hidratado e açúcar, todos preços ao
produtor, foram coletados junto ao CEPEA (Centro de Estudos Avançados em
Economia Aplicada – ESALQ/USP). Os preços do etanol hidratado e da gasolina C,
ambos preços ao varejo, são provenientes da ANP (Agência Nacional do Petróleo.
Os preços à vista de negociação do petróleo tipo Brent são provenientes da U.S.
Energy Information Administration (EIA).
Os dados foram inseridos no modelo com periodicidade mensal. Para as
variáveis com periodicidade menor do que a mensal, foi utilizada a média dos preços
ao longo de cada mês.
Para a produção, interessam os retornos reais dos produtos, logo, os retornos
mensais dos subprodutos da cana foram descontados do IGP-DI (Índice Geral de
Preços – Disponibilidade Interna), divulgado pela Fundação Getúlio Vargas.
Por fim, a estimativa dos retornos esperados para os próximos doze meses
por Simulação de Monte Carlo foi calculada considerando 500.000 simulações.
Como exemplo dos dados de retornos esperados, divulgados pela Entidade
Representativa, considere os dados de retornos estimados em abril de 2010 (início
da safra) para toda a safra 2010/2011, mostrados nos gráficos a seguir. Note a
diferença entre as médias de retornos estimados para o etanol hidratado e açúcar ao
longo do tempo e a mudança na sua variação em cada mês da safra. A queda nos
retornos iniciais e finais do etanol reflete o movimento sazonal comentado
anteriormente. Os retornos mínimos correspondem ao 5º percentil e retornos
máximos correspondem ao 95º percentil da distribuição obtida pela Simulação de
Monte Carlo.
 77

Gráfico 3.2 – Retornos Simulados pela Entidade Representativa para a Safra

2010/2011 em abril de 2010 (início da safra) – abril de 2010 = mês 1 (eixo horizontal)
Hidratado Açúcar
0.3 0.3

0.2 0.2

0.1 0.1

Retorno ao Mês
Retorno ao Mês

0 0

-0.1 -0.1

-0.2 -0.2

-0.3 -0.3

-0.4 -0.4
0 2 4 6 8 10 12 0 2 4 6 8 10 12
Mês da Safra Mês da Safra
Mínimo Mínimo
Média Média
Mediana Mediana
Máximo Máximo

Fonte: próprio autor

Os dados mensais da produção observada ao longo do tempo (considerados

como dados do Mercado Competidor no modelo) e os dados de estimativa inicial da
produção foram coletados dos informes da UNICA.
Os percentuais esperados de produção no início de cada são iguais a: (i)
safra 2010/2011: 43,29% açúcar, 41,70% etanol hidratado e 15,01% etanol anidro;
(ii) safra 2011/2012: 49,94% açúcar, 32,93% etanol hidratado e 20,13% etanol
anidro; (iii) safra 2012/2013: 48,75% açúcar, 34,67% etanol hidratado e 16,58%
etanol anidro.
Para a interpretação dos resultados, é interessante observar algumas
características dos parâmetros utilizados nas safras consideradas para avaliação do
modelo. Na safra 2010/2011, houve um considerável aumento de preços do etanol
anidro nos meses finais, alcançado o pico nos primeiros dois meses iniciais da safra
2011/2012. A escalada de preços é, inclusive, um dos fatores que explica a redução
do percentual mandatório de anidro na gasolina ocorrido na metade da safra
2011/2012. O preço da gasolina Tipo A não teve nenhum reajuste nas duas
primeiras safras, aumentando em percentuais de 7,8% e 6,6%, nesta ordem, na
safra 2012/2013.
O comportamento dos parâmetros de interesse pode ser visto no gráfico a
seguir:
 78

Gráfico 3.3 – Comportamento dos Preços dos Combustíveis e do Percentual

Mandatório de Anidro na Gasolina nas Safras Analisadas
3,50 30%

3,00
25%

2,50

Percentual Mandatório
20%

2,00
Preço (R$)

15%
1,50

10%
1,00

5%
0,50

0,00 0%
Abril-2010
Maio-2010
Junho-2010

Agosto-2010
Setembro-2010
Outubro-2010
Novembro-2010

Março-2011
Abril-2011
Maio-2011
Junho-2011

Agosto-2011
Setembro-2011
Outubro-2011
Novembro-2011

Março-2012
Abril-2012
Maio-2012
Junho-2012

Agosto-2012
Setembro-2012
Outubro-2012
Novembro-2012

Março-2013
Julho-2010

Dezembro-2010
Janeiro-2011
Fevereiro-2011

Julho-2011

Dezembro-2011
Janeiro-2012
Fevereiro-2012

Julho-2012

Dezembro-2012
Janeiro-2013
Fevereiro-2013
Gasolina Tipo C - Preço Varejo Gasolina Tipo A Etanol Hidratado - Preço Produtor
Etanol Anidro - Preço Produtor Percentual Mandatório

Fonte: Agência Nacional do Petróleo (ANP)

O valor inicial da carteira em todos os casos foi R$ 1,00 (‘R = $1). Os demais
parâmetros utilizados nas simulações foram: = 0,10, ∆= 0,10, » ™ = 1.05 e » ¼ =
0.95.
Inicialmente, a aplicação do modelo para cada safra foi feita sem a
interferência do agente Governo, como forma de observar os resultados de risco e
retorno do planejamento ótimo da produção da Usina em relação ao que foi
efetivamente realizado no mercado.
Na sequência foram feitas simulações em que o agente Governo interfere no
ambiente de negociação. O objetivo de tais simulações é verificar as alterações no
planejamento da produção da Usina, além da sensibilidade do modelo proposto.

3.4.1 Previsão da Produção sem Alteração do Cenário Econômico

Quando o modelo simulado é aplicado às três safras nas mesmas condições

institucionais e de mercado vigentes à época, os resultados do plano de produção
final da Usina em comparação à média do mercado mostram que, nas três safras, o
percentual produzido de açúcar pela Usina foi, em média, menor. A produção média
 79

de açúcar da Usina nas três safras foi de pouco mais de 53%, enquanto que o
percentual médio observado no mercado foi de 61,5%.
A diferença na produção de açúcar foi compensada pelo maior
direcionamento médio da cana-de-açúcar para o etanol anidro, que ficou em
aproximadamente 20,8% para a Usina, sendo de 13,5% na média do mercado. A
produção de etanol hidratado foi bastante similar na média das três safras entre os
resultados do modelo e o que realmente ocorreu no mercado, sendo ambos em
torno de 25%.
Entretanto, quando os resultados de alocação da cana-de-açúcar são
observados por safra, nota-se considerável divergência entre os percentuais ótimos
do modelo e o que realmente ocorreu com no mercado sucroalcooleiro, como pode
ser visto na tabela a seguir:

Tabela 3.1 – Plano Final da Produção da Usina e do Mercado para as Três Safras

2010/2011 2011/2012 2012/2013

Usina Mercado Usina Mercado Usina Mercado
Anidro 44,5% 12,0% 14,5% 13,8% 3,3% 14,6%
Hidratado 0,0% 28,8% 39,1% 22,3% 38,6% 24,0%
Açúcar 55,6% 59,1% 46,4% 63,9% 58,2% 61,5%
Fonte: próprio autor

