Marilda Da Penha Teixeira Nagaoka PDF

VIABILIDADE ECONMICA SOB CONDIES DE RISCO EM CO-GERAO DE ENERGIA
ELTRICA1
MARILDA DA PENHA TEIXEIRA NAGAOKA2 & MAURA SEIKO TSUTSUI ESPERANCINI3
1
Parte da Tese de Doutorado do primeiro autor intitulada: Aplicao de redes neurais em anlise de
viabilidade econmica de co-gerao de energia eltrica.
2
Aluna do Programa de Ps Graduao em Agronomia - Energia na Agricultura - FCA/UNESP Botucatu/SP - Brasil, Economista, e-mail. marilda@fca.unesp.br e Docente do Departamento de
Cincias Econmicas, Contbeis e Administrao da Sociedade Lageana de Educao FACVEST
Lages SC.
3
Orientador e docente do Departamento de Gesto e Tecnologia Agroindustrial FCA/UNESP,
Botucatu/SP - Brasil, e-mail. maura@fca.unesp.br
RESUMO: A co-gerao de energia eltrica tem sido considerada uma alternativa importante na
diversificao de fontes de gerao de energia eltrica no Brasil. Apesar do potencial desta fonte
alternativa de energia, o mercado para a energia eltrica co-gerada est ainda hoje, sujeito a um ambiente
de risco e incerteza. Este trabalho teve por objetivo analisar a viabilidade econmica de um projeto de
investimento em co-gerao de energia eltrica em uma usina sucroalcooleira com vistas
comercializao de excedentes, sob condies de risco, utilizando o algoritmo de Redes Neurais
Artificiais. Procurou-se tambm testar a convergncia dos resultados obtidos por este mtodo com outro
mais tradicionalmente utilizado em anlise de risco para a determinao dos indicadores de viabilidade
econmica do investimento. Os indicadores utilizados foram: Valor Atual Lquido (VAL); Taxa Interna de
Retorno (TIR); Relao Benefcio Custo (RBC); Payback Simples (PBS) e Payback Econmico (PBE).
A anlise foi realizada considerando dois cenrios: a possibilidade ou no de obteno de financiamento e
nvel de eficincia de queima do bagao de 4 toneladas para gerao de 1 MW. No mtodo de Redes
Neurais Artificiais, as redes foram alimentadas com as seguintes variveis de entrada: valor do
investimento; despesas com juros e amortizao; despesa com aquisio e transporte do bagao e receita
operacional, tendo como varivel de sada o fluxo lquido de caixa. A validao dos resultados pelo
mtodo de Monte Carlo mostrou convergncia com os resultados obtidos pelo algoritmo de Redes Neurais
Artificiais para o cenrio financiado. Porm, para o cenrio onde se considerou a impossibilidade de
obteno de financiamento os resultados obtidos pelos dois mtodos foram discrepantes. Os resultados
mostram que em condies de obteno de financiamento, o projeto de investimento vivel
economicamente e invivel economicamente para as situaes em que no h possibilidade de obteno
de financiamento.
Energ. Agric., Botucatu, vol. 21, n.2, 2006, p.81-98
Nagaoka & Esperancini
- Viabilidade econmica sob condies de risco ... -
Palavras-Chave: Risco, viabilidade econmica, Redes Neurais Artificiais.
ECONOMIC VIABILITY OF ELECTRICAL ENERGY CO-GENERATION UNDER RISK

