You are on page 1of 72

FACULDADE DE ECONOMIA E FINANÇAS IBMEC

PROGRAMA DE PÓS-GRADUAÇÃO E PESQUISA EM


ADMINISTRAÇÃO E ECONOMIA

DISSERTAÇÃO DE MESTRADO
PROFISSIONALIZANTE EM ADMINISTRAÇÃO

PREVISÃO DA DEMANDA DE ÓLEOS


BÁSICOS LUBRIFICANTES: UMA ANÁLISE
ATRAVÉS DE REGRESSÃO MÚLTIPLA

EDUARDO BERTONHA DE CAMPOS

ORIENTADOR: LUIZ FLAVIO AUTRAN MONTEIRO GOMES

Rio de Janeiro, 5 de março de 2008


i

PREVISÃO DA DEMANDA DE ÓLEOS BÁSICOS LUBRIFICANTES: UMA


ANÁLISE ATRAVÉS DE REGRESSÃO MÚLTIPLA

EDUARDO BERTONHA DE CAMPOS

Dissertação apresentada ao curso de


Mestrado Profissionalizante em
Administração como requisito parcial para
obtenção do Grau de Mestre em
Administração.

Área de Concentração: Administração


Geral.

ORIENTADOR: LUIZ FLAVIO AUTRAN MONTEIRO GOMES

Rio de Janeiro, 5 de março de 2008


ii

PREVISÃO DA DEMANDA DE ÓLEOS BÁSICOS LUBRIFICANTES: UMA


ANÁLISE ATRAVÉS DE REGRESSÃO MULTIPLA

EDUARDO BERTONHA DE CAMPOS

Dissertação apresentada ao curso de


Mestrado Profissionalizante em
Administração como requisito parcial para
obtenção do Grau de Mestre em
Administração.

Área de Concentração: Administração


Geral.
Avaliação:

BANCA EXAMINADORA:

_____________________________________________________
Professor LUIZ FLAVIO AUTRAN MONTEIRO GOMES
Ibmec - RJ

_____________________________________________________
Professor FERNANDO NASCIMENTO DE OLIVEIRA
Ibmec - RJ

_____________________________________________________
Engenheiro ALBINO LOPES D`ALMEIDA
Petrobras S.A.

Rio de Janeiro, 5 de março de 2008


iii

658.403 Campos, Eduardo Bertonha de.


C198 Previsão da demanda de óleos básicos lubrificantes: uma
análise através de regressão múltipla / Eduardo Bertonha de
Campos. - Rio de Janeiro: Faculdades Ibmec, 2008.

Dissertação de Mestrado Profissionalizante apresentada ao


Programa de Pós-Graduação em Administração das Faculdades
Ibmec, como requisito parcial necessário para a obtenção do título
de Mestre em Administração.

Área de concentração: Administração Geral.

1. Administração – Tomada de decisão. 2. Apoio à decisão. 3.


Tomada de decisão - Séries temporais. 4. Regressão múltipla.
iv

DEDICATÓRIA

Dedico esse trabalho aos anjos que sempre estiveram do


meu lado nessa vida, me ajudando com muito amor,
carinho e também apoio e valores: Clóvis, Dinamar
(sempre presente) e Maria Júlia, e também, ao mais novo
anjo: Flávia.
v

AGRADECIMENTOS

Muitos foram os que me ajudaram a desenvolver esse projeto. Tento aqui nesse espaço
listá-los todos. Agradeço ao meu orientador, Luiz Flavio Autran Monteiro Gomes, por ter
aceitado meu convite para me auxiliar e guiar no desafio de elaborar um trabalho acadêmico
que tivesse real contribuição na prática organizacional cotidiana. Agradeço a meu gerente, na
Petróleo Brasileiro S.A., Waldir H. C. Arruda, que advogou pelo patrocínio desta pesquisa
junto aos principais representantes da organização, a qual concedeu o apoio financeiro
integral para o desenvolvimento e conclusão deste projeto. Agradeço a meus colegas desta
empresa, Nelson Paim e Luiz Kaner, que me ajudaram muito durante a fase de pesquisa.
Agradeço a Cida Reis da Anfavea, Maria Helena do Instituto Nacional de Meteorologia e
André Lopes Macedo do IBGE pela ajuda a obtenção de dados necessários ao
desenvolvimento dessa pesquisa.

Um agradecimento especial deve ser dirigido ao Professor Fernando Nascimento de


Oliveira pela sua generosidade e receptividade para ajudar com as questões de econometria
tratadas neste trabalho.
vi

RESUMO

O objetivo dessa pesquisa foi verificar a possibilidade propor um modelo de previsão para a
demanda por óleos básicos lubrificantes no mercado brasileiro, a partir de pesquisa de
modelos já existentes e entrevistas com especialistas da área. Esse modelo tem como
principal finalidade, auxiliar os gestores e profissionais que trabalham neste mercado a
tomarem melhores decisões com foco a melhorar o desempenho e resultados financeiro,
mercadológico e operacional de suas organizações. Além da previsão em si, espera-se que o
modelo também ajude a identificar variáveis que afetam o consumo deste mercado, gerando
conhecimento para estes profissionais como agregação de valor secundário. Foram realizadas
regressões múltiplas utilizando o método de mínimos quadrados ordinários para atingir os
objetivos esperados. Os resultados encontrados, para o caso brasileiro, mostraram que o
método utilizado não gera uma previsão eficaz, talvez pelo fato de haver muitos elos na
cadeia de valor até o consumo final de lubrificantes acabados.

PALAVRAS CHAVE: Regressão Múltipla, Apoio a Tomada de Decisão, Séries Temporais


vii

ABSTRACT

The objective of this research was to verify the possibility to propose a forecasting model for
the demand of basic oils in the Brazilian market, beginning from already existing models for
the same products and interviews with specialists of that market. The main goal of this model
is to help managers and professionals who work with those products to make better decisions
focusing on improving their organizations performance and results in financial, marketing and
operational areas. Besides forecasting itself, it is expected that model can help to identify
variables which may affect this market consuming, creating knowledge for those
professionals as a secondary value added. Multiple regressions using the ordinary least
squares method were developed for reaching the proposed goals. The reached results have
showed that the used method for Brazilian Market has not come to make a effective
forecasting, perhaps because there are several steps in the value chain until the consuming of
lubricants.

KEY WORDS: Multiple Regression, Making Decision Support , Time Series.


viii

LISTA DE ABREVIATURAS

ADF – Teste Dickey-Fuller Aumentado

ALICE – Sistema de Análise das Informações de Comércio Exterior

ANFAVEA – Associação Nacional dos Fabricantes de Veículos Automotivos

ANP – Agência Nacional de Petróleo Gás e Biocombustíveis.

BNQP – Baldrig e National Quality Program

BPD – Barril de Petróleo por Dia

CEDOC – Centro de Documentação

DF – Teste Dickey Fuller

EIA – Energy Information Administration

FNQ – Fundação Nacional da Qualidade

GNV – Gás Natural Veicular

GLP – Gás Liquefeito de Petróleo

GTL – Gas-to-Liquid

IBGE – Instituto Brasileiro de Geografia e Estatística

INMET – Instituto Nacional de Meteorologia

INPE – Instituto Nacional de Pesquisas Espaciais

IPEA – Instituto de Pesquisa Econômica Aplicada

MDIC – Ministério do Desenvolvimento, Indústria e Comércio


ix

MQO – Mínimos Quadrados Ordinários

PETROBRAS – Petróleo Brasileiro S.A.