Na safra de 2010/2011, as entradas do modelo indicavam que a relação

retorno sobre risco (volatilidade) dos subprodutos da cana-de-açúcar foi de 0,14
para o açúcar, 0,10 para o etanol anidro e 0,09 para o etanol hidratado, o que
explica o baixo direcionamento da cana-de-açúcar da Usina para o etanol hidratado,
que ainda foi anulada ao longo da safra, com a revisão de curto prazo. É importante
observar que este movimento deve-se à incorporação do substancial aumento de
preços do etanol anidro no fim da safra, a um risco menor do que o etanol hidratado,
fato que captado pelo modelo.
Os dados estão nos gráficos a seguir. Do lado esquerdo está o percentual
final de produção resultante do modelo, já à direita estão as diferenças entre a
alocação final da cana-de-açúcar pelo modelo ABM em relação à alocação do
mercado (indicado como “Var. Merc”) e em relação ao planejamento inicial de longo
prazo (indicado como “Var. LP”). As variações são resultantes da diferença entre os
resultados do modelo para as demais alocações.
 80

Gráfico 3.4 – Resultado Final do Modelo para Produção da Usina (superior) e

Diferenças em Relação à Produção observada no Mercado e Planejamento Inicial de
Longo Prazo (inferior) – Safra 2010/2011

Fonte: próprio autor

Embora tenha ocorrido a redução do percentual mandatório de anidro na

safra de 2011/2012, os preços do etanol já haviam incorporado a redução anunciada
pelo governo. O modelo também captou a tendência de queda dos retornos do
etanol anidro e seu maior risco. O aumento da volatilidade do etanol anidro também
está relacionada ao pico de preços observado no início da safra. Como resultado,
houve redução da alocação da produção em etanol anidro e crescimento da
produção de etanol hidratado. O maior balanceamento da produção dos três
subprodutos da cana é consequência das relações de retorno/risco mais
equilibradas nesta safra: 0,05 para o etanol anidro, 0,06 para o etanol hidratado e de
0,08 para o açúcar. Os dados podem ser vistos nos próximos gráficos:

Gráfico 3.5 – Resultado Final do Modelo para Produção da Usina (superior) e

Diferenças em Relação à Produção observada no Mercado e Planejamento Inicial de
Longo Prazo (inferior) – Safra 2011/2012

Fonte: próprio autor

 81

Na safra de 2012/2013 o percentual de etanol anidro foi bastante inferior à

média ocorrida no mercado. Nesta safra, a média dos retornos dos três produtos
inicialmente estimados para a safra foi negativa e, em ordem decrescente, igual a -
0,20% para o etanol anidro, -0,21% para o açúcar e -0,31% para o etanol hidratado.
Com os aumentos no preço da gasolina Tipo A ocorridos ao longo desta safra, a
volatilidade do etanol anidro aumentou. A volatilidade esperada dos retornos foi de
11,84%, 9,68% e 10,34% para o etanol anidro, etanol hidratado e açúcar,
respectivamente. Por ser um modelo que busca minimizar a variância, a alocação da
cana-de-açúcar para o etanol hidratado foi superior ao etanol anidro, mesmo com
pior previsão do retorno do etanol hidratado. A alocação final da produção e suas
variações estão no gráfico 3.6.

Gráfico 3.6 – Resultado Final do Modelo para Produção da Usina (superior) e

Diferenças em Relação à Produção observada no Mercado e Planejamento Inicial de
Longo Prazo (inferior) – Safra 2012/2013

Fonte: próprio autor

Na comparação do desempenho geral da alocação do modelo proposto neste

capítulo com os dados observados no mercado, os resultados do primeiro
apresentaram um retorno médio maior do que o segundo em todas as safras
analisadas. Ao mesmo tempo, a volatilidade média da alocação proposta pelo
modelo ficou muito próxima à volatilidade dos percentuais de mercado.
Quando os resultados do modelo de planejamento de longo prazo com
revisões de curto prazo são comparados à alocação feita apenas pelo modelo de
otimização multiperíodo, nota-se que a conjugação dos dois modelos permite melhor
aproveitamento das alterações dos retornos de mercado, mas, ao mesmo tempo,
incorre em maiores volatilidades de curto prazo, como ocorrido ao final da safra
 82

2011/2012. Para as demais safras, o risco observado no modelo ABM foi menor do
que aquele obtido com o planejamento inicial de longo prazo.
Em termos de retorno, o modelo ABM é mais conservador e permite maior
proteção em momentos adversos de mercado, como nas duas últimas safras. Na
safra 2010/2011, devido a não alocação em etanol hidratado para minimizar o risco
da carteira, o modelo ABM teve um retorno médio pouco menor do que o modelo de
otimização multiperíodo.
A tabela a seguir traz os dados de retorno médio, volatilidade média e relação
retorno sobre risco dos dados observados no mercado e dos resultados do modelo
ABM e do modelo multiperíodo inicial (sem revisões de curto prazo):

Tabela 3.2 – Comparação Risco, Retorno e Retorno sobre Risco no Modelo ABM,
Modelo Multiperíodo sem Revisões de Curto Prazo e Dados Reais de Mercado
Modelo Multiperíodo sem
Modelo ABM Dados Reais de Mercado
Revisão de Curto Prazo
Retorno Volatilidade Retorno Retorno Volatilidade Retorno Retorno Volatilidade Retorno
Médio Média / Risco Médio Média / Risco Médio Média / Risco
2010/2011 1,04% 8,42% 0,1230 0,87% 8,49% 0,1030 1,12% 8,42% 0,1332
2011/2012 -1,78% 8,66% -0,2052 -2,05% 8,54% -0,2397 -2,37% 8,56% -0,2771
2012/2013 -1,82% 8,58% -0,2123 -1,86% 8,51% -0,2191 -1,86% 8,60% -0,2165
Fonte: próprio autor

Os resultados de risco e retorno indicam, portanto, que o modelo ABM é, em

geral, mais eficiente na sua alocação no que diz respeito à relação entre os retornos
esperados versus o risco da alocação. Nota-se, ainda, que a alocação real
observada no mercado ao longo das três é a que apresentou pior relação retorno
sobre risco em quase todas as safras avaliadas, com exceção apenas da safra
2011/2012, quando este indicador ficou melhor do que o modelo multiperíodo sem
revisão de curto prazo.

3.4.2 Atuação do Agente Governo: Políticas de Incentivo à Produção de

Etanol

As interferências do agente Governo no ambiente institucional foram definidas

de forma a utilizar o modelo para avaliar políticas de incentivo à produção de etanol.
A resposta do modelo foi avaliada em meio a três alterações no ambiente de
negociação do etanol atribuídas ao governo, como destacado nos artigos
 83

mencionados anteriormente. São elas: (i) maior participação do etanol na matriz

energética brasileira, (ii) aumento do preço da gasolina de acordo com o mercado de
petróleo internacional e (iii) efeito das interferências do governo no percentual
mandatório de etanol anidro.
Foram empregados testes de estresses, em que o ambiente de cenários
passados ou prospectivos é replicado aos dados recentes. No caso das simulações
empregadas, a incerteza e a magnitude dos retornos formam o ambiente que se
busca replicar aos dados atuais. Assim, é possível observar como o plano de
produção da Usina seria alterado nos diversos cenários aplicados às safras
mencionadas anteriormente.
As alterações ditadas pelo Governo são incorporadas no cálculo das
expectativas iniciais de retornos e produção esperada, bem como no ajuste dos
retornos divulgados periodicamente às Usinas.
Como se trata de políticas do Governo para as quais os impactos esperados
sobre a produção de etanol são positivos, aumentou-se a expectativa inicial de
produção de etanol, com a respectiva redução na produção esperada de açúcar. Em
todas as safras, somou-se 5 p.p. (pontos percentuais) à estimativa inicialmente
esperada de produção do etanol anidro, 10 p.p. à produção estimada de etanol
hidratado, sendo descontados 15 p.p. da estimativa inicial de produção de açúcar.
Os resultados das simulações de cenário foram comparados apenas aos
resultados da Usina em cada uma das safras na condição inicial, conforme
resultados da seção anterior.