CONDITION
SUMMARY
Electricity co-generation has been considered an important alternative in the
diversification of electrical energy sources in Brazil. In spite of the great potential presented by
this source of energy, the market for electrical co-generation is still today subject to risk and
uncertainty. The objective of this study was to analyze the economic viability of an electrical
energy co-generation investment project in an alcohol and sugar mill located in the Western
region of So Paulo state, under risk conditions, using the algorithm of Artificial Neural
Networks. The convergence of the results obtained by this method was tested with a more
traditionally method used in risk analysis to determine the investment economic viability
indicators. The used indicators were Net Present Value (NPV); Internal Rate of Return (IRR);
Benefit Cost Rate (BCR); Payback (PB) and Economic Payback (EPB). The analysis was
performed in two different scenarios, considering the financing credit availability, efficiency level
of four 1,000 kg weights of bagasse burning. In the Artificial Neural Networks method, the nets
were supplied with input variables, such as investment value, interests and amortization, bagasse
acquisition and transport, operational revenue. The output variable was the liquid cash flow. The
result validation by the Monte Carlo method showed a convergence for results obtained by the
algorithm of Artificial Neural Networks, when the credit financing was considered. In the case of
scenarios, where there was not credit financing, the results did not show convergence. The results
showed that the investment project is economically viable just under financing conditions.
Keywords: risk; economic viability; artificial neural networks.
1 INTRODUO
A demanda por energia tem apresentado crescimento nos ltimos anos sem o correspondente
aumento de oferta de energia, (ANEEL, 2004) o que pode provocar episdios de escassez de energia
como o ocorrido em 2001.
Algumas opes para aumentar o parque gerador de energia eltrica tm sido aventadas como a
co-gerao de energia eltrica a partir do bagao da cana-de-acar. H vrios anos, a co-gerao de
energia eltrica a partir do bagao de cana-de-acar vem sendo adotada pelas usinas visando o
suprimento prprio.
82
Conforme CENBIO (2005), o Brasil possui um potencial de 4.500 MW proveniente da cogerao de energia eltrica a partir do bagao de cana at 2008, o que representa um aumento de 150% em
relao ao que ofertado hoje pelo setor. Porm somente a partir de 1995 comearam a ser criadas as
condies para a comercializao do excedente de energia eltrica gerada no setor sucroalcooleiro.
Para atrair investimentos privados para o setor eltrico, o governo iniciou a partir de 1995 um
processo de desregulamentao do setor que incluiu aes como: a) Separao das atividades de gerao,
transmisso, distribuio e comercializao; b) Melhora das condies de competio na gerao e na
comercializao, para garantir eficincia e baixo custo da energia; c) Atrao de recursos da iniciativa
privada para garantir a expanso e d) Definio de regras especficas nos contratos de concesso, para
garantir confiabilidade e qualidade no fornecimento.
Esperava-se que, com a segregao das reas de gerao, transmisso e distribuio, o mercado
seria competitivo para venda de energia, ampliando-se, portanto, as possibilidades de negociaes para a
comercializao de energia eltrica pelo setor sucroalcooleiro, por meio da figura do autoprodutor.
Estas mudanas que regulamentam a comercializao de energia eltrica, levaram parcelas do
setor sucroalcooleiro a realizar investimentos visando comercializar o excedente de energia, para
aproveitar as vantagens da venda de excedentes de energia eltrica, em vista de suas dificuldades
econmicas e de sua necessidade de diversificao e implantao de economias de escopo (Coelho &
Zylberstajn, 1998).
Entretanto, verificou-se que, apesar do potencial apresentado por esta fonte alternativa de
energia, o mercado para a energia eltrica co-gerada est ainda hoje, sujeito a um ambiente de risco e
incerteza, devido a mudanas constantes nas regras que permeiam o funcionamento do setor eltrico
brasileiro.
Nagaoka (2001) identificou as fontes de risco potencial e efetivo no processo de
comercializao de excedentes de energia co-gerada a partir de informaes dos agentes envolvidos neste
processo, como: alta especificidade de ativos, ou seja, as usinas precisam realizar investimentos
especficos visando a comercializao do excedente com a distribuidora (se ocorrer uma anulao do
contrato, a usina ter dificuldades de recuperar o investimento realizado); necessidade de regularidade de
suprimento; escassa estrutura de informaes e elevada incerteza devido a problemas de regulamentao
do mercado. Um exemplo de problema desta natureza diz respeito separao do mercado de energia em
dois, ou seja, antes da implantao do novo modelo, as empresas do setor disputavam o mesmo mercado,
pois, no havia distino entre as empresas que entraram em operao antes e depois de 2000. A partir do
novo modelo do setor eltrico as usinas que entraram em operao at o ano de 2000 foram separadas das
que entrarem em operao a partir desta data. As primeiras formaram o mercado de energia velha,
enquanto as demais vendero a energia nova. A energia nova ser vendida por um preo mais alto
Energ. Agric., Botucatu, vol. 21, n.2, 2006, p-81-98
83
tendo por objetivo incentivar os investimentos em novos projetos, e como conseqncia disto, as usinas j
em operao, podero se tornar menos rentveis.
Lima (2004) verificou que o ambiente para venda de energia continua bastante incerto para os
investidores, mesmo com o processo de desregulamentao pois estes consideram excessiva a
concentrao de poder nas mos do governo, aps o anncio do novo modelo do setor eltrico em
dezembro de 2003. A avaliao dos investidores no setor eltrico que a criao, por parte do governo de
uma empresa pblica para realizar o planejamento do setor e a gesto do Operador do Sistema Eltrico
deve concentrar as decises do setor na esfera governamental. Para eles a reduo ao mnimo das
possibilidades de interveno do governo poderia reduzir a incerteza no setor.
Alm dos problemas regulatrios que o setor vem enfrentando, no se pode deixar de mencionar
que, apesar de os investimentos em co-gerao serem comparativamente menores que outras fontes, como
por exemplo, a gerao hidreltrica, o montante de recursos necessrios para implementar alteraes na
planta industrial das usinas com vistas a co-gerao para a venda de excedentes de energia eltrica ainda
relativamente elevado para o setor sucroalcooleiro.
O ambiente de incerteza gera dificuldades estimativa de indicadores de viabilidade que
subsidiam a tomada de deciso de investidores privados no processo de co-gerao, por isso estimativas
baseadas na probabilidade de variao do comportamento das variveis que interferem na viabilidade de
investimentos em co-gerao, podem auxiliar a tomada de deciso.
Este trabalho teve por objetivo analisar a viabilidade econmica de um projeto de investimento
em co-gerao de energia eltrica de uma usina de acar e lcool na regio Oeste de So Paulo, com
vistas comercializao de excedentes, sob condies de risco, utilizando o algoritmo de Redes Neurais
Artificiais. Procurou-se tambm testar a convergncia dos resultados obtidos por este mtodo com outro
mais tradicionalmente utilizado em anlise de risco para a determinao dos indicadores de viabilidade
econmica do investimento.
2 METODOLOGIA
Para testar o algoritmo de Redes Neurais Artificiais foram gerados valores aleatrios para as
variveis do presente estudo utilizando-se o software estatstico ARENA. Para gerao destes valores
foram utilizadas as mesmas distribuies de probabilidade definidas para estas variveis no mtodo de
Monte Carlo. Foi realizada tambm a anlise pela simulao estocstica, utilizando o Mtodo de Monte
Carlo para testar a convergncia de resultados.
84
Ambos os mtodos foram aplicados em estudo de caso junto a uma usina de acar e lcool de
mdio porte localizada na regio Oeste do estado de So Paulo, que produz energia para auto-consumo e
venda de excedentes.
A realizao de estudo de caso, neste trabalho, justifica-se principalmente devido restrio de
acesso s informaes relacionadas unidade de co-gerao nas usinas.
2.1 Dados coletados
O investimento total foi de R$ 30.150.000,00, incluindo: aquisio de caldeira, turbo redutor,