PIB – Produto Interno Bruto

PP – Teste de Phillips e Perron

SECEX – Secretaria de Comércio Exterior

SISCOMEX – Sistema Integrado de Comércio Exterior

VAR – Vetor Auto-regressivo


x

LISTA DE FIGURAS

Figura 1: Gráfico com exemplificação de índice de viscosidade. 19

Figura 2: Diagrama com esquema de produção de óleos básicos lubrificantes. 20

Figura 3: Diagrama com esquema de produção pelo processo GTL. 21

Figura 4: Consumo no mercado brasileiro por segmento. 22

Figura 5: Consumo no mercado brasileiro por região geográfica. 23

Figura 6: Cadeia de valor de óleos lubrificantes acabados. 24

Figura 7: Série histórica de demanda mensal por óleos básicos no Brasil 25


xi

LISTA DE TABELAS

Tabela 1: Classificação de óleos básicos. 19

Tabela 2: Resultados estatísticos do modelo EIA 30

Tabela 3: Comparativo de performance de carros 34

Tabela 4: Teste de raiz unitária das variáveis 46

Tabela 5: Regressões em nível – Modelo básico 49

Tabela 6: Regressões em forma logarítmica – Modelo básico 51

Tabela 7: Testes de robustez – Adição de variáveis ao modelo básico – Parte 1 55

Tabela 8: Testes de robustez – Adição de variáveis ao modelo básico – Parte 2 56

Tabela 9: Testes de robustez – Inclusão das variáveis dos especialistas – Parte 1 58

Tabela 10: Testes de robustez – Inclusão das variáveis dos especialistas – Parte 2 60

Tabela 11: Testes de robustez – Utilização de variáveis dependentes defasadas 62


xii

SUMÁRIO

1. INTRODUÇÃO 14
1.1. CONTEXTUALIZAÇÃO 14
1.1.1. O Problema de Administração 16
1.2. OBJETIVO 16
1.3. JUSTIFICATIVA 17
1.4. O CASO DE ÓLEOS BÁSICOS LUBRIFICANTES 18
1.4.1. O Produto 18
1.4.2. O Mercado Brasileiro 21
2. REVISÃO TEÓRICA 26
2.1. MODELOS DE REGRESSÃO MÚLTIPLA 26
2.2 A PESQUISA DE MODELOS PARA DEMANDA DE ÓLEOS BÁSICOS 27
2.2.1 O Modelo da Administração de Energia dos Estados Unidos 27
2.2.2. O Modelo de Zaugg 31
2.2.3. Pesquisa de Variáveis Dependentes Adicionais 31
2.2.3.1. A Atividade Econômica 31
2.2.3.2. O Período de Trocas 32
2.2.3.3. O Consumo de Outros Derivados de Petróleo como Variáveis Dependentes 32
2.2.3.4. A Produção de Veículos como Variável Dependente 34
2.2.3.5 Questões de Sazonalidade no Consumo de Óleos Básicos 34
2.3. CONCEITOS DE ECONOMETRIA APLICADOS NA REGRESSÃO MÚLTIPLA
DE DADOS EM SÉRIES TEMPORAIS 35
2.3.1. Componentes Presentes em Dados de Séries Temporais 36
xiii

2.3.2. Estacionaridade – Séries Estacionárias e Não Estacionárias 37


2.3.2.1. A Questão da Raiz Unitária em Séries Temporais 38
2.3.2.2. Utilização de Séries com Raiz Unitária 39
2.3.3. A Presença de Correlação Serial 39
3. METODOLOGIA 41
3.1. COLETA DA AMOSTRA DA VARIÁVEL DEPENDENTE 42
3.2. COLETA DA AMOSTRA DAS VARIÁVEIS INDEPENDENTES 42
3.2.1. Índice de Produção Industrial no Brasil 43
3.2.2. Temperatura Média Mensal 43
3.2.3. Consumo de Óleo Diesel e Consumo Agregado de Gasolina e Álcool Combustível 43
3.2.4. Produção de Veículos Automotivos no Brasil 43
3.3. MODELAGEM 44
3.3.1. Teste de Raiz Unitária – Estacionaridade das Séries 45
3.3.2. Modelo da EIA com Dados do Brasil 46
3.3.3. Testes de Robustez 52
3.3.3.1. Adição de Variáveis ao Modelo Básico 52
3.3.3.2. Testes de Variáveis dos Especialistas de Mercado 57
3.3.3.3. A Utilização da Variável Dependente Defasada 60
4. CONLUSÕES E RECOMENDAÇÕES 63
4.1. RECOMENDAÇÕES PARA PESQUISAS FUTURAS 65
REFERÊNCIAS BIBLIOGRÁFICAS 66
GLOSSÁRIO 70
1. INTRODUÇÃO

“... sem uma previsão total de mercado, as decisões sobre investimento, o apoio de
marketing e outras alocações de recursos vão se basear em suposições ocultas e
inconscientes sobre as necessidades de todos os segmentos, e elas sempre estarão
erradas.” (HUTT & SPEH, 2002).

1.1. CONTEXTUALIZAÇÃO

Em ambientes organizacionais, as decisões têm se tornado um exercício cada vez mais


difícil com a evolução do tempo para os executivos, devido à crescente complexidade de um
conjunto de fatores e variáveis que afetam a gestão empresarial. Se antes as empresas se
preocupavam somente com produção e sustentabilidade financeira, atualmente têm que se
preocupar também com impactos sócio-ambientais, motivação dos funcionários e
colaboradores e satisfação de necessidades e desejos dos clientes e mercados consumidores.

Um dos pilares básicos da boa tomada de decisão é reunir o maior número de


informações e dados relevantes que cercam uma determinada decisão (GOMES, 2007). Logo,
como o número de fatores e variáveis tem aumentado, a quantidade de dados e informações
necessários para uma boa decisão tende a aumentar. A importância de dados também é
destacada no modelo de gestão proposto pela Fundação Nacional da Qualidade (CRITÉRIOS
DE EXCELÊNCIA, 2007) por meio de seu critério de liderança, que estabelece que as
decisões devam ser tomadas baseadas em fatos, dados e conhecimento. É importante ressaltar
que esses critérios são elaborados não somente com base nas avaliações anuais executadas
junto às organizações brasileiras como também são muito alinhadas com o modelo americano
(NIST, 2007).
15

Ainda no que concerne a relação dados e informações com a boa tomada de decisão,
existe uma área de pesquisa chamada marketing engineering que busca justamente
desenvolver modelos para tomada de decisão em marketing utilizando dados ao invés de pura
intuição

Uma breve análise desta área mostra que um dos grandes problemas enfrentados pelo
marketing nos últimos anos é o ceticismo e mesmo a má vontade de profissionais de outras
áreas das mais diversas organizações, a cerca de seu desempenho e contribuição para os
resultados financeiros das empresas.