i. Maior participação do etanol na matriz energética brasileira

No primeiro cenário de estresse foi avaliado o efeito da maior participação do
etanol hidratado na matriz energética brasileira. Entende-se que, nesta situação, os
produtores terão menos incerteza em relação ao consumo do produto. Para
incorporar este efeito no modelo, a variância observada do etanol hidratado em cada
safra, conforme explicado na seção 3.2.1, foi reduzida em 10% e sua covariância
com os demais subprodutos da cana-de-açúcar foi reduzida em 20%. Ao emprego
desse cenário chamou-se Simulação 1.
Os resultados mostram que, na Simulação 1, em todas as safras, a produção
percentual de etanol (hidratado e anidro) pela Usina subiu em torno de 4,7%. A
média de produção de etanol hidratado nas três safras, que no cenário inicial era de
 84

28,9%, subiu para 40,0%. Por sua vez, a produção média de etanol anidro ao longo
das safras passou de 20,7% para 11,3%. Os dados de alocação percentual média
por produto em cada safra estão na próxima tabela. A variação mostrada na tabela
refere-se à diferença, em pontos percentuais (p.p.), entre produção da Usina com o
cenário simulado em relação ao cenário inicial (“Var. PI”, em que PI significa Plano
Inicial).

Tabela 3.3 – Produção Média da Usina por Safra na Simulação 1

2010/2011 2011/2012 2012/2013

Usina Var. PI Usina Var. PI Usina Var. PI
Anidro 20,2% -24,2 10,8% -3,7 2,9% -0,3
Hidratado 28,9% +28,9 47,4% +8,4 43,7% +5,1
Açúcar 50,9% -4,6 41,8% -4,7 53,4% -4,8
Fonte: próprio autor

ii. Aumento do preço da gasolina Tipo A

A segunda simulação buscou incorporar ao modelo o efeito de alterações
mais frequentes no preço da gasolina Tipo A, de acordo com as movimentações
observadas no mercado de petróleo internacional. O possível efeito desse tipo de
política é que o etanol hidratado também tenha reajustes mais frequentes nos
preços e, assim, sua produção seja estimulada. Deve-se destacar que outro efeito
do maior número de reajustes de preços da gasolina Tipo A é o aumento na
volatilidade dos retornos de mercado, assim, o aumento da incerteza também deve
ter efeitos sobre o planejamento da produção.
Observando dados passados, identificou-se que o período mais recente em
que o preço da gasolina Tipo A acompanhou mais as oscilações do preço
internacional do petróleo, dentro do intervalo de seis safras (como considerado pelo
modelo), foi entre as safras 2003/2004 a 2008/2009. Neste período, o preço da
gasolina tipo A foi alterado 5 vezes e passou de R$0,767/litro para R$1,050. O
aumento de quase 37% no preço da gasolina Tipo A foi acompanhado de uma
volatilidade de 10,6%.
Nestas safras, o preço do etanol hidratado ao produtor aumentou 4,5%, com
uma volatilidade de 15,5%, e o preço do etanol anidro subiu 7,2%, apresentando
volatilidade de 15,8%.
 85

Comparativamente à média dos dados da matriz de variância e covariância

das três safras sem alteração de cenários, a variância do etanol anidro aumentou
30,7% entre as safras 2003/2004 a 2008/2009 e as variâncias do etanol hidratado e
açúcar aumentaram 32,8% e 2%, respectivamente, no mesmo período. As
correlações entre os três produtos também foram maiores, principalmente do etanol
hidratado para os outros dois produtos, com aumentos de 32,7% relativamente ao
etanol anidro e de quase 16% em relação ao açúcar.
Portanto, a incorporação do cenário vigente entre as safras 2003/2004 a
2008/2009 no modelo foi feito tanto pelo aumento do retorno médio de cada uma
das safras consideradas para análise, quanto pela maior incerteza observada à
época.
De forma detalhada, os retornos médios das safras 2010/2011, 2011/2012 e
2012/2013 foram ajustados de acordo com os aumentos observados entre as safras
2003/2004 a 2008/2009. Também, a matriz de variância e covariância de cada uma
das safras foi substituída pela matriz calculada pelos dados observados entre as
safras 2003/2004 a 2008/2009. Por meio destas correções, a Entidade
Representativa calculou os retornos esperados a cada período, sendo mantida a
lógica do modelo.
Com a maior atratividade do etanol anidro, tanto em termos de risco, quanto
de retorno, e a maior correlação do etanol hidratado com os demais produtos e o
maior risco associado a este produto, o modelo resultou em produção nula de etanol
anidro nas três safras. A redução da produção do etanol hidratado foi compensada
pelo aumento no percentual de etanol anidro que passou de 20,7% na média das
três safras com o cenário inicial, para 42,5% na avaliação do cenário estressado. O
detalhamento dos planos de produção sob a Simulação 2 está na tabela seguinte.

Tabela 3.4 – Produção Média da Usina por Safra na Simulação 2

2010/2011 2011/2012 2012/2013

Usina Var. PI Usina Var. PI Usina Var. PI
Anidro 41,3% -3,2 41,4% +26,9 44,6% +41,4
Hidratado 0,0% 0,0 0,0% -39,1 0,0% -38,6
Açúcar 58,7% +3,2 58,6% +12,1 55,4% -2,8
Fonte: próprio autor
 86

iii. Mudanças no percentual mandatório de etanol anidro

Alterações muito frequentes no percentual mandatório são prejudiciais ao
planejamento da produção, pois aumentam a incerteza institucional de negociação
dos subprodutos da cana-de-açúcar.
Para que tal incerteza fosse replicada às condições vigentes no mercado nas
três utilizadas para avaliação dos resultados, foram utilizados os retornos das safras
2005/2006 a 2010/2011. Neste intervalo, o percentual mandatório de etanol anidro
foi alterado cinco vezes, inclusive com uma alteração que durou três meses entre
fevereiro e abril de 2010, quando o percentual passou para 20%, sendo de 25%
tanto antes, como depois.
Entre as safras de 2005/2006 a 2010/2011, a volatilidade do etanol anidro foi
de 16,7%, enquanto que para o etanol hidratado esse número foi de 15,9%. Cabe
destacar também que as covariâncias do etanol anidro e do etanol hidratado com o
açúcar caíram aproximadamente 7,8% no primeiro caso e pouco mais de 11% no
segundo, embora sempre positivas.
Ademais, nesse período o preço do etanol hidratado subiu 60% e o etanol
anidro teve alta de 53,4%. Claramente estes reajustes não deveram-se apenas às
mudanças no percentual do etanol anidro, mas os aumentos dos retornos foram
incorporados aos retornos médios das safras de 2010/2011, 2011/2012 e
2012/2013.
Ao último cenário estressado deu-se o nome de Simulação 3 e as alterações
dos retornos e da matriz de variância e covariância ocorreram da mesma forma
como na Simulação 2, mas com os dados referentes aos retornos observados entre
as safras 2005/2006 a 2010/2011.
Os resultados mostraram que, quando aplicado o cenário que reflete a
incerteza institucional causada pelas constantes interferências do Governo nas
safras atuais, a produção média de etanol anidro nas três safras foi reduzida de
20,7% para 10,2%. O percentual de etanol hidratado no plano de produção, por sua
vez, passou de 25,9% nos cenários iniciais para 34,5% na Simulação 3. Por sua vez,
a produção do açúcar aumentou, em média, quase 2% no cenário com maior
interferência do Governo no percentual mandatório. A tabela s seguir traz os
resultados da Simulação 3.
Os resultados estão na tabela 3.5:
 87