subestao, gerador, torre de resfriamento, cabos e acessrios eltricos para montagem do turbogerador,
sistema de ventilao, instalaes e montagens de equipamentos e painis eltricos.
O horizonte temporal considerado neste estudo foi de 20 anos, prazo determinado pela usina
para durao do projeto, em funo da vida til dos equipamentos.
Alm dos investimentos iniciais, foram coletadas informaes sobre as despesas operacionais da
unidade de co-gerao e os custos de tratamento de gua e gerao de vapor (especificamente mo-deobra, insumos e manuteno dos equipamentos) e os custos da gerao de energia eltrica
(especificamente, despesas com mo-de-obra e manuteno) totalizando R$ 842.500,00 por ano.
Foram coletados, tambm, os custos de aquisio do bagao de cana que variou, no perodo,
entre 500 e 5.000 toneladas/ano junto a outras usinas, para a cogerao do volume de energia contratado
com a distribuidora a um valor mdio de R$ 30,00/tonelada. Alm do custo de aquisio incluiu-se
tambm o custo de transporte desta matria prima, que de R$ 20,00/tonelada.
Foi determinado tambm o custo de oportunidade do bagao da usina que de R$
30,00/tonelada. Considerou-se este custo, pois antes de 2003, ano que foi fechado o contrato de venda de
27 MW com a distribuidora, a usina gerava excedentes de bagao que eram comercializados junto a outras
indstrias. Do total de excedente de bagao, que era de 538.800 toneladas por ano, apenas 20% eram
colocados no mercado, correspondendo, em mdia, a 107.760 toneladas de bagao por ano.
Com a contratao de venda de energia eltrica para a distribuidora, a usina utiliza todo o
bagao produzido, (alm do volume adquirido de terceiros) e portanto acabou renunciando receita
advinda da venda de bagao, considerando-se, portanto como um custo adicional do investimento.
As receitas do projeto, ou fluxos de entrada, referem-se venda de energia eltrica co-gerada
excedente para a distribuidora durante a safra (perodo de maio a novembro) aos preos e quantidades
contratados junto s distribuidoras. O volume de venda de energia a partir do investimento na unidade de
cogerao em anlise de 138.672 MWh (valor obtido considerando-se a quantidade de energia
contratada com a distribuidora 27 MW multiplicado por 5.136 que corresponde ao nmero de horas
85
durante a safra da cana-de-acar). Ressaltando que a safra da cana-de-acar vai do ms de maio a

novembro, totalizando 214 dias multiplicados por 24 horas obtm-se o nmero de horas durante a safra
que so 5.136.
Como este tipo de atividade conta com possibilidade de financiamento, a uma taxa de juros de
14,5% ao ano junto ao Banco Nacional de Desenvolvimento Econmico e Social (BNDES), considerou-se
como entrada de caixa os crditos de financiamento, quando for o caso de contratao do financiamento.
Neste caso, os pagamentos de juros e amortizao do financiamento foram considerados nos fluxos de
sada. Este financiamento pertence linha de crdito da Operao Programa de Financiamento para
Projetos de gerao de energia eltrica proveniente do setor sucroalcooleiro. Este programa tem as
seguintes caractersticas: financiamento de at 80% do capital, 2 anos de carncia, 10 anos de amortizao
com pagamentos mensais durante a safra, taxa de juros de longo prazo (TJLP) de 11% a.a.; Spread
bsico de 1,00% a.a.; e Spread de risco de 2,50% a.a. totalizando 14,5% de juros ao ano. A forma de
amortizao do investimento foi o sistema de amortizao constante (SAC).
2.2 Indicadores de viabilidade econmica em projetos de investimento
Para analisar a viabilidade econmica do projeto de investimento com vistas comercializao

de excedentes de energia eltrica co-gerada sob condies de risco em uma usina sucroalcooleira, foram
utilizados os seguintes indicadores de viabilidade econmica: Valor Atual Lquido (VAL); Taxa Interna
de Retorno (TIR); Relao Benefcio Custo (RBC); Payback Simples (PBS); e, Payback Econmico
(PBE).
A partir dos dados coletados junto usina, objeto deste estudo, foram elaborados os fluxos de
caixa. Os fluxos de sada, no caso deste estudo, compem-se de: valor dos investimentos incrementais
para implantao da unidade de co-gerao, despesas com juros e amortizao (em anlise de situaes de
financiamento), custo de aquisio e transporte do bagao, custo de oportunidade do bagao prprio, e
custos operacionais que incluem despesas com insumos, mo de obra, e manuteno.
Os fluxos de entrada so as receitas provenientes da venda da energia eltrica co-gerada junto
distribuidora e o valor do crdito do financiamento no ano zero.
importante salientar que o valor do investimento considerado neste estudo refere-se ao
investimento incremental na unidade de co-gerao para gerao do excedente de energia comercializado
junto distribuidora.
86
2.3 Mtodo de Redes Neurais Artificiais para anlise de risco em projetos de investimentos
A anlise de risco pode ser feita em diversas condies tecnolgicas e econmicas que, em seu
conjunto, permitem caracterizar total ou parcialmente o ambiente econmico no qual se insere o processo
em anlise. Este conjunto de condies chamado de cenrio e possibilita avaliar o impacto de vrias
circunstncias sobre o retorno das empresas (Gitman 2004).
Foram considerados dois cenrios de anlise, aplicando o mtodo Redes Neurais Artificiais, que
levaram em conta uma condio estrutural que afeta o desempenho econmico de projetos de
investimento no segmento de co-gerao que a obteno de financiamento do investimento inicial. Para
projetos deste tipo so escassas, no Brasil, linhas de crdito do setor financeiro privado, fazendo com que,
em geral, as empresas recorram ao financiamento junto ao Banco Nacional de Desenvolvimento
Econmico e Social (BNDES).
O cenrio 1 dado pela possibilidade de financiamento e utilizou-se o nvel de eficincia de
queima de 4,0 toneladas de bagao, que corresponde ao nvel de eficincia da usina, para gerao de um
MW de energia eltrica.
No cenrio 2 considerou-se a no obteno de linha de crdito obrigando a utilizao de 100%
de capital prprio para os investimentos iniciais, e o mesmo nvel de eficincia anterior.
No presente trabalho as redes implementadas so do tipo perceptron multicamadas. Nesta rede,
as camadas intermedirias funcionam como extratoras de caractersticas, seus pesos so codificao de
caractersticas apresentadas nos padres de entrada e permitem que a rede crie sua prpria representao,
mais rica e complexa, do problema (Fernandes, 2003).
O processo de aprendizagem da rede percetron multicamadas foi realizado utilizando-se o
algoritmo Backpropagation que um algoritmo supervisionado, cujo treinamento ocorre em dois passos:
passo para frente (forward) e passo para trs (backward). No passo para frente a entrada apresentada
primeira camada. Para cada camada determina-se a sada (soma ponderada da entrada multiplicada pelo
peso), que ser utilizada como entrada da camada seguinte e assim sucessivamente at chegar na ltima
camada, onde tero as sadas da rede comparadas com as sadas desejadas. No passo para trs, na camada
de sada determina-se o (erro = sada desejada sada da rede) este erro propagado para trs atravs da
rede e os pesos so ajustados de forma a reduzir seus erros (Haykin , 2001; Braga et al., 2000).
2.3.1 Definio da entrada e sada da rede
As variveis de entrada da rede no presente trabalho foram: o valor do investimento (inv),