Isso ocorre porque em ambientes mercadológicos caracterizados por competição feroz


e cobranças por resultados financeiros cada vez melhores por parte dos acionistas, os
principais executivos da maioria das grandes empresas do mundo estão assistindo o
desempenho de suas empresas ser afetado por novos entrantes e consumidores cada vez mais
exigentes e menos leais.

Esperava-se que os profissionais de marketing fossem os grandes responsáveis por


apontarem soluções para que as empresas conseguissem se adaptar a esse novo cenário.
Entretanto, isso ainda não está ocorrendo.

Deve-se isso ao fato de que as decisões de marketing ainda estão sendo tomadas, em
grande parte, de forma puramente intuitiva, sem que sejam utilizadas informações geradas a
partir de aplicação de ferramentas de análise de dados. Não que a intuição não seja um
componente integrante do processo de tomada de decisão, mas decidir somente de forma
intuitiva pode levar as organizações a caminhos desastrosos (CLANCY & KRIEG, 2007).

Para se contrapor a decisões puramente intuitivas, as áreas do conhecimento têm


buscado progressivamente desenvolver suas conclusões com base em dados e, nesse contexto,
os modelos de previsão são ferramentas importantes para utilização por parte do gestor ou
tomador de decisões em várias áreas da administração. Eles certamente foram desenvolvidos
para orientar as tomadas de decisões (DIEBOLD, 2004).
16

1.1.1 O Problema de Administração

Um dos desafios de administração que a área de planejamento de marketing de uma


empresa brasileira do ramo de produção e comercialização de óleos básicos lubrificantes
possui, é estimar o consumo a curto e médio prazo deste grupo de produtos, que faz parte de
seu portifólio de vendas, sendo uma das linhas de maior rentabilidade unitária, que se traduz
em dólares americanos por tonelada vendida.

O não conhecimento da demanda de curto e médio prazo cria problemas


principalmente para gestão operacional e logística, pois o suprimento e disponibilidade de
petróleos específicos para a produção de óleos básicos e também, a disponibilidade de óleos
básicos prontos no mercado global é bem menor se comparado com outros derivados de maior
volume ofertados e demandados. O conhecimento da demanda, por exemplo, no intervalo de
seis meses no futuro pode antecipar ações de aquisição de produto em quantidades ótimas e
preços menores como também, reduzir custos com aluguel de espaço de estocagem.

A identificação de variáveis correlacionadas com o consumo dessa linha de produto


pode auxiliar os gestores da empresa no processo decisório no que tange não somente à
operação, mas também à gestão de marketing e às vendas.

Nesse contexto, um modelo quantitativo desenvolvido para prever a demanda de


mercado por esse produto pode ser visto como uma ferramenta que apóia o processo de
tomada de decisão nas áreas de estratégia, suprimento e marketing, proporcionando ao gestor
a possibilidade de tomar melhores decisões (LEEFLANG et al, 2000).

1.2. OBJETIVO

O objetivo desta pesquisa é verificar a possibilidade de elaboração de um modelo de


previsão de consumo agregado de óleos básicos lubrificantes no Brasil, no curto e médio
prazo, que possa servir como uma ferramenta que auxilie os gestores que atuam direta ou
indiretamente com esse produto a tomar decisões, com o objetivo de melhorar os indicadores
de rentabilidade, vendas, satisfação de clientes e consumidores e processos de apoio. Curto
17

prazo deve ser entendido como um período de três a doze meses e médio prazo como até vinte
e quatro meses (ARRUDA, 2007).

Espera-se que o modelo proposto seja resultado de uma regressão múltipla o que, além
de buscar atender o objetivo da previsão em si, possa gerar a identificação e conhecimento de
variáveis como, por exemplo, o crescimento econômico, o aumento de atividade de
determinado setor ou outras que apresentem correlação com demanda pelo grupo de produtos,
objeto desse estudo e, qual o grau dessas potenciais correlações.

1.3. JUSTIFICATIVA

Existem vários benefícios empresarias que em princípio podem ser gerados se for
alcançada uma boa proposta no final desta pesquisa:

a) Definição de parcela de mercado a ser atendida priorizando os segmentos e


clientes mais rentáveis;

b) Redução de custos no processo de suprimento e logística, uma vez que bem


definido o volume de mercado e a parcela deste a ser atendida, o planejamento de
aquisição do composto de petróleo pode ser feito de maneira prévia, aumentando o
tempo disponível para pesquisa e cotação nos mercados fornecedores de produto e
frete, possibilitando menores taxas contratadas, além de maior disponibilidade de
armazenagem a ser contratada;

c) Investimentos em aumento de capacidade de produção e escoamento de produto;

d) Revisão de estratégias de exportação e importação mediante desenvolvimento do


mercado e atuação de concorrentes ou colocação de produtos substitutos.

Há também um benefício secundário que, potencialmente, esse trabalho pode gerar. É


o fortalecimento da cultura de tomada de decisão, primordialmente baseada em dados e fatos,
na empresa para a qual está sendo proposto esse modelo de previsão. Após a utilização deste
tipo de ferramenta, fatores tais como a intuição com base em conhecimento, experiência e
emoções, que também estão presentes no processo decisório, apresentariam menor influência
na decisão final.
18

Esses benefícios já são visíveis na gestão comercial e operacional de outros produtos


dessa empresa, como as praticadas com óleo diesel e gasolina. Isso é mais um fator que
justifica e encoraja a realização desta pesquisa (ARRUDA, 2007).

Outro fator que encoraja o caminhar por modelos econométricos, a princípio com foco
no de causa e efeito, é a existência de muitos trabalhos já desenvolvidos na área de petróleo e
energia utilizando essa metodologia, seja no Brasil ou no exterior (WANKE, 2004).

1.4. O CASO DE ÓLEOS BÁSICOS LUBRIFICANTES

1.4.1. O Produto

Óleos básicos lubrificantes são derivados de petróleo que constituem a matéria-prima


principal utilizada para a fabricação de óleos lubrificantes acabados, utilizados em veículos e
máquinas industriais com o objetivo principal de evitar a danificação da parte mecânica destes
equipamentos ocasionada por atritos, corrosões e mudanças bruscas nas temperaturas internas
e externas, além de desgastes causados por elementos naturais como o oxigênio.

Atualmente, existem produtos substitutos de natureza vegetal (ésteres e álcoois) que


também geram óleos lubrificantes acabados. Entretanto, como seu preço de aquisição é por
volta de dez vezes maior que o dos minerais, eles representam uma parcela muito pequena de
participação no consumo mundial total, cerca de 1%, sendo que, no Brasil, este índice é ainda
menor (SANTOS, 2007).

Os tipos de óleos são classificados segundo o seu índice de viscosidade. Quanto maior
esse índice, melhor é a qualidade do produto. O índice de viscosidade é a propriedade que
mede a variação de viscosidade de um óleo de acordo com a variação da temperatura a que é
submetido.

No exemplo demonstrado no gráfico da figura 1, o óleo C apresenta um índice de


viscosidade maior que os demais porque sua viscosidade sofre menor diminuição com o
aumento da temperatura.
19

160

120
Viscosidade (IV)

80

40 Óleo C

Óleo B

0 Óleo A
0 50 100 150 200 250 300 350
o
Temperatura C
Figura 1: Gráfico com exemplificação de índice de viscosidade.