Tabela 3.5 – Produção Média da Usina por Safra na Simulação 3

2010/2011 2011/2012 2012/2013

Usina Var. PI Usina Var. PI Usina Var. PI
Anidro 10,1% -34,4 10,1% -4,4 10,3% +7,0
Hidratado 34,1% +34,1 34,5% -4,6 34,9% -3,7
Açúcar 55,8% +03, 55,4% +9,0 54,8% -3,3
Fonte: próprio autor

Assim, os resultados das três simulações indicam que retornos mais elevados
não são suficientes para alterar o plano de produção da Usina quando o risco
associado do produto é elevado. O modelo privilegia o produto que tem melhor
relação retorno sobre risco, além de produtos com menor correlação com os demais,
visto que neste caso trata-se de proteção da receita esperada.
Por este motivo, quando os resultados de produção da Usina são comparados
com as alocações da cana-de-açúcar efetivamente observada ao longo das safras, o
modelo apresenta melhores retornos, com risco similar. Além disso, nas simulações,
os resultados mostram que políticas que privilegiam a redução das incertezas de
preços e institucional são mais vem sucedidas em incentivar a produção do que
aquelas que aumentam o retorno esperado.
Pelo fato do modelo não incorporar quantidades mínimas definidas por
contratos, nem estoques, as alocações dos planos de produção podem ter variado
mais do que esperado, como os resultados da Simulação 2. Porém, cabe destacar
que a constatação da influência da incerteza na produção pelos resultados do
modelo está em linha com os artigos discutidos anteriormente e com os fatos
correntemente reportados por produtores e pelas entidades representativas.

3.5 CONCLUSÃO

Apesar das inúmeras vantagens competitivas e de custos para produção do

etanol proveniente da cana-de-açúcar no Brasil – tais como a baixa ocupação de
terras aráveis, baixo custo de produção e melhor eficiência energética do que o
etanol produzido em outros países – o setor sucroalcooleiro vem enfrentando uma
grave crise no país.
 88

O elevado endividamento das usinas e o baixo retorno sobre capital

resultaram em maior restrição a novas fontes de crédito. Neste quadro ainda estão
inseridas as incertezas institucionais causadas pelas ações do governo, aliadas à
baixa relevância do etanol na matriz energética nacional, que tem contribuído para
desincentivar a produção e novos investimentos no setor.
Assim, o estudo apresentado neste capítulo teve como objetivo formular um
modelo de planejamento da produção das usinas que concilie as expectativas de
retornos e incertezas intrínsecas ao mercado às restrições de produção. O modelo é
fruto de conversas com produtores, entidades e estudiosos do setor. O resultado
final é a aplicação dos modelos baseados em agentes em um ambiente de
negociação com três agentes: a Usina, a Entidade Representativa e o Governo,
além do Mercado Competidor.
Por meio da formulação do planejamento inicial da produção pelo modelo de
otimização estocástico multiperíodo, com base nas expectativas iniciais, a Usina
define sua estratégia de produção de longo prazo. Ao longo do tempo, são feitas
revisões no planejamento inicial, conforme novos dados são divulgados e a Usina se
adapta às novas condições de mercado. Nesse processo, as restrições de alteração
da produção entre açúcar e etanol são respeitadas, conforme situação real
gerenciada pelas usinas.
Os resultados do modelo indicaram um plano de produção com nível de risco
similar ao efetivamente observado no mercado nas safras de 2010/2011, 2011/2012
e 2012/2013, para as quais o modelo foi testado. Entretanto, destaca-se que a
rentabilidade acumulada pelo plano de produção resultante do modelo foi superior
àquela observada pelos dados reais. As revisões de curto prazo também resultaram
em resultados de retorno sobre risco melhores do que o inicialmente previsto pelo
planejamento de longo prazo.
O modelo também foi utilizado para testar algumas políticas que poderiam
incentivar a produção de etanol. Os cenários avaliados foram: maior participação do
etanol na matriz energética, maior oscilação do preço da gasolina de acordo com os
preços internacionais do petróleo e interferências do Governo no percentual
mandatório de etanol anidro.
De maneira geral, os resultados das três simulações indicam que as políticas
que reduzem as incertezas associadas ao etanol são aquelas com maior impacto no
 89

incentivo da produção de etanol. Aumentos nos retornos esperados, com elevada

incerteza, pouco contribuem para elevar a produção de etanol.
Os resultados são decorrentes da função objetivo do modelo, que é
minimizadora de risco e privilegia o plano de produção que permite maior proteção
das receitas esperadas por meio dos produtos com menor correlação aos demais.
Os resultados do modelo são consistentes em todos os testes empregados e
são coerentes com os argumentos apresentados em trabalhos anteriores que
mostram que a incerteza gera desincentivo à produção e posterga investimentos.
Futuros desenvolvimentos do modelo envolvem a inclusão de estoques e
quantidades contratadas nas restrições, além dos custos de produção de cada
subproduto da cana-de-açúcar na solução do problema. Formas alternativas de
previsão de retornos também podem contribuir para o desenvolvimento do modelo.
 90

4 CONCLUSÃO

Os modelos baseados em agentes (ABM – Agent Based Models) são

fundamentados na natureza indutiva dos processos econômicos, em que o
comportamento agregado do mercado é fruto da modelagem individual dos agentes.
O foco deste tipo de modelagem é a representação fidedigna do problema analisado
por meio da combinação das características que descrevem os agentes –
juntamente com suas interações e adaptações – ao rigor das soluções matemáticas
e linguagem de programação computacional.
O propósito do estudo desenvolvido neste trabalho foi construir modelos de
simulação baseados em agentes para compreender o padrão de comportamento de
mercados econômicos caracterizados pela concorrência imperfeita. De forma
específica, foram analisados os mercados de passagens aéreas e sucroalcooleiro.
Enquanto o primeiro é definido como um oligopólio, em que as empresas definem os
preços de seu produto, o segundo apresenta características de oligopsônio, onde os
produtores são tomadores de preços definidos pelos poucos demandantes.
Por meio da flexibilidade característica dos modelos baseados em agentes,
foram formulados modelos simulados que tiveram como objetivo sintetizar o
comportamento dos agentes econômicos que atuam nos mercados supracitados,
buscando avaliar os resultados nas situações normais de mercado, além dos efeitos
de novas políticas e experimentos.
O fator comum presente nos dois modelos avaliados foi a incorporação de
incertezas e expectativas nos cenários prospectivos utilizados para tomada de
decisão. Dessa forma, a otimização dinâmica empregada nos dois casos não se
baseou em cenários passados, mas sim em valores esperados das variáveis de
interesse, o que dá aos problemas a natureza probabilística efetivamente enfrentada
nas situações reais de mercado.
A modelagem baseada em agentes empregada nos dois mercados mostrou
representar bem os padrões observados, segundo validação empírica dos
resultados dos modelos em relação aos dados reais, conforme sugerido por Bert et
al. (2014). Assim, demonstrou-se que os modelos baseados em agentes, enquanto
ciência computacional, apresentam respostas adequadas para explicar o
comportamento dos agentes econômicos nos modelos matemáticos simulados
propostos.
 91