despesas com juros e amortizao (j+a), financiamento (financiamento); custo de aquisio e transporte do
87
bagao adquirido (bag terc) e receita operacional (rece ope). A sada da rede o valor do fluxo lquido
(flux). Considerando-se que para o treinamento das redes necessrio utilizar dados que apresentam
variabilidade, as variveis despesa operacional e custo do bagao prprio que apresentam valores
constantes no foram considerados no treinamento e teste das redes. Os valores destas duas variveis
foram utilizados apenas para determinao dos indicadores de viabilidade econmica. A ilustrao das
entradas e sadas da rede mostrada na figura 1 a seguir.
Figura 1 Rede Percepton Multicamadas.
Foram treinadas 2 redes que obedecem as seguintes caractersticas dos cenrios descritos anteriormente:
Rede-1:
Dados de entrada: investimento, financiamento, juros e amortizao, custo do bagao de terceiros, receita
operacional; Total de dados do treinamento: 600
Rede -2:
Dados de entrada: investimento, custo do bagao de terceiros, receita operacional; Total de dados do
treinamento: 400.
88
2.3.2 Validao da rede
Para cada rede, os dados foram divididos em cerca de 67% dos dados para treinamento e 33%
dos dados restantes para validao.
Para cada cenrio considerado as redes foram treinadas variando o nmero de camadas e o
nmero de neurnios em cada camada. Como os pesos so elementos iniciados com valores aleatrios,
para cada treinamento obtm se valores diferentes. Desta forma, treinou-se cada rede cinco vezes com a
mesma arquitetura para selecionar o melhor resultado. Escolheu-se como o melhor resultado a rede que
obteve menor coeficiente de variao do erro relativo em relao aos dados de validao.
Em cada treinamento, determinou-se o erro relativo mdio por meio das seguintes equaes:
E=
1 n
. Ei
n i =1
(1)
onde n a quantidade de padres de teste e Ei o erro relativo do i-simo padro de teste ou seja:
Ei =
di ri
di
.100
(2)
Onde di a sada desejada, ou seja, os valores observados;

e ri a sada obtida pela rede, ou seja, os valores calculados pela rede.
A varincia do erro relativo e o desvio padro do mesmo foram calculados, respectivamente,