A classificação dos óleos básicos, segundo o índice de viscosidade e o teor de enxofre,


é demonstrada na tabela 1a seguir:

Grupo de Óleo Básico Índice de Viscosidade Teor de Enxofre


(%massa)
(CentilPoise)

Grupo I 85 – 95 ≥ 0,03

Grupo II 96 – 119 ≤ 0,03

Grupo III 120 – 135 ≤ 0,03

Tabela 1: Classificação dos Óleos Básicos

Existem atualmente no mundo três tecnologias para produção de óleos básicos


lubrificantes: Produção por rota solvente, produção por hidrocraqueamento catalítico e, a mais
recente, o Gas-to-Liquid – GTL (KANER, 2007).
20

No Brasil, as refinarias da Petrobras são as únicas que fabricam esses produtos. Elas
utilizam a rota solventes, detalhada na figura 2, que atualmente é considerada uma tecnologia
obsoleta se comparada com as demais porque somente consegue gerar produtos que se
classificam no grupo I. Outro problema desse processo é que o mesmo demanda petróleo com
altos teores de parafinicidades, e esse tipo de petróleo corresponde a somente cinco por cento
do total produzido no mundo, ou seja, com pouca disponibilidade (ABADIE, 2007).

Figura 2: Diagrama com esquema de produção de óleos básicos lubrificantes.

O processo de hidrocraqueamento é uma tecnologia mais recente e que consegue gerar


óleos dos grupos II e III, de maior viscosidade e menor teor de enxofre. É considerada por
especialistas como melhor alternativa para futuros investimentos em processos de refino de
petróleo, uma vez que também gera outros derivados como óleo diesel e nafta para
petroquímica com baixo grau de impurezas. Um dos obstáculos à utilização dessa tecnologia é
o alto grau de investimento necessário para sua implementação.

O processo de GTL é muito recente na indústria do petróleo. De forma simplificada


consiste em transformar gás natural em derivados de petróleo como óleo diesel, nafta
21

petroquímica e óleos básicos. Esse processo é ilustrado na figura 3 (KANER, 2007).

Figura 3: Diagrama com esquema de produção pelo processo GTL.

1.4.2. O Mercado Brasileiro

O mercado brasileiro de óleos básicos lubrificantes é o sexto maior do mundo,


representando um consumo aproximado de 1,1 milhões de metros cúbicos por ano, e muito
próximo do da Alemanha (DAVIDOVICH, 2007). Ele é distribuído de acordo com a sua
aplicação em automotivos, indústria e outros, conforme ilustrado na figura 4.
22

Outros
12%

Industria
28%
Automotivo
60%

Figura 4: Consumo no mercado brasileiro por aplicação em 2006.

A aplicação denominada “outros”, na figura 4, que corresponde à menor parte, diz


respeito a pequenas aplicações específicas como em mecanismos especiais de alta pressão,
máquinas refrigeradoras e matéria-prima para graxas.

Em relação a aplicação denominada “automotivo” é importante destacar que os óleos


utilizados para motores de tecnologia de ciclo Otto, que consomem gasolina e álcool, são
diferentes dos utilizados para os motores de tecnologia ciclo diesel.

A grande região consumidora é a Sudeste, com cerca de 52% do total do país,


conforme ilustrado na figura 5, o que gera a hipótese da correlação da demanda por óleos
básicos com a atividade industrial e frota de veículos.
23

CO
10%
NE
12%

N SE
6% 52%

S
20%

Figura 5: Distribuição de consumo no Brasil por região geográfica em 2006.

A cadeia de valor desse mercado é representada na figura 6 onde os fornecedores são:

a) A Petrobrás, através de duas refinarias no Brasil;

b) Importadores que podem ser empresas de importação e exportação ou os próprios


produtores e distribuidores

c) Rerrefinadores, que são empresas que coletam o óleo utilizado e descartado em


postos e indústrias. Após seu tratamento, vendem-no para os produtores e
distribuidores.
24

Figura 6: Cadeia de valor de óleos lubrificantes acabados.

Em termos de histórico da demanda, o crescimento médio do consumo no período de


1991 a 2006 foi de aproximadamente 4,5% a.a.. Os fatores que afetam o consumo serão
tratados no próximo capítulo.
Mil m3

0
40.000
80.000
120.000

jan/91

jan/92

jan/93

jan/94

jan/95

jan/96

jan/97

jan/98

jan/99

jan/00

jan/01

jan/02

jan/03

jan/04
Figura 7: Série histórica de demanda mensal por óleos básicos no Brasil

jan/05

jan/06

jan/07
25
26

2. REVISÃO TEÓRICA E PESQUISA

A revisão teórica está dividida em três partes: a modelagem com regressão múltipla, a
pesquisa de modelos de demanda por óleos básicos lubrificantes já desenvolvidos e propostos,
e, conceitos de econometria utilizados para regressão de dados em séries temporais aplicados
nessa pesquisa.

2.1. MODELOS DE REGRESSÃO MÚLTIPLA

Os modelos de regressão múltipla também podem ser denominados como modelos


causais. Apesar dessa nomenclatura, as variáveis que o compõem apresentam uma relação
muita mais de natureza de correlação do que propriamente causa e efeito (DIEBOLD, 2007).
Um modelo de regressão múltipla pode ser representado de forma geral da seguinte maneira:

yt = β0 + βixit + yt-i + μt ….(1)

Onde:

− yt representa a variável dependente, ou seja, a qual se deseja modelar e fazer a


previsão.

− β0 é uma constante.

− xit são as variáveis independentes, as que impactam no comportamento da variável


dependente.
27

− Βi são os coeficientes das variáveis independentes.

− yt-i representa a variável dependente defasada em t-i períodos de tempos no


passado.

− µt é o erro da regressão.

Os modelos resultantes das regressões múltiplas na maioria dos casos geram


resultados melhores que modelos univariados e modelos de regressão simples. Isso ocorre
porque os primeiros permitem que a relação entre mais de uma variável explanatória seja
trabalhada para gerar uma boa modelagem (DIEBOLD, 2007). Além disso, quanto mais
fatores puderem ser adicionados a um determinado modelo, mais se pode explicar da sua
variável dependente (WOOLDRIDGE, 2002)

2.2. A PESQUISA DE MODELOS PARA DEMANDA DE ÓLEOS BÁSICOS

Para evitar o problema conhecido do viés causado por modelos subespecificados, ou


seja, que contenham variáveis omitidas (WOOLDRIDGE, 2002), é recomendado que seja
adotada pelo menos uma de duas estratégias de pesquisa: utilizar um modelo já existente
como plataforma inicial ou coletar a informação de especialistas com reconhecido
conhecimento sobre o assunto e, de forma bastante parcimoniosa, propor um modelo. Foram
achados dois modelos na pesquisa: o modelo da EIA e o modelo desenvolvido por Zaugg.