A complexidade dos mercados em concorrência imperfeita foi, dessa maneira,

bem representada pelos modelos sugeridos para os mercados de passagens aéreas
e sucroalcooleiro. O processo adaptativo dos agentes às mudanças de mercado
mostrou que os modelos baseados em agentes são ferramentas adequadas para o
estudo dos mesmos e permitem inferir resultados de novas políticas, que não são
passíveis de testes nos mercados reais.
Na avaliação do preço das passagens aéreas, o modelo baseado em agentes
desenvolvido foi bem sucedido ao incorporar as diversas características de mercado
identificadas por outros autores, até então não colocadas concomitantemente em um
mesmo modelo. Assim, além do modelo ser inédito, permitiu captar peculiaridades
do mercado não incorporadas em outras pesquisas, revelando, inclusive
características não aparentes e não incluídas em estudos anteriores.
Observou-se que o padrão de preços seguiu adequadamente a tendência
observada no mercado real. Mostrou-se que as empresas aproveitam-se do
comportamento esperado dos consumidores e de sua condição de oligopolistas para
aplicar a política de gestão de rendimentos, extraindo maior ganho do excedente do
consumidor. Ademais, tal prática de precificação das passagens aéreas, beneficia os
consumidores, não apenas as empresas.
Para o mercado de etanol, a adaptação das usinas às condições de mercado
pela conjugação do planejamento estratégico de longo prazo – modelo de
otimização estocástico em tempo contínuo com controle ótimo – com a revisão tática
da produção – modelo de otimização uniperíodo de fronteira eficiente –, no qual as
restrições reais da produção foram incorporadas, gerou resultados de retorno e risco
melhores do que aqueles observados no mercado real de etanol e superiores
também ao caso onde apenas o planejamento de longo prazo foi utilizado.
Dessa forma, o modelo simulado empregado possibilitou analisar questões
importantes ao mercado referentes às interferências do governo e permitiu identificar
características não aparentes, respondendo questões pertinentes e recorrentes ao
setor. Um importante resultado do modelo é que políticas que reduzem as incertezas
associadas ao etanol possuem maior impacto no incentivo de sua produção do que
aquelas que apenas aumentam os retornos esperados. Ou seja, aumentos nos
retornos esperados, com elevada incerteza, pouco contribuem para incentivar a
produção de etanol.
 92

Nos dois modelos analisados, os resultados foram consistentes com a teoria

econômica tradicional, trazendo novos elementos de análise pela incorporação da
incerteza e formação de expectativas por parte dos agentes. Conclui-se, assim, que
os ABMs representaram de forma adequada os mercados avaliados, trazendo novos
elementos para discussões futuras sobre o desenvolvimento de ambos os
problemas.
Ainda há muitas características a serem incorporadas nos mercados
avaliados. Para o mercado de passagens aéreas destacam-se a preferência dos
consumidores a determinadas companhias, diferentes custos operacionais
(especialmente de companhias low cost), dentre outros. Para o mercado de etanol,
cabe destacar a incorporação da formação de estoques, as quantidades contratadas
de açúcar e etanol anidro, os novos produtos derivados da cana e os retornos
gerados pelo etanol de segunda geração.
Conforme mencionado ao longo deste trabalho, o emprego dos modelos
baseados em agentes é limitado pelo objetivo do pesquisador e pela capacidade de
incorporar as características relevantes de cada modelo. Há, portanto, muito campo
de pesquisa a ser explorado pela economia através do uso desta modelagem.
 93

REFERÊNCIAS

AHMED, H.J.A.; BACHAR, O.H.M.N.; WADUD, I.K.M.M. The transitory and

permanent volatility of oil prices: What implications are there for the US industrial
production? Applied Energy, v. 92, p. 447-455, 2012.

ALEXANDER, C. Modelos de Mercados. São Paulo: Bolsa de Mercadorias e

Futuros, 5 ed., 2009.

ALVES, D.C.O.; BUENO, R.D.L. Short-run, long-run and cross elasticities of gasoline
demand in Brazil. Energy Economics, v. 25, p. 191-199, 2003.

ALVES, L.R.A. Transmissão de preços entre produtos do setor sucroalcooleiro

do estado de São Paulo. 2002. 107 p. Dissertação (Mestrado) - Escola Superior de
Agricultura Luiz de Queiroz, Universidade de São Paulo, Piracicaba, 2002.

AMIHUD, Y.; MENDELSON, H. Multi-period Sales Production Decisions Under

Uncertainty. Journal of Economic Dynamics and Control, v. 5, pp. 249-265, 1983.

ANAM, M.; CHIANG, S-H. Price discrimination and social welfare with correlated
demand. Journal of Economic Behaviour & Organization, v. 61, p. 110-122, 2006.

AWUDU, I.; ZHANG, J. Uncertainties and sustainability concepts in biofuel supply

chain management: A review. Renewable and Sustainable Energy Reviews, v. 16,
p. 1359-1368, 2012.

AWUDU, I.; ZHANG, J. Stochastic production planning for a biofuel supply chain
under demand and price uncertainties. Applied Energy, v. 103, p. 189-196, 2013.

AXELROD, R. The Complexity of Cooperation: agent-based models of

competition and cooperation. New Jersey: Princeton University Press, 1997.

AYE, G.C.; DADAM, V.; GUPTA, R.; MAMBA, B. Oil price uncertainty and
manufacturing production. Energy Economics, v. 43, p. 41-47, 2014.

BARGIGLI, L.; TEDESCHI, G. Interaction in agent-based economics: A survey on the

network approach. Physica A, v. 399, p. 1–15, 2014.

BASTOS, V.D. Biorrefinarias, biocombustíveis e química renovável: revolução

tecnológica e financiamento. Revista do BNDES, v. 38, p. 85-138, 2012.

BERNANKE, B.S. Irreversibility, Uncertainty, and Cyclical Investment. NBER,

Working Paper Series 502, p. 1-24, 1980.

BERT, F.E.; ROVERE, S.L.; MACAL, C.M.; NORTH, M.J.; PODESTÁ, G.P. Lessons
from a comprehensive validation of an agent based-model: The experience of the
Pampas Model of Argentinean agricultural systems. Ecological Modelling, v. 273, p.
284-298, 2014.
 94

BOYLU, F.; AYTUG, H.; KOEHLER, G.J. Principal–agent learning. Decision

Support Systems, v. 47, p. 75–81, 2009.

BUSSE, M. Firm Financial Condition and Airline Price Wars. RAND Journal of
Economics, v. 33, n. 2, p. 298-318, 2002.