por meio das seguintes frmulas:
Var(E) =
1
. (ri E ) 2
n
Desvio =
Var (E )
(3)
(4)
89
2.3.3 Seleo aleatria de valores de fluxos de caixa para obteno dos indicadores de
viabilidade econmica
A partir do treinamento e teste da rede foram obtidos saldos de caixa, possveis para os diversos
anos de durao do projeto. Em posse destas informaes foi selecionada uma amostra intencional para
refletir o ordenamento do fluxo de caixa. No caso de financiamento selecionou-se saldos de caixa para
refletir o crdito do financiamento e pagamento de juros e amortizao. Nos demais anos foram
selecionados ao acaso resultados aleatrios de saldos de fluxos de caixa. No caso de situaes sem
financiamento, o ordenamento tambm foi aleatrio. A partir dos valores do fluxo lquidos selecionados
determinou-se os indicadores de viabilidade econmica do projeto: VAL, TIR, Relao Benefcio/Custo;
PBE; PBS.
2.4 Mtodo de Monte Carlo para anlise de risco em projetos de investimentos
Dado o uso recente da metodologia de Redes Neurais Artificiais na anlise econmica de projetos
com insero de risco, procurou-se testar a convergncia dos resultados obtidos com outro mtodo mais
tradicionalmente utilizado em anlise de risco em investimentos, como forma de validar os resultados
obtidos. O mtodo escolhido foi a simulao de Monte Carlo, que permite a variao simultnea de
variveis e a anlise de seus efeitos conjuntos na rentabilidade do investimento. Neste mtodo atribui-se
uma distribuio de probabilidade ou funo de densidade varivel ou variveis escolhidas para anlise.
A cada valor (ou conjunto de valores da varivel) associa-se a probabilidade de sua ocorrncia nas
condies reais do projeto. A seguir retira-se um valor ao acaso de cada uma das distribuies de
probabilidade obtidas no passo anterior. Estes novos valores substituem os valores originais nos fluxos de
caixa do projeto base. Tem-se assim um novo projeto pela simulao no computador, determinando-se,
ento, o indicador ou indicadores de avaliao usando este fluxo de caixa (Ospina, 1998).
O procedimento anterior repetido de tal modo que para cada conjunto de valores selecionados ao
acaso das distribuies de probabilidade, tem-se um nico valor recalculado dos indicadores de avaliao.
Este processo repetido algumas centenas de vezes at que se tenha uma distribuio de freqncia de
cada indicador de avaliao. Colocadas sob a forma de distribuies acumuladas de probabilidades, as
estimativas dos indicadores de avaliao permitiro fazer referncias mais seguras sobre o grau de risco
que o empresrio ir assumir ao tomar sua deciso sobre o investimento analisado.
As variveis simuladas neste mtodo foram: o preo do MW comercializado, quantidade de MW
comercializado, custo de aquisio e transporte do bagao, custo de oportunidade do bagao prprio, valor
90
do investimento, valor do financiamento, custo operacional, receita proveniente da venda do bagao pela
usina e despesas com amortizao e juros.
Para a varivel preo do MW comercializado junto distribuidora, foi considerada a
distribuio triangular, com os seguintes valores: moda de R$75,00/MW, valor mnimo R$12,00 e valor
mximo R$100,00. Estes valores referem-se aos valores pagos pela distribuidora pelo MW no perodo de
1999 a 2003. A opo por esta distribuio para a varivel preo deve ao melhor ajustamento dos dados.
Para a varivel quantidade de bagao adquirida junto a terceiros foi considerada a distribuio
uniforme, a partir de dois parmetros: o limite inferior de 500 toneladas por ano e limite superior de 5000
toneladas. Estes valores referem-se aos volumes de bagao adquiridos de outras usinas, nos anos de 2003
e 2004. Esta aquisio passou a ser necessria devido ao contrato de venda de excedentes de energia para
a distribuidora.
Para a varivel quantidade de bagao prprio foi considerada a distribuio Spike a partir do
valor 07.760. Este volume de bagao refere-se ao volume comercializado pela usina antes da realizao do
contrato de venda de 42 MW com a distribuidora. Antes de 2003, ano que foi fechado este contrato com a
distribuidora, a usina gerava excedentes de bagao que eram comercializados junto a outras indstrias.
Para as demais variveis (investimento inicial, financiamento, despesas com juros e
amortizao, despesa operacional, quantidade de energia comercializada, preo do bagao de terceiros,
preo do bagao prprio) as distribuies de probabilidade foram do tipo Spike onde a varivel assume
apenas um valor no processo de simulao.
Este procedimento foi repetido para a anlise nos 2 cenrios descritos anteriormente. Ressalte-se
que os cenrios so os mesmos considerados anteriormente como forma de testar a convergncia de
resultados em relao ao algoritmo de Redes Neurais Artificiais. Destaca-se que as mesmas distribuies
de probabilidade definidas para as variveis para o mtodo de Monte Carlo tambm foram consideradas
para gerao de valores aleatrios no software estatstico ARENA que foram utilizados para o treinamento
e teste das redes neurais.
Para determinar o alcance dos indicadores econmicos sobre estes 2 cenrios utilizou-se o
Software ALEAXPRJ, especialmente desenvolvido para realizar simulaes de projetos de investimentos
sob condies de risco, utilizando o Mtodo de Monte Carlo.
91
3 RESULTADOS E DISCUSSO
3.1 Resultados do treinamento e teste das redes neurais artificiais.
Neste mtodo necessrio, inicialmente compor uma amostra mnima de dados de todas as
variveis, para que os resultados apresentem preciso em termos do critrio adotado, que foi de
minimizao do coeficiente de variao do erro relativo. No caso deste estudo foi composta uma amostra
de 150 dados para cada varivel. Desta amostra, 67% foram utilizados para o treinamento da rede e os
33% restantes foram utilizados para o teste da rede. importante lembrar que este procedimento foi
realizado para dois conjuntos de dados que se referem aos dois cenrios analisados.
Esta amostra de 150 valores foi obtida a partir da gerao de nmeros aleatrios utilizando-se o
software estatstico ARENA. Para a gerao destes nmeros aleatrios, optou-se pela distribuio de
probabilidade triangular para a varivel preo do MW de energia e pela distribuio uniforme para as
varivel custo de aquisio e transporte do bagao de terceiros. Estas distribuies de probabilidade
referem-se s mesmas distribuies adotadas para o mtodo de Monte Carlo para as duas variveis
mencionadas e para as demais variveis consideradas neste estudo.
Para o cenrio 1 foram definidas as variveis de entrada que foram: valor do investimento
inicial (Inv), valor do crdito do financiamento (Financiamento), parcelas de juros e amortizaes do
financiamento (j+a), custo de aquisio e transporte do bagao de terceiros (Bag ter) e receita operacional
(Rece ope). A varivel de sada foi o fluxo lquido (Flux). A varivel despesa operacional e custo do
bagao prprio que possuem valores constantes, apesar de fazerem parte do fluxo de caixa do projeto, no
fizeram parte do treinamento e do teste das redes, pois, para o treinamento e teste necessrio utilizar
dados que apresentam variabilidade. Porm, estes valores destas duas variveis foram considerados para
determinao dos indicadores de viabilidade econmica para a comparao entre os dois mtodos
utilizados.
Para o cenrio 2, onde se analisou a viabilidade econmica do investimento na ausncia de
financiamento, foram consideradas as mesmas variveis de entrada, com exceo dos crditos do
financiamento e pagamento de juros e amortizao, sendo a varivel de sada a mesma do cenrio que
apresentou financiamento.
A seguir foi realizado o teste das redes utilizando-se os 33% dos dados de cada varivel e para
cada cenrio. A varivel de sada representa os resultados para o fluxo de caixa em cada cenrio.
No treinamento e teste das redes foram alteradas as arquiteturas da rede, at a obteno de resultados de
menor coeficiente de variao do erro relativo.
92
Desta forma foram obtidos saldos de fluxos de caixa possveis para os diversos anos de durao
do projeto, conforme procedimento descrito no item Metodologia e subitem 2.3.3.
As caractersticas das duas redes treinadas foram de 3 camadas, de 4 a 32 neurnios na camada
escondida, fazendo-se incremento de 4 neurnios. Para representar a arquitetura de uma rede foi
utilizada a notao NE NCENS, onde NE o nmero de entradas da camada de entrada da rede,
NCE o nmero de neurnios da camada escondida, e NS o numero de neurnios da camada de sada.
Como os valores dos pesos iniciais so atribudos aleatoriamente, uma rede com a mesma
arquitetura, pode fornecer resultados diferentes em cada treinamento. Assim, para cada arquitetura, a rede
foi treinada 5 vezes e escolhido o melhor resultado desta arquitetura, com base no critrio mencionado
anteriormente, ou seja com menor coeficiente de variao do erro relativo.
A rede 1, que se refere ao cenrio1, ou seja, com financiamento e eficincia de queima de
4,0t/MW foi treinada e os resultados do treinamento e teste so apresentados na Tabela 1 a seguir:
Tabela 1 Resultados da rede 1 cenrio 1 (com financiamento, eficincia de queima de 4,0 toneladas de
bagao para gerao de 1 MW).
Arquitetura
541
581
5121
5161
5201
5241
5281
5321
Erro Quadrtico
Mdio (Treinamento)
0,000066
0,000049
0,000049
0,000049
0,000047
0,000049
0,000049
0,000049
Erro Relativo
Mdio (%)
0,7384
0,5216
0,6098
0,8133
1,0309
0,9899
0,5472
0,6606
Varincia
0,8012
0,3972
1,3725
0,3365
0,7256
1,2073
0,1855
0,6499
Coeficiente de Variao
do Erro Relativo
121,21
120,82
192,12
71,32
82,62
110,99
78,69
122,03
Fonte: dados da pesquisa
Observa-se que a rede de arquitetura 5161 a que apresentou menor coeficiente de variao
do erro relativo. A arquitetura 5121 apresentou maior valor para este coeficiente. Observa-se tambm
que para os dados de treinamento da rede todas as arquiteturas com exceo da arquitetura 541
possibilitaram atingir o erro aceitvel que foi definido em 0,00005 no presente trabalho.
A arquitetura 516 que apresentou melhores resultados para os dados de teste da rede,
indicando a capacidade de generalizao da mesma, ou seja, de produzir resultados satisfatrios para
valores que no estavam presentes no treinamento.
A rede 2, que se refere ao cenrio 2, ou seja, ausncia de financiamento e eficincia de queima
de 4,0t/MW foi treinada e os resultados do treinamento e teste so apresentados na Tabela 2.
93
Observa-se que a rede de arquitetura 3281 apresentou o menor coeficiente de variao do