2.2.1. O Modelo da Administração de Informações de Energia dos Estados Unidos

A EIA, ligada ao Departamento de Energia dos Estados Unidos, propõe modelos de


demanda de praticamente todos os derivados de petróleo e outros insumos energéticos, como
carvão mineral e energia nuclear, para aquele país. No caso de óleos lubrificantes, esse órgão
não propõe um modelo exclusivo. Essa opção é justificada pelo fato de que o consumo desse
derivado corresponde a 0,9% do consumo de todos os derivados de petróleo agregados (EIA,
2007). Por isso, foi preferido regredir a demanda agregada desse produto conjuntamente com
28

outros derivados de pequeno consumo, que são: solventes, querosene, gasolina de aviação e
parafinas. Nesse mix de produtos, o volume de óleos básicos lubrificantes responde por
aproximadamente 48% do volume total da cesta.

As variáveis independentes utilizadas para a modelagem foram:

a) Indexador da produção industrial

b) Temperatura climática média mensal no nível do mar.

c) Variável de tendência linear

d) Onze variáveis binárias, correspondentes aos meses de janeiro a novembro.

A primeira variável foi testada para observar a correlação entre o consumo do produto
e a atividade industrial, que pode ser interpretado como um sinalizador, proxy, da atividade
econômica do país.

A variável referente à temperatura climática foi utilizada para seguir um padrão de


modelagem desenvolvido nos EUA. Os primeiros modelos para medir o consumo de
derivados de petróleo foram desenvolvidos para prever o consumo de óleo de calefação, que é
um óleo diesel especial e o GLP. Como ambos são utilizados para aquecimento residencial
naquele país, a temperatura é uma variável independente significativa. Então, como uma
espécie de padronização, a modelagem de consumo de outros derivados também considera a
temperatura, mesmo que aparentemente não haja uma lógica para a correlação (EIA, 2007).

A variável de T e as variáveis binarias, para cada mês, foram utilizadas para modelar
a tendência e a sazonalidade, que são componentes presentes em praticamente todas as séries
econômicas, juntamente com o ciclo e o erro (MELLO, 2007).

Na modelagem, foi utilizada a amostra do período de janeiro de 1984 até fevereiro de


1998, com periodicidade mensal. Para um nível de significância de 0,05, a hipótese dos
coeficientes das variáveis binarias referentes aos meses de março, abril e novembro serem
igual a zero não pode ser rejeitada. Esse fato indica a possibilidade de não haver impacto no
consumo nesses meses em decorrência de alguma característica de sazonalidade. Pelo
resultado do teste de Dubin-Watson, não se pode rejeitar a hipótese dessa modelagem
apresentar correlação serial. Entretanto, não foi adicionada nenhuma variável dependente
defasada, o que pode indicar que a agência americana não percebeu ou não considerou
relevante essa questão.
29

O modelo da EIA foi o único encontrado que pode ser totalmente apresentado na
pesquisa, uma vez que não somente as variáveis dependentes foram listadas, mas também o
período da amostra e os seus principais resultados estatísticos foram publicados. Dessa
maneira, para agregação de possíveis novas variáveis para uma modelagem mais robusta,
foram listadas potenciais variáveis baseadas na opinião de especialistas do setor.
30

Modelagem para Demanda de Óleos Básicos nos EUA


Método: Mínimos Quadrados Ordinários

Variáveis Dependentes Coeficientes Estatística – t

Constante 0,276821 7,68

Prod_Ind 0,564918 8,94

Δ Temp 0,004147 3,02

T - 0,002314 -14,00

JAN 0,026919 2,32

FEV 0,024006 2,07

MAR 0,004915 0,42

ABR - 0,022942 -1,95

MAI - 0,026365 -2,24

JUN -0,043464 -3,70

JUL -0,054744 -4,65

AGO -0,033605 -2,86

SET -0,039326 -3,34

OUT -0,023796 -2,02

NOV -0,003119 -0,26

R2 0,7748

R2 Ajustado 0,7544

Durbin-Watson 1,8503
Tabela 2: Resultados Estatísticos do Modelo da EIA
31

2.2.2. O Modelo de Zaugg

Outra proposta de modelagem encontrada foi o modelo de Tom Zaugg, desenvolvido


em conjunto com a empresa Petro-Canada, para fazer a previsão de consumo de óleos
lubrificantes no mercado do Canadá (WHITBY, 2007). Entretanto, seus resultados estatísticos
e período amostral não foram divulgados. As variáveis independentes listadas são:

a) O PIB do país;

b) O período de troca de óleos lubrificantes em automóveis de passeio, mensurado


em milhas;

c) O período de troca de óleos lubrificantes em veículos de transporte de cargas e


passageiros, mensurado em milhas;

d) O período de troca em equipamentos industriais, mensurada em horas de trabalho


do equipamento;

e) O período de troca em equipamentos de transmissão, mensurado em unidades de


tempo.

2.2.3. Pesquisa de Variáveis Dependentes Adicionais

Além dos modelos, foram pesquisadas também as opiniões de profissionais


especialistas deste mercado para agregação de novas variáveis aos modelos utilizados como
plataformas iniciais, de forma a torná-lo mais significativo.

2.2.3.1. A Atividade Econômica

O PIB é uma unanimidade como variável dependente para modelagem da demanda de


lubrificantes, na opinião dos especialistas desse mercado. Há a percepção de que
historicamente sempre houve aumento de consumo destes produtos com o desempenho da
economia do país (PAIM e GOUVEIA, 2007). Adicionalmente a essa percepção há
32

especialistas que afirmam que essa relação é claramente defasada, ou seja, não ocorre
simultaneamente. O argumento para sustentação dessa posição é que a expansão da atividade
econômica é planejada antecipadamente. As indústrias investem em aumento de capacidade
produtiva através de aquisição de máquinas para atenderem um crescimento de demanda por
seus produtos, que deverá ocorrer em alguns períodos no futuro. No momento da instalação
dos novos equipamentos, que representa o aumento da capacidade produtiva, já há o consumo
de lubrificantes, mas a produção e entrega somente ocorrerá alguns períodos em frente
(CAVALCANTI e DAVIDOVICH, 2007).

2.2.3.2. O Período de Trocas

O período de troca de lubrificantes nos veículos de maneira geral parece ser


logicamente, uma variável que afeta o consumo. Pode-se utilizar o seguinte argumento: Um
proprietário de veículo automotivo adquire um novo modelo onde, diferentemente do anterior
que o fabricante recomendava trocas de óleo a cada 5.000 km, agora recomenda a troca a cada
10.000 km, utilizando a mesma quantidade e sendo essa mudança, devida à melhoria
tecnológica. Na prática atual, entretanto, os consumidores continuam trocando a cada 5.000
km ou menos. Ou seja, não é que a variável não impacte, porém os dados históricos que
correspondem aos manuais dos modelos lançados não refletem os hábitos de consumo
efetivamente praticados, logo a amostra de dados não é confiável (KANNER, CAVALCANTI
e DAVIDOVICH, 2007).