CALDART, A.A.; RICART, J.E. A Formal Evaluation of the Performance of

Different Corporate Styles in Stable and Turbulent Environments, Anselmo
Rubiralta Center for Globalization and Strategy, Working Paper n. 621, 2006.

CARROL, K.; COATES, D. Teaching Price Discrimination: Some Clarification.

Southern Economic Journal, v. 66, n. 2, p. 466-480, 1999.

CHANG, M-H.; HARRINGTON JR, J.E. Agent Based Models of Organizations. In:
JUDD, K.; TESFATSION, L. (Eds.) Handbook of Computational Economics II:
Agent-Based Computational Economics. Amsterdan: North-Holland, 2006, p. 1-
52.

CHEN, S-H. Varieties of agents in agent-based computational economics: A

historical and an interdisciplinary perspective. Journal of Economic Dynamics &
Control, v. 36, p. 1-25, 2012.

CHEWA, E.P.; LEE, C.; LIU, R. Joint inventory allocation and pricing decisions for
perishable products. International Journal of Production Economics, v. 120, p.
139-150, 2009.

CHIANG, R.; SPATT, C.S. Imperfect Price Discrimination and Welfare. The Review
of Economic Studies, v. 49, n. 2, p. 155-181, 1982.

CLARK, R.; VINCENT, N. Capacity-contingent pricing and competition in the airline

industry. Journal of Air Transport Management, v. 24, p. 7-11, 2012.

CLEOPHAS, C. Multi-agent modelling for revenue management. Journal of

Revenue & Pricing Management, v. 11, n. 2, p. 240-242, 2011.

CONAB COMPANHIA NACIONAL DE ABASTECIMENTO. Brasília: CONAB. Anual.

Perfil do Setor do Açúcar e do Álcool no Brasil: Safra 2011/2012. ISSN: 2318-3772.

COSTA, C.C. Formação de preços de açúcar e álcool combustível anidro e

hidratado no Estado de São Paulo. 2001. 104 p. Dissertação (Mestrado) - Escola
Superior de Agricultura Luiz de Queiroz, Universidade de São Paulo, Piracicaba,
2001.

COSTA, O.L.V.; NABHOLZ, R.B. A Multi-Period Mean-Variance Portfolio Selection

Problem. Revista Brasileira de Finanças, v. 3, n. 1, p. 101-121, 2005.

CRAGO, C.L.; KHANNA, M.; BARTON, J.; GIULIANI, E.; AMARAL, W.

Competitiveness of Brazilian sugarcane ethanol compared to US corn ethanol.
Energy Policy, v. 38, p. 7404-7415, 2010.
 95

CUI, X.; GAO, J.; LI, X.; LI, D. Optimal Multi-Period Mean-Variance Policy under No-
Shorting Constraint. European Journal of Operational Research, v. 234, p. 459-
468, 2014.

DAI, Y.; CHAO, X.; FANG, S-C.; NUTTLE, H.L.W. Pricing in revenue management
for multiple firms competing for customers. International Journal of Production
Economics, v. 98, p. 1-16, 2005.

DALAL, A.J.; ALGHALITH, M. Production Decisions under joint price and production
uncertainty. European Journal of Operational Research, v. 197, p. 84-92, 2009.

DANA, J.D. Using yield management to shift demand when the peak time is
unknown. RAND Journal of Economics, v. 30, n. 3, p. 456-474, 1999.

DANTAS, A.L. Otimização Multiperíodo por Média-Variância Sem Posições a

Descoberto em Ativos de Risco. 2006. 79 p. Dissertação (Mestrado) - Escola
Politécnica, Universidade de São Paulo, São Paulo, 2006.

DANTHINE, J-P. Information, Futures Prices, and Stabilizing Speculation. Journal of

Economic Theory, v. 17, p. 79-98, 1978.

DAWID, H.; HARTING, P.; NEUGART, M. Economic convergence: Policy

implications from a heterogeneous agent model. Journal of Economic Dynamics &
Control, v. 44, p. 54-80, 2014.

DE GORTER, H.; DRABIK, D.; KLIAUGA, E.M.; TIMILSINA, G.R. An Economic

Model of Brazil’s Ethanol-Sugar Markets and Impacts of Fuel Policies. The World
Bank Development Research Group, Policy Research Paper 6524, 2013.

DIEHL, D. Formação do Preço do Etanol Hidratado no Estado de São Paulo e

sua Relação com os Mercados de Açúcar e de Gasolina. 2012. 142 p. Tese
(Doutorado) - Escola Superior de Agricultura Luiz de Queiroz, Universidade de São
Paulo, Piracicaba, 2012.

DONALDSON, D.; EATON, B.C. Patience, More Than Its Own Reward: A Note on
Price Discrimination. Canadian Journal of Economics, v. 14, n. 1, p. 93-105, 1981.

DU, X.; CARRIQUIRY, M.A. Flex-fuel vehicle adoption and dynamics of ethanol
prices: lessons from Brazil. Energy Policy, v. 59, p. 507-512, 2013.

ESCOBARI, D.; JINDAPON, P. Price Discrimination through Refund Contracts in

Airlines. International Journal of Industrial Organization, v. 34, p. 1-8, 2014.

FERREIRA, A.L.; PRADO, F.P.A.; SILVEIRA, J.J. Flex cars and the alcohol price.
Energy Economics, v. 31, p. 382-394, 2009.

FERRER, J-C.; OYARZUN, D.; VERA, J. Risk averse retail pricing with robust
demand forecasting. International Journal of Production Economics, v. 136, p.
151-160, 2012.
 96

FILATOVA, T. Empirical agent-based land market: Integrating adaptive economic

behavior in urban land-use models. Computers, Environment and Urban Systems,
2014. No prelo.
FILATOVA, T.; VERBURG, P.H.; PARKER, D.C.; STANNARD, C.A. Spatial agent-
based models for socio-ecological systems: Challenges and prospects.
Environmental Modelling & Software, v. 45, p. 1-7, 2013.

FISCHER, T.; RIEDLER, J. Prices, debt and market structure in an agent-based

model of the financial market. Journal of Economic Dynamics & Control, v. 48, p.
95-120, 2014.

FREITAS, L.C.; KANEKO, S. Ethanol demand under the flex-fuel technology regime
in Brazil. Energy Economics, v. 33, p. 1146-1154, 2011.

FREITAS, L.C.; KANEKO, S. Is there a causal relation between ethanol innovation

and the market characteristics of fuels in Brazil?. Ecological Economics, v. 74, p.
161-168, 2012.

GALLEGO, G.; van RYZIN, G. Optimal Dynamic Pricing of Inventories with

Stochastic Demand over Finite Horizons. Management Science, v. 40, n. 8, p. 999-
1020, 1994.

GERARDI, C.; SHAPIRO, A.H. Does competition reduce price discrimination? New
evidence from the airline industry. Federal Reserve Bank of Boston – Working
paper series, v. 7, n. 7, 2007.

GILBERT, N. Agent-based models. Los Angeles: SAGE Publications, 2008.

GOSAVI, A.; OZKAYA, E.; KAHRAMAN, A.F. Simulation Optimization for revenue
Management for revenue management of airlines with cancellations and
overbooking. OR Spectrum, v. 29, p. 21-38, 2007.

GUALDI, S.; TARZIA, M.; ZAMPONI, F.; BOUCHAUD, J-P. Tipping points in
macroeconomic agent-based models. Journal of Economic Dynamics & Control.
No prelo.