erro relativo. A arquitetura 3121 apresentou maior valor para este coeficiente.
Todas as arquiteturas apresentaram resultados precisos para os dados de treinamento, pois todas
alcanaram valores iguais ou menores ao limite estabelecido de 0,00005. A arquitetura 3281 que
apresentou melhores resultados para os dados de teste da rede, indicando a capacidade de generalizao da
mesma, ou seja, de produzir resultados satisfatrios para valores que no estavam presentes no
treinamento.
Tabela 2 Resultados da rede 2 cenrio 2 (ausncia de financiamento, eficincia de queima de

4,0 toneladas de bagao para gerao de 1 MW).
Arquitetura
341
381
3121
3161
3201
3241
3281
3321
Erro Quadrtico
Mdio (Treinamento)
0,000049
0,000049
0,000043
0,000044
0,000048
0,000041
0,000042
0,000046
Erro Relativo
Mdio (%)
1,4728
1,5865
1,7645
1,5455
1,8367
1,4245
1,4804
1,4255
Varincia
1,7474
1,9058
6,5075
3,0019
3,4704
2,7996
0,8003
1,8359
Coeficiente de variao
do erro relativo
89,75
87,01
144,57
112,10
101,42
117,45
60,42
95,05
3.2. Anlise comparativa da aplicao dos dois mtodos
Nas Tabelas 3 e 4 so demonstrados os indicadores de viabilidade para os dois mtodos

utilizados nos dois cenrios considerados, considerando a taxa de desconto de 15% a.a.
Na segunda e quinta colunas so apresentados, a mdia e o desvio padro de cada indicador,
obtidos a partir de 1000 simulaes, utilizando funes de distribuies de probabilidade das variveis.
Na coluna limite(L), so apresentados os valores esperados do indicador, ou seja, so valores
limites para a aceitao do projeto e na terceira coluna so apresentados os valores dos indicadores obtidos
utilizando-se o Mtodo de Redes Neurais.
No caso da TIR, utilizou-se como valor limite o custo de oportunidade do capital dado pela
Taxa Selic. O valor limite para o VAL foi estabelecido pela usina em R$ 9.000.000 para os 20 anos de
durao do projeto. O valor do RBC foi estabelecido em 1, que o valor mnimo de aceitabilidade dos
projetos. O prazo de recuperao do investimento limite foi o informado pela usina, de 10 anos.
94
Na ltima coluna so apresentados os resultados referentes ao risco, ou seja, mostra a