2.2.3.3. O Consumo de Outros Derivados de Petróleo Como Variáveis Dependentes.

O consumo de dois derivados de petróleo pode ser utilizado para substituir o PIB
como indicador de atividade econômica (KANER, 2007). São eles o óleo diesel e a gasolina.
No caso do segundo, deve ser adicionado o consumo de álcool combustível e GNV, uma vez
que ambos substituem parte ou totalmente a gasolina como fonte de energia para veículos
automotivos com motores de quatro tempos.
33

O consumo de óleo diesel é a melhor variável para substituir o PIB uma vez que
apresenta fortíssima correlação com o mesmo. Essa afirmação é sustentada porque esse é o
combustível utilizado para a plantação e colheita da safra, através de tratores e outras
máquinas, e transporte de seus produtos tanto por rodoviária quanto ferroviária. Todos os
veículos utilizados para esse fim consomem óleo diesel. Além da questão que envolve a
atividade primária, o nível de consumo de óleo diesel também é um forte indicador da
atividade industrial porque a logística da entrega de produção de manufaturados também
utiliza o transporte rodoviário, em bem maior quantidade, e ferroviário (ROCCO, 2007).
Quando o governo investe em obras públicas, principalmente pavimentação rodoviária, o
consumo desse combustível eleva-se, uma vez que o transporte de asfalto demanda veículos
especiais movidos a óleo diesel que além de movimentação em si, utilizam energia para
manutenção de temperatura alta do produto, em torno de 55º. C Celsius (CAVALCANTI e
SOARES).

Já o consumo de gasolina, adicionado de álcool combustível e GNV, reflete o ganho


ou perda de renda das pessoas, uma vez que a utilização do carro em maior taxa indica que as
pessoas estão mais dispostas a gastar recursos com lazer, principalmente viagens (KANER,
2007). Entretanto, há opinião contrária sobre a correlação entre o consumo desses produtos
com o consumo de lubrificantes. Não se observa uma correlação porque, diferentemente da
frota de transporte de carga, a frota de veículos automotivos leves, os automóveis, se renova
de maneira mais rápida, fazendo com que as taxas de consumo mudem de maneira mais
freqüente, uma vez que veículos novos consomem menos combustível por quilometro rodado
(ROCCO, 2007). No exemplo ilustrado na tabela 3, nota-se que os veículos comparados
consomem diferentes quantidades de combustível para percorrer e mesma distância e,
conseqüentemente, consumir praticamente o mesmo volume de lubrificantes.
34

Veículo Consumo de Gasolina C Consumo de Lubrificantes


para percorrer 5.000 em 5.000 Km (litros)
Km (litros)

Opala Comodoro 4.1 (1991) 1.110 4,4

Fiesta Siena 1.3 495 3,9

Tabela 3: Comparativo de performance de carros

2.2.3.4. A Produção de Veículos como Variável Dependente.

O desempenho da indústria automobilística é uma das variáveis que contribuem para


aumento ou redução da riqueza gerada no Brasil. Os principais direcionadores dela são: renda
disponível, taxa de câmbio e demanda no mercado externo. Entretanto, nem sempre seu
desempenho segue a evolução do PIB de forma fortemente correlacionada, isto é, pode
crescer acima ou abaixo do nível deste, ou até ter desempenho contrário (LAPA, 1998).

Para o consumo de óleos básicos lubrificantes, o desempenho dessa indústria deve ser
analisado de forma isolada, adicionalmente ao desempenho global da economia. O principal
motivo é que as montadoras, durante o processo de produção dos veículos automotivos, têm
que equipá-los com a carga adicional desse produto. Desse modo, se a economia do país não
atravessa um bom momento de desempenho, mas a produção de automóveis encontra-se
aquecida, esse último fator contribui de forma positiva para o consumo do produto, e há a
percepção de que o contrário também acontece (CAVALCANTI e DAVIDOVICH, 2007).

2.2.3.5. Questões de Sazonalidade no Consumo de Lubrificantes

Há somente dois efeitos de sazonalidade, claramente identificados pelos especialistas


desse mercado, que impactam o consumo de óleos básicos lubrificantes:
35

a) Um maior consumo de lubrificantes acabados no segundo semestre em relação ao


primeiro;

b) Redução de compras das empresas formuladoras e distribuidoras nos meses de


novembro e dezembro.

Para explicar o primeiro efeito, é necessário citar que no Brasil há várias safras
durante todo o ano e em praticamente todas as regiões do país. A maioria delas se concentra
no segundo semestre. Além disso, as indústrias tendem a ter um desempenho maior nesse
semestre em relação ao primeiro, para atingimento de suas metas, tanto financeiras quanto de
produção (ROCCO, 2007).

Quanto ao segundo efeito de sazonalidade nos dois últimos meses do ano fiscal, ele
ocorre porque as fábricas que compram os óleos básicos para transformarem em lubrificantes
acabados, buscam terminar o ano com níveis baixos de estoque para melhorarem seus
resultados contábeis. É comum inclusive que as mesmas ofereçam férias coletivas nessa época
do ano para seus empregados (PAIM, KANER, ROCCO, 2007).

O consumo de lubrificantes acabados nesses dois meses, não acompanha a queda no


consumo de sua matéria prima, óleos básicos, que é o objetivo dessa pesquisa. Esse estranho
paradoxo pode ser explicado pelo fato de que há vários elos na cadeia de valor, e que, devido
ao alto valor agregado desses produtos, os atacadistas e revendedores finais se mostram
dispostos a manter um maior nível de estoque para atender o consumidor final de lubrificantes
acabados (PAIM e KANER, 2007)

2.3. CONCEITOS DE ECONOMETRIA APLICADOS NA REGRESSÃO MULTIPLA DE


DADOS EM SERIES TEMPORAIS

Para execução de regressão múltipla com dados observados ao longo do tempo,


denominadas séries temporais, faz-se necessário observar que as mesmas apresentam
características diferentes de dados dispostos no mesmo período de tempo, forma denominada
de corte transversal. Desse modo serão descritos os componentes presentes numa série
temporal e os conceitos de estacionaridade, raiz unitária e co-integração e correlação serial.
36

2.3.1. Componentes Presentes em Dados de Séries Temporais

As séries temporais geralmente contêm quatro componentes que são a tendência,


sazonalidade o ciclo e o erro:

a) A tendência é o componente da série temporal que indica uma propensão da


mesma evoluir positiva ou negativamente, de forma vagarosa e de relativa
persistência no longo prazo. Em séries de negócios e economia as tendências são
produzidas por mudanças de preferências, hábitos de consumo, desenvolvimento
tecnológico e mudanças institucionais e demográficas (DIEBOLD, 2004)

b) A sazonalidade é o componente da serie temporal que mostra movimentos


periódicos e intra-anuais provocados por calendário climático ou institucional. Ela
também pode ocorrer por preferências de consumo ligadas a cultura e fatores
sociais como chocolates no Brasil durante feriado de Páscoa e vendas de vela em
períodos que antecedem feriados santos (ESCARIA, 1995). Um dos aspectos
importantes, para o tratamento da sazonalidade, é que a mesma não existe em
séries temporais onde período das observações é anual ou plurianual
(WOODRIDGE, 2002).

c) O componente ciclo da série temporal é qualquer movimento dinâmico na série


que se mostra persistente, mas não é caracterizado nem como uma tendência ou
presença de sazonalidade. Ele também pode ser compreendido como o
componente estacionário, com mais dinamismo que o processo de ruído branco
(DIEBOLD, 2004).

d) O erro corresponde aos movimentos explicados por causas fortuitas, que não sejam
explicados pelos fatores anteriores e que apresentem comportamento aleatório
(ESCÁRIA, 1995).
37

2.3.2. Estacionaridade - Séries Estacionárias e Não Estacionárias

Um dos requisitos que duas ou mais séries que sejam regredidas devem apresentar é que
sejam estacionárias. Para que uma séria seja estacionária ela deve ter as seguintes
propriedades:

E(Yt) = μ ...(2)

Var (Yt) = E(Yt - μ)2 = σ2 ...(3)

γk = E[(Yt - μ) (Yt+k - μ)] ...(4)

A primeira propriedade significa que a média é constante ao longo do tempo, a segunda


que a variância é constante ao longo do tempo e a terceira que a covariância entre dois
períodos de tempo depende apenas do intervalo ou defasagem entre eles e não do efeito do
tempo em si (GUJARATI, 2006). Obviamente, séries não estacionárias são aquelas que
violam pelo menos uma dessas propriedades.