HEPPENSTALL, A.; EVANS, A.; BIRKIN, M. Using Hybrid Agent-Based Systems to

Model Spatially-Influenced Retail Markets. Journal of Artificial Societies and
Social Simulation, v. 9, n. 3, 2006.

HIRA, A.; OLIVEIRA, L.G. No substitute for oil? How Brazil developed its ethanol
industry. Energy Policy, v. 37, p. 2450-2456, 2009.

HOLLAND, J.H.; MILLER, J.H. Artificial Adaptive Agents in Economic Theory. The
American Economic Review, v. 21, n. 2, p. 365-371, maio 1991.

HOLTHAUSEN JR., D.M. Forward Markets and Multiproduct, Multifactor Firm Under
Price Uncertainty. Economics Letters, v. 6, p. 217-223, 1980.
 97

HONDA, Y. Production Uncertainty and the Input Decision of the Competitive Firm
Facing the Futures Markets. Economics Letters, v. 11, p. 87-92, 1983.

IKEDA, T.; TOSHIMITSU, T. Third-degree price discrimination, quality choice, and

welfare. Economics Letters, v. 106, p. 54-56, 2010.

IOOTY, M.; PINTO JR., H.; EBELING, F. Automotive fuel consumption in Brazil:
Applying static and dynamic systems of demand equations. Energy Policy, v. 37, p.
5326-5333, 2009.

ISHII, Y. Hedging and Competitive Firm Under Price, Output and Quality
Uncertainties. Economics Letters, v. 16, p. 257-263, 1984.

JORION. P. Value at Risk: A nova fonte de referência para o controle do risco

de mercado. 5 ed. São Paulo: Bolsa de Mercadoria e Futuros, 2003.

JUDD, K.L. Computational economics and economic theory: Substitutes or

complements? Journal of Economic Dynamics and Control, v. 6, n. 21, p. 907-
942, 1997.

KUHN JR, J.R.; COURTNEY, J.F.; MORRIS, B.; TATARA, E.R. Agent-based
analysis and simulation of the consumer airline market share for Frontier Airlines.
Knowledge-Based Systems, v. 23, p. 875-882, 2010.

LA ROVERE, E.L.; PEREIRA, A.S.; SIMÕES, A.F. Biofuels and Sustainable Energy
Development in Brazil. World Development, v. 39, n. 6, p. 1026–1036, 2011.

LEE, K.C.; LEE, H.; LEE, N. Agent based mobile negotiation for personalized pricing
of last minute theatre tickets. Expert Systems with Applications, v. 39, p. 9255-
9263, 2012.

LEE, K., KANG, W., RATTI, R.A. Oil Price Shocks, Firm Uncertainty, and Investment.
Macroeconomic Dynamics, v. 15, p. 416-436, 2011.

LEITE, R.C.; LEAL, M.R.L.V.; CORTEZ, L.A.B.; GRIFFIN, W.M.; SCANDIFFIO,

M.I.G. Can Brazil replace 5% of the 2025 gasoline world demand with ethanol?
Energy, v. 34, p. 655-661, 2009.

LENGNICK, M. Agent-based macroeconomics: A baseline model. Journal of

Economic Behavior & Organization, v. 86, p. 102-120, 2013.

LENOX, M.J.; ROCKART, S.F.; LEWIN, A.Y. Interdependency, Competition, and the
Distribution of Firm and Industry Profits. Management Science, v. 52, n. 5, p. 757-
772, 2006.

LESLIE, P. Price Discrimination in Broadway Theatre. RAND Journal of

Economics, v. 35, n. 3, p. 520-541, 2004.

LI, D.; NG, W-L. Optimal Dynamic Portfolio Selection: Multiperiod Mean-Variance
Formulation. Mathematical Finance, v. 10, n. 3, p. 387-406, 2000.
 98

LI, B.; SHANG, W.; LI, H.; HUO, L.; XU, S. Disposition effect in an Agent-based
Financial Market Model. Procedia Computer Science, v. 31, p. 680-690, 2014.

LI, J.; TANG, O. Capacity and pricing policies with consumer overflow behaviour.
International Journal of Production Economics, v. 140, p. 825-832, 2012.

LI, H.; TANG, M.; SHANG, W.; WANG, S. Securities Transaction Tax and Stock
Market Behavior in an Agent-based Financial Market Model. Procedia Computer
Science, v. 18, p. 1764-1773, 2013.

MARJOTTA-MAISTRO, M.C. Ajustes nos mercados de álcool e gasolina no

processo de desregulamentação. 2002. 180 p. Tese (Doutorado) - Escola Superior
de Agricultura Luiz de Queiroz, Universidade de São Paulo, Piracicaba, 2002.

McAFEE P.; te VELDE, V. Dynamic Pricing in the Airline Industry. In:

HENDERSHOTT, J., (Ed.). Handbook on Economics and Information Systems.
Nova York: Elsevier Handbooks in Information Systems, 2006. v. I, p. 527-567.

MARKOWITZ, H. Portfolio Selection. Journal of Finance, v. 7, p. 77-91, 1952.

MARKOWITZ, H. Portfolio Selection: Efficient Diversification of Investments.

Nova York: John Wiley, 1959.

MARQUES, D.S.P.; PAULILLO, L.F.O. Coordenação e Coesão em Grupos de

Comercialização de Etanol da Região Centro-Sul do Brasil. Revista de Economia e
Sociologia Rural, v. 50, n. 4, p. 611-630, 2013.

MILANEZ, A.Y.; NYKO, D.; GARCIA, J.L.F.; REIS, B.L.S.F.S. O déficit de produção
de etanol no Brasil entre 2012 e 2015: determinantes, consequências e sugestões
de política. Biocombustíveis - BNDES Setorial, v. 35, p. 277-302, 2011.

MME MINISTÉRIO DE MINAS E ENERGIA. Plano de Energia 2030. Brasília, 2007.

MOLLER, M.; WATANABE, M. Advance Purchase Discount versus Clearance Sales.

The Economic Journal, v. 120, p. 1125-1148, 2010.

OBENG, K.; SAKANO, R. Airline fare and seat management strategies with demand
dependency. Journal of Air Transportation Management, v. 24, p. 42-48, 2012.

PACINI, H.; SILVEIRA, S. Consumer choice between ethanol and gasoline: Lessons
from Brazil and Sweden. Energy Policy, v. 39, p. 6936-6942, 2011.

PAGE, S. E. Agent Based Models. In: DURLAUF, S. N.; BLUME, L. E. (Eds.). The
New Palgrave Dictionary of Economics. [S.I]: Palgrave Macmillan, 2005.
Disponível em: <http://www.dictionaryofeconomics.com/dictionary>. Acesso em: 22
de outubro de 2012.
 99

PAIVA, R.P.O.; MORABITO, R. Otimização do planejamento hierárquico da

produção em usinas cooperadas do setor sucroenergético. Produção, v. 23, n. 3, p.
449-467, 2013.

PINDYCK, R.S. Irreversibility, Uncertainty, and Investment. Massachusetts Institute

of Technology, Working Paper 3137, p. 1-67, 1990.

POWELL, J.H.; COYL, R.G. Identifying strategic actions in highly politicized contexts
using agent-based qualitative system dynamics. Journal of the Operational
Research Society, n. 56, p. 787-798, 2005.