probabilidade do indicador ser maior que o valor estabelecido na coluna Limite. Quanto maior o valor da
probabilidade, maior a chance do indicador ser superior ao valor limite.
Tabela 3 Indicadores de viabilidade econmica obtidos para os Mtodos de Monte Carlo e Redes
Neurais, Cenrio 1. (com financiamento e nvel de eficincia de queima de 4,0 toneladas
para gerao do MW).
Indicadores
Mtodo de
Monte Carlo
Mtodo de
Redes Neurais
TIR (%)
VAL (R$)
RBC
PBS (anos)
PBE (anos)
0,00
22.249.612
1,42
0,00
0,00
No existe
21.241.047
1,40
0,00
0,00
Limite para
aceitao do
projeto
0,15
9.000.000
1
10
10
Desvio padro
(Monte Carlo)
P (I>L)
(Monte Carlo)
0,00
4.232.730
0,080
0,00
0,00
0,00
0,99
1,00
0,00
0,00
Verifica-se para o cenrio 1 onde se analisou a situao de financiamento do projeto que no foi
possvel garantir a unicidade da TIR em todas as simulaes.
Uma hiptese que pode explicar este comportamento da TIR o prprio financiamento, cujo
crdito considerado no fluxo de entrada no ano de implantao do projeto. Para os anos seguintes,
mesmo com o pagamento de juros e amortizaes possvel que o fluxo diferencial lquido tenha sido
tambm positivo. Neste caso, no h inverso de sinal e, portanto, a equao para determinao da TIR
no apresenta raiz, no sendo possvel a determinao deste indicador.
Verifica-se que, para este cenrio, o indicador VAL mostrou-se positivo, com probabilidade de
99% de ser maior que o limite de R$9.000.000,00 estabelecido pela usina. Portanto, luz deste indicador,
o projeto mostra-se vivel economicamente.
Para este mesmo cenrio, o indicador RBC apresentou valores elevados, com probabilidade de
100% de ser maior que 1, indicando que nestas situaes as receitas atualizadas so maiores que os custos
atualizados.
O PBS e o PBE apontam que o investimento certamente ser recuperado antes do prazo
estabelecido pela usina, que de 10 anos. Os valores zero deste indicador apontam para recuperao do
capital investido antes do final do primeiro ano. Este prazo rpido deve-se ao valor do investimento inicial
financiado, relativamente elevado, de 80% do capital total investido.
Ainda para este cenrio, verificou-se grande convergncia dos resultados dos indicadores de
viabilidade econmica obtidos a partir da aplicao dos dois mtodos. Os resultados dos indicadores
95
foram muito prximos, mesmo desconsiderando os desvios padro obtidos pela aplicao do mtodo de
Simulao de Monte Carlo.
Existindo a possibilidade de no acesso linha de financiamento do BNDES, e no existindo
alternativas junto a outros agentes financeiros, foi analisada a situao de 100% do investimento ser
realizado com capital prprio, apresentados na Tabela 4 a seguir:
Tabela 4 Indicadores de viabilidade econmica obtidos para os Mtodos de Monte Carlo e Redes
Neurais, Cenrio 2. (sem financiamento e nvel de eficincia de queima de 4,0 toneladas para
gerao do MW).
Indicadores
Mtodo de
Monte Carlo
Mtodo de Redes
Neurais
TIR (%)
VAL (R$)
RBC
PBS (anos)
PBE (anos)
13,5
-2.546.073
0,955
7,0
15,0
20
6.321.828
1,12
5
10
Limite para
aceitao do
projeto
0,15
9.000.000
1
10
10
Desvio padro
(Monte Carlo)
P (I>L)
(Monte Carlo)
2,4
3.911.942
0,069
1,5
2,8
0,268
0,00
0,271
0,038
0,960
Na situao sem financiamento, considerando-se os valores obtidos para o mtodo de Monte

Carlo, o projeto mostrou-se invivel para todos os indicadores analisados. A TIR mdia obtida foi de
13,5% com probabilidade de 26,8% de estar acima do custo de oportunidade do capital, de 15%.
O VAL mostrou-se negativo, e mesmo considerando-se o desvio padro, foi inferior ao
esperado pelo investidor no valor de 9.000.000.
Neste cenrio o indicador RBC foi inferior ao limite estabelecido, com probabilidade de 27,1%
deste indicador ser superior ao limite estabelecido para aceitao do projeto.
O PBS apresentou valor mdio abaixo do limite estabelecido pelo investidor com probabilidade
reduzida do capital ser recuperado depois do esperado pelo investidor. O PBE apresentou valor mdio
acima do limite estabelecido pelo investidor com probabilidade de 96,0% de ser superior ao limite
estabelecido pelo investidor.
Para este cenrio, analisando-se os valores obtidos pelo mtodo das Redes Neurais Artificiais,
observa-se que o projeto mostrou-se vivel para o indicador TIR.
O VAL mostrou-se positivo para todos os cenrios analisados. Porm, apresentou valores
abaixo do limite estabelecido pelo investidor que foi de R$ 9.000.000,00. Portanto, luz deste indicador o
projeto invivel economicamente. O indicador RBC foi superior unidade indicando que os benefcios
atualizados foram superiores aos custos atualizados do projeto.
96
O PBS indicou que o capital ser recuperado em 5 anos enquanto o PBE indicou que a
recuperao do capital ocorrer em 10 anos.
Constatou-se que para o cenrio onde se considerou a impossibilidade de obteno de
financiamento, os resultados dos indicadores apresentaram valores discrepantes para os dois mtodos
utilizados. Esta discrepncia entre os valores dos dois mtodos constatada, mesmo quando se
consideram os valores dos desvios padro obtidos pelo mtodo de Monte Carlo.
4 CONCLUSES
A metodologia adotada de algoritmo de Redes Neurais Artificiais mostrou-se possvel em

situao de necessidade de incorporao de risco, como o caso deste estudo, com a desvantagem de
necessitar de maior volume de informaes sobre o comportamento de variveis crticas,
comparativamente a outros mtodos mais tradicionalmente utilizados. Verificou-se tambm necessidade
de conhecimento especializado para a modelagem do problema e obteno dos resultados finais. A
validao dos resultados obtidos, pela comparao com o mtodo de simulao de Monte Carlo, mostrou
convergncia, em parte da anlise, o que mostra que a validao do uso dessa ferramenta demanda mais
pesquisas com aplicao econmica, a exemplo do que vem ocorrendo em outras reas.
5 REFERNCIAS BIBLIOGRFICAS
ANEEL. Disponvel em: http://<www.aneel.gov.br> . Acesso em 30 jun. 2005.
BRAGA, A. P; CARVALHO; A. P. L. F; LUDEMIR; T.B. Redes neurais artificiais: teoria e aplicaes:

Rio de Janeiro: Livros Tcnicos e Cientficos, 2000. 262 p.
CENBIO. Disponvel em: http://<www.cenbio.gov.br> . Acesso em 18 jan. 2005.
COELHO, S.T; ZYLBERSZTAJN, D. Barreiras e mecanismos de implementao
co-gerao de
eletricidade a partir da biomassa. DNA da Cana de acar, So Paulo, v.2, n.7, p.6-13, 1998.
FERNANDES, A. M. R. Inteligncia artificial: noes gerais. Florianpolis: Visual Books, 2003. 400p.
GITMAN, L. Princpios de administrao financeira. So Paulo: Harbra., 2004. 800p.
97
HAYKIN, S. Redes neurais: princpios e prtica. 2. ed. Porto Alegre: Bookman, 2001. 900 p.
LIMA, A. Ambiente mais calmo. Energia e Mercados, Rio de Janeiro.v.1 p.14-16, 2004
NAGAOKA, M.P.T. A comercializao da energia eltrica cogerada pelo setor sucroalcooleiro em

regies do estado de So Paulo. 2001. 85p. Dissertao (Mestrado em Agronomia/ Energia na
Agricultura) Faculdade de Cincias Agronmicas, Universidade Estadual Paulista, Botucatu 2003.
OSPINA, M. T. Anlise de projeto de investimento aplicado aos processos de secagem e enriquecimento

protico do farelo gerado nas fecularias de mandioca. 1998. 127. Tese (Doutorado em Agronomia/
Energia na Agricultura) Faculdade de Cincias Agronmicas, Universidade Estadual Paulista, Botucatu,
1998.
98

Marilda Da Penha Teixeira Nagaoka PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Marilda Da Penha Teixeira Nagaoka PDF

Caricato da

Copyright:

Formati disponibili

VIABILIDADE ECONMICA SOB CONDIES DE RISCO EM CO-GERAO DE ENERGIA

Energ. Agric., Botucatu, vol. 21, n.2, 2006, p.81-98

Nagaoka & Esperancini

- Viabilidade econmica sob condies de risco ... -

Palavras-Chave: Risco, viabilidade econmica, Redes Neurais Artificiais.

ECONOMIC VIABILITY OF ELECTRICAL ENERGY CO-GENERATION UNDER RISK

Electricity co-generation has been considered an important alternative in the

Energ. Agric., Botucatu, vol. 21, n.2, 2006, p.81-98

Nagaoka & Esperancini

- Viabilidade econmica sob condies de risco ... -

Energ. Agric., Botucatu, vol. 21, n.2, 2006, p-81-98

Nagaoka & Esperancini

- Viabilidade econmica sob condies de risco ... -

Energ. Agric., Botucatu, vol. 21, n.2, 2006, p.81-98

Nagaoka & Esperancini

- Viabilidade econmica sob condies de risco ... -

2.1 Dados coletados

O investimento total foi de R$ 30.150.000,00, incluindo: aquisio de caldeira, turbo redutor,

Energ. Agric., Botucatu, vol. 21, n.2, 2006, p-81-98

Nagaoka & Esperancini

- Viabilidade econmica sob condies de risco ... -

durante a safra da cana-de-acar). Ressaltando que a safra da cana-de-acar vai do ms de maio a

2.2 Indicadores de viabilidade econmica em projetos de investimento

Para analisar a viabilidade econmica do projeto de investimento com vistas comercializao

Energ. Agric., Botucatu, vol. 21, n.2, 2006, p.81-98

Nagaoka & Esperancini

- Viabilidade econmica sob condies de risco ... -

2.3.1 Definio da entrada e sada da rede

As variveis de entrada da rede no presente trabalho foram: o valor do investimento (inv),

Energ. Agric., Botucatu, vol. 21, n.2, 2006, p-81-98

Nagaoka & Esperancini

- Viabilidade econmica sob condies de risco ... -

Figura 1 Rede Percepton Multicamadas.

Energ. Agric., Botucatu, vol. 21, n.2, 2006, p.81-98

Nagaoka & Esperancini

- Viabilidade econmica sob condies de risco ... -

2.3.2 Validao da rede

Onde di a sada desejada, ou seja, os valores observados;

A varincia do erro relativo e o desvio padro do mesmo foram calculados, respectivamente,

Energ. Agric., Botucatu, vol. 21, n.2, 2006, p-81-98

Nagaoka & Esperancini

- Viabilidade econmica sob condies de risco ... -

2.4 Mtodo de Monte Carlo para anlise de risco em projetos de investimentos

Energ. Agric., Botucatu, vol. 21, n.2, 2006, p.81-98

Nagaoka & Esperancini

- Viabilidade econmica sob condies de risco ... -

Energ. Agric., Botucatu, vol. 21, n.2, 2006, p-81-98

Nagaoka & Esperancini

- Viabilidade econmica sob condies de risco ... -

Energ. Agric., Botucatu, vol. 21, n.2, 2006, p.81-98

Nagaoka & Esperancini

- Viabilidade econmica sob condies de risco ... -

Fonte: dados da pesquisa

Energ. Agric., Botucatu, vol. 21, n.2, 2006, p-81-98

Nagaoka & Esperancini

- Viabilidade econmica sob condies de risco ... -

Observa-se que a rede de arquitetura 3281 apresentou o menor coeficiente de variao do

Tabela 2 Resultados da rede 2 cenrio 2 (ausncia de financiamento, eficincia de queima de

Fonte: dados da pesquisa

3.2. Anlise comparativa da aplicao dos dois mtodos

Nas Tabelas 3 e 4 so demonstrados os indicadores de viabilidade para os dois mtodos

Energ. Agric., Botucatu, vol. 21, n.2, 2006, p.81-98

Nagaoka & Esperancini