O problema de utilização de séries não estacionárias é que as mesmas podem gerar,


quando regredidas umas contra as outras, a regressão espúria (WOODRIGDE, 2002).
Regressões espúrias representam um problema porque apresentam como resultado um alto
nível de correlação estatística entre duas ou mais variáveis quando na realidade esse nível é
muito baixo ou inexistente. Isso ocorre porque na realidade pode existir um grande nível de
correlação entre as tendências presentes nas duas ou mais variáveis (CHAN e LEE, 1997)

Para verificação da condição de uma série ser estacionária ou não estacionária, deve-se
aplicar o teste para averiguar se a mesma possui uma raiz unitária (HALKOS e KEVORK,
2005).
38

2.3.2.1. A Questão da Raiz Unitária em Séries de Tempo

Para se explicar o conceito de raiz unitária, é necessário verificar o conceito do processo


estocástico puramente aleatório ou ruído branco. Um termo de erro com características de
ruído branco é representado da seguinte forma:

μt ≅ IIDN (0, σ2) ...(5)

Onde o termo µt possui uma distribuição normal com média condicionada igual a zero e
variância constante. Dessa maneira, esse termo é homocedástico e não possui correlação serial
(MELLO, 2007).

A partir desse conceito, pode-se analisar o seguinte processo denominado passeio


aleatório:

Yt = β0 + ρYt-1 + µt , sendo ‫׀‬ρ‫ ≤ ׀‬1 ...(6)

Onde o valor de Y no instante t (Yt ) será igual a uma constante (β0) mais o valor de Y
defasado em um período (Yt-1) mais um termo de erro. Quando o termo ‫׀‬ρ‫ ׀‬for menor que um,
então as condições (2), (3) e (4) não são violadas e existe uma condição de estacionaridade.
Contudo, quando ‫׀‬ρ‫ ׀‬é igual a um, então as condições anteriores são violadas, pois a média e
a variância mudam com o tempo. Por isso essa questão é conhecida como Raiz Unitária
(GUJARATI, 2006).

Para detecção da existência de raiz unitária os testes mais amplamente utilizados são:
Dickey-Fuller (DF), Dickey-Fuller Aumentado (ADF) e Phillips-Perron (PP) (HALKOS e
KEVORK, 2005). Apesar do procedimento de aplicação dos testes para verificação de
existência de raiz unitária serem comumente utilizados, há críticas em relação aos seus
resultados pois, se por um lado, séries não estacionárias podem gerar o problema da regressão
espúria, por outro lado existe a hipótese deles indicarem que uma série estacionária é,
incorretamente,classificada como não estacionária e aí, ao proceder com técnicas para sua
correção, suas propriedades de correlação serão modificadas (GUJARATI, 2006) Há inclusive
39

autores que defendem que esses tradicionais testes, DF, ADF e PP já não deveriam mais ser
utilizados devido a sua baixa potência (MADDALA, 1998).

2.3.2.2. Utilização de Séries com Raiz Unitária

Para utilização de séries temporais não estacionárias é necessário que as mesmas sejam
transformadas em séries estacionárias. Isso pode ser feito utilizando-se a primeira diferença da
série, conforme a seguir:

ΔYt = (Yt – Yt-1) ...(7)

Outra maneira de se utilizar séries não estacionárias é verificar se as mesmas podem ser
co-integradas. Duas ou mais séries podem ser consideradas co-integradas se o resíduo
resultante da regressão das mesmas não apresentar raiz unitária. Nesse caso, diz-se que a
combinação linear delas anula suas tendências e, conseqüentemente, não há o fenômeno da
regressão espúria. Quando as séries são denominadas co-integradas, conclui-se que as mesmas
apresentam uma relação de equilíbrio no longo prazo (GUJARATI, 2006).

2.3.3. A Presença de Correlação Serial

Outra questão que deve ser observada na regressão múltipla com séries temporais é
correlação serial ou autocorrelação dos erros. Ela é definida como a correlação entre
integrantes de séries de dados observados no tempo (GUJARATI, 2006).

Se no processo estocástico a seguir:

Yt = β0 + β1 Xt1 + ... + βn Xtn + µt ...(8)


40

quaisquer um dos termos µt , qualquer que seja t, se correlacionarem com quaisquer Xtn,
haverá uma relação de contemporaridade endógena. Essa condição faz com que os resultados
dos βn coeficientes possam ser viesados, levando a resultados espúrios (WOODRIGDE,
2002).

O teste mais amplamente utilizado para detecção de correlação serial nos erros é o
desenvolvido por Durbin e Watson em 1951. Para séries onde se rejeita a hipótese de
existência de correlação serial, o resultado deste teste é d ≈ 2. Contudo, assim como a questão
da existência de raiz unitária, há também outros testes que, juntamente com este primeiro
mencionado, têm seus resultados criticados por permitirem a possibilidade de identificação de
existência de correlação serial em regressões que não a apresentam (MITTLEHAMMER,
2000).
41

3. METODOLOGIA

Para realização das modelagens, com base no modelo da EIA e no direcionamento dos
especialistas desse mercado, foram coletadas as seguintes variáveis quantitativas, em
periodicidade mensal, , sendo que dentro dos parênteses, está inserido seu código para
simplificação de entendimento nessa pesquisa:

a) Variável dependente (Y): Consumo de óleos básicos lubrificantes em m3.

b) Índice de produção industrial no Brasil pelo índice do IBGE (X1).

c) Temperatura média mensal em o. C Celsius (X2).

d) Consumo de óleo diesel em bpd (X3)

e) Consumo agregado de gasolina e álcool combustível em bpd, também denominado


consumo de motores de ciclo Otto (X4).

f) Produção de veículos em unidades (X5).

Foram também criadas doze variáveis binarias, sendo uma para cada um dos meses de
fevereiro a dezembro (D1, D2,..., D12), uma binaria para representar o segundo semestre do
ano (S2) e uma variável de tendência linear (T) que foi utilizada no modelo básico.

O período da amostra de todas as variáveis é janeiro de 1991 até fevereiro de 2007,


sendo este mês incluso.
42

3.1. COLETA DA AMOSTRA DA VARIÁVEL DEPENDENTE

Primeiramente, foram consultadas as bases estatísticas da Agência Nacional de


Petróleo, Gás Natural e Biocombustíveis, disponíveis publicamente no seu sitio eletrônico,
onde existe somente a lista de produção de óleos lubrificantes básicos no país. Foi feito um
contato formal para solicitação dos dados de vendas deste produto no país. Foi orientado que
se entrasse em contato diretamente com as empresas fabricantes, pois a agência não tinha
essas informações (ANP, 2007).