QUINTINO, D.D.; DAVID, S.A. Quantitative analysis of feasibility of hydrous ethanol

futures contracts in Brazil. Energy Economics, v. 40, p. 927-935, 2013.

REECE, W.S.; SOBEL, R.S. Diagrammatic Approach to Capacity-Constrained Price

Discrimination. Southern Economic Journal, v. 66, n. 4, p. 1001-1008, 2000.

REKIK, Y.M.; HACHICHA, W.; BOUJELBENE, Y. Agent-Based Modeling and

Investors’ Behavior Explanation of Asset Price Dynamics on Artificial Financial
Markets. Procedia Economics and Finance, v. 13, p. 30-46, 2014.

RIVKIN, J.W. Imitation of Complex Strategies. Management Science, v. 46, n. 6, p.

824-844, 2000.

ROBERTSON, D.A.; CALDART, A.A. Natural Science Models in Management:

Opportunities and Challenges. E:CO Issue, v. 10, n. 2, p. 61-75, 2008.

ROOZMAND, O.; GHASEM-AGHAEE, N.; HOFSTEDE, G. J.; NEMATBAKHSH, M.

A.; BARAANI, A.; VERWAART, T. Agent-based modeling of consumer decision
making process based on power distance and personality. Knowledge-Based
Systems, n. 24, p. 1075-1095, 2011.

SAFARZYNSKA, K.; van den BERGH, J.C.J.M. Evolutionary models in economics: a

survey of methods and building blocks. Journal of Evolution Economics, v. 20, p.
329-373, 2010.

SANTO, G.F. Fuel demand in Brazil in a dynamic panel data approach. Energy
Economics, v. 26, p. 229-240, 2013.
STAVINS, J. Price Discrimination in the Airline Market: The Effect of Market
Concentration. Review of Economics and Statistics, v. 83, n. 1, p. 200-202, 2001.

SUEYOSHI, T. An agent-based approach with collaboration among agents:

Estimation of wholesale electricity price on PJM and artificial data generated by a
mean reverting model. Energy Economics, n. 32, p. 1025-1033, 2010.

TESFATSION, L. How Economists Can Get A-Life. In: ARTHUR, B.; DURLAUF,
S.N.; LANE, D. (Eds). The Economy as a Complex Evolving System II. [S.I]:
Addison Wesley, 1997. Disponível em: <http://www.econ.iastate.edu/tesfatsi/>.
Acesso em: 26 de março de 2012.
 100

UNICA UNIÃO DA INDÚSTRIA DA CANA DE AÇÚCAR. O Setor Sucroenergético e

o Mercado de Etanol Carburante. Sertãozinho: 2012. Disponível em: <
http://www.brasilagro.com.br/public/images/20120720-Apresentacao-Padua.pdf>.
Acesso em: 17 fev. 2013.

UNICA UNIÃO DA INDÚSTRIA DA CANA DE AÇÚCAR. Coletiva de Imprensa. São

Paulo: 2013. Disponível em: <http://www.unicadata.com.br/listagem.php?idMn=86>.
Acesso em: 01 abr. 2014.

ZHANG, L.; SONG, H.; CHEN, X.; HONG, L. A simultaneous multi-issue negotiation
through autonomous agents. European Journal of Operational Research, v. 210,
p. 95-105, 2011.

ZHANG, T.; ZHANG, D. Agent-based simulation of consumer purchase decision-

making and the decoy effect. Journal of Business Research, v. 60, p. 912-922,
2007.
 101

APÊNDICE A – Simulação de Monte Carlo

A Simulação de Monte Carlo consiste na utilização de simulações numéricas

com o objetivo de calcular a distribuição dos retornos esperados dos produtos
(ativos9) que compõem uma carteira, considerando milhares de cenários possíveis
para a variação do valor da variável de interesse.
Conforme detalhado em Jorion (2003), na simulação de Monte Carlo
considera-se que os retornos dos ativos seguem um processo estocástico segundo
descrito pelo Movimento Browniano Geométrico, conforme a seguinte equação:

= 8. œ + 9. œÁ
¼ Œ
Œ
(A.1)

Em que:
P: preço do ativo
t: tempo
8: taxa de retorno esperada
9: volatilidade dos retornos
Á: Processo de Wiener (ou Movimento Browniano)

Variações em W (dW) correspondentes ao intervalo dt satisfazem as

seguintes condições:
i. A relação entre dÁ e d é dada por œÁ = I √œ , em que I é um número
aleatório dado por I ~•#0, 1&; e
ii. I não possui correlação serial: 3 I c = 0 para t ≠ z, ou seja, os valores
de dW são independentes para dois intervalos de tempo distintos
(processo de Markov).

O processo de Wiener é, portanto, especialmente interessante para descrever

o comportamento de ativos pelas seguintes propriedades: (i) é um processo de
Markov, ou seja, considera que apenas o valor presente da variável é importante
para definir seu valor esperado; (ii) possui incrementos independentes e (iii) a

9
Estritamente falando, a Simulação de Monte Carlo considera os fatores de risco dos ativos de uma
carteira para estimar a distribuição dos retornos desta em um dado horizonte de tempo. Para maiores
detalhes, ver Alexander (2009) e Jorion (2003).
 102

variância aumenta linearmente com o intervalo de tempo e as mudanças no

comportamento da variável de interesse são bem representadas pela Distribuição
Normal.
Pela consideração das relações descritas acima, chega-se à seguinte
equação para descrever o movimento dos retornos:
¼ Œ
= 8. œ + 9. I √œ (A.2)
Œ

Em que:

I: número aleatório que segue distribuição Normal Padrão: I ~•#0, 1&

Aplicando-se o Lema de Ito à equação (A.2) tem-se a solução para tempo

discreto, dada por:
ÂÃL∆à = Âà . ÄÅÆ Ç − ÈÉ /É . ∆à + È. Ëà . √∆à (A.3)

Para o caso de haver mais de um ativo na carteira, os números aleatórios

utilizados em (3.3) devem manter a mesma correlação dos valores observados,
garantindo a manutenção da oscilação conjunta dos ativos (ou o risco conjunto).
Para tal, utiliza-se a Decomposição de Choleski sobre a matriz de correlação dos
ativos da carteira, de forma que Ì#ËÍ . ËÎ & = Ï, em que i, j são ativos da carteira (2 ≠ •)
e Ï é a correlação passada entre os ativos i, j.
Logo, após a Decomposição de Choleski, a equação (A.3) para cada ativo k
da carteira passa a ser escrita como:
ÂÐ ∆à = ÂÐ Ã . ÄÅÆ #ÇÐ − ÈÉÐ /É&. ∆Ñ + ÈÐ . ÒÐ Ã . √∆à (A.4)
Em que:
k: ativo
's ∆I : preço do ativo k para o horizonte ∆
's I : preço do ativo k conhecido em t
8s : média dos retornos do ativo k
9sn : variância dos retornos do ativo k
•s I : números aleatórios correlacionados segundo a decomposição de Choleski

Com base em um gerador de números aleatórios normalmente distribuídos,

com média zero e variância um (~ • 0, 1 ), o modelo utiliza a média, o desvio-
 103

padrão e a matriz de correlação dos retornos passados dos ativos que compõem a
carteira para simular os retornos futuros. A partir da distribuição dos valores
simulados, é calculado o valor esperado para o percentil de interesse.