Tais informações foram, então, solicitas à Petrobras. Foi disponibilizada a série mensal
de consumo no mercado nacional, em m3, no período de janeiro de 2001 a fevereiro de 2007,
constituindo 74 observações.

Para aumentar o tamanho da série foi disponibilizado relatório em papel com as


entregas mensais desde janeiro de 1991, também em m3. Esses dados tiveram que ser
tabulados em planilha eletrônica de modo que pudessem ser trabalhados posteriormente em
software estatístico. Diferentemente do primeiro período disponibilizado, para se chegar ao
consumo mensal foi necessário levantar os dados referentes às importações e exportações do
produto junto ao Sistema de Análise das Informações de Comércio Exterior gerenciado pela
SECEX, instituição vinculada ao Ministério do Desenvolvimento, Indústria e Comércio
(MDIC). O acesso a este sistema é livre para qualquer cidadão brasileiro, mediante cadastro
no sítio do MDIC. Os dados referentes às exportações e importações de óleos básicos
lubrificantes se encontram na unidade de quilogramas (MDIC, 2007). Eles tiveram que ser
convertidos para a unidade de metros cúbicos utilizando uma densidade padrão de 0,84
(KANER, 2007).

3.2. COLETA DAS AMOSTRAS DAS VARIÁVEIS INDEPENDENTES

A maioria das amostras das variáveis independentes foi coletada em fontes públicas
disponíveis na internet. As não disponíveis foram solicitadas às organizações reconhecidas,
detentoras desses dados.
43

3.2.1. Índice de Produção Industrial no Brasil

O índice de produção industrial no Brasil, com periodicidade mensal, é


disponibilizado publicamente no sítio eletrônico do IPEA. Ele é mensurado pelo IBGE que
afere a produção de diversos segmentos industriais e agrega a todos sob o titulo de Índice
Geral de Produção Industrial onde, o ano de 2002 tem o valor médio igual a 100. Os demais
valores são variações em relação a esta data específica (IPEADATA, 2007). Os dados
contidos na amostra foram validados junto ao IBGE (MACEDO, 2007)

3.2.2. Temperatura Média Mensal

A temperatura média mensal não é uma série que esteja publicada para livre consulta.
Para obtenção desses dados, foi necessário o contato com o INMET e o INPE. Apenas o
primeiro instituto continha os dados, tendo os enviado em forma eletrônica através de CD.

3.2.3. Consumo de Óleo Diesel e Consumo Agregado de Gasolina e Álcool Combustível

O consumo de óleo diesel e o consumo agregado de gasolina e álcool combustível se


encontram disponibilizados no sítio eletrônico do IPEA, sendo que o fornecedor dos dados é a
ANP (IPEADATA, 2007).

Foram construídas duas séries separadas, sendo a primeira para o diesel e a segunda
para os outros.

3.2.4. Produção de Veículos Automotivos no Brasil

Foi pesquisado o sítio eletrônico da ANFAVEA, que contém as vendas detalhadas


mensalmente no mercado interno, tanto de veículos fabricados no território nacional quanto os
44

importados desde 1999. Como a série da variável dependente vinha desde 1991 foi enviada
uma correspondência eletrônica para o CEDOC da ANFAVEA solicitando os dados no
período desejado. A organização os enviou através da gestora da biblioteca os quais tiveram
que ser tabulados em planilha eletrônica manualmente (ANFAVEA, 2007).

3.3. MODELAGEM

Para a realização da modelagem, além dos testes com as variáveis em seus valores
absolutos, as mesmas foram testadas em suas formas logarítimicas, exceto as variáveis
binarias, por tal procedimento não fazer sentido. A forma logarítmica apresenta duas
vantagens: a primeira é a de reduzir a dispersão, aumentando a probabilidade de obtenção de
uma distribuição Gaussiana dos erros da regressão, a segunda é refletir os impactos das
variáveis sobre as outras na forma de variação (MELLO, 2007). Para efeito de nomenclatura,
foi acrescido um prefixo L, como por exemplo, LX1 para a forma logarítmica da série X1

Além da forma, também foi feito o procedimento de retirada da sazonalidade das


séries, através da aplicação do programa X11,do Departamento de Comércio dos EUA. Esse
procedimento, de alguma forma semelhante à transformação das séries através de conversão
para forma logarítimica, tem como objetivo a redução de dispersões provenientes de efeitos
de sazonalidade. Para efeito de nomenclatura, foi acrescido um sufixo _SA, como por
exemplo, LX1_SA para a forma dessazonalizada da série lX1.

O terceiro passo foi realizar testes de existência de raiz unitária nas séries para
verificar se as mesmas eram estacionárias ou não estacionárias.

Todas as regressões realizadas nesta pesquisa foram executadas utilizando-se o


método de mínimos quadrados ordinários e o procedimento de Newey e West para corrigir
possíveis existências de autocorrelação e heterocedasticidade.
45

3.3.1. Testes para Raiz Unitária – Estacionaridade das Séries

Na tabela 4 estão dispostos os resultados dos testes. Nas colunas com nome Variável
estão listadas as variáveis, suas formas logarítimicas, suas formas dessazonalizadas e as
formas logarítimicas dessazonalizadas. Nas colunas de nome Teste ADF estão listados os
resultados de cada variável. O primeiro número de cada célula corresponde ao resultado
crítico do teste estatístico Dickey-Fuller Aumentado para a respectiva série, e o segundo, ao
valor para um intervalo de confiança de 0,05. Na terceira linha foram colocadas a abreviação
N R H0, quando o resultado significa que não se pode rejeitar a hipótese de que existe raiz
unitária, ou R H0 que significa que pode se rejeitar a hipótese de que existe raiz unitária.

Todas as variáveis, incluindo suas formas logarítmicas, dessazonalizadas e


logarítimicas dessazonalizadas, com exceção da série de temperatura (X2), apresentaram
resultados que não permitem a rejeição da hipótese de existência da raiz unitária.
Consequentemente, elas deverão ser transformadas em séries estacionárias, através da
utilização da primeira diferença, para não gerarem regressões espúrias, ou deverá ser
verificada a hipótese de co-integração entre as mesmas.
46

Variável Teste Variável Teste Variável Teste


ADF ADF ADF
Y -0,7706 X2 -5,2323 X4 -1,4902
-2,8774 -2,8763 -2,8775
N R H0 R H0 N R H0
Y_sa -0,7632 X2_sa -3,0976 X4_sa -2,2826
-2,8774 -2,8770 -2,8766
N R H0 R H0 N R H0
Ly -0,6888 Lx2 -5,3206 Lx4 -1,6087
-2,8772 -2,8764 -2,8775
N R H0 R H0 N R H0
Ly_sa 0,6906 Lx2_sa -3,0258 Lx4_sa -2,6598
-2,8774 -2,8770 -2,8766
N R H0 R H0 N R H0
X1 -0,5063 X3 -1,4710 X5 -1,6270
-2,8775 -2,8775 -2,8774
N R H0 N R H0 N R H0
X1_sa -0,5506 X3_sa -2,3096 X5_sa -0,9037
-2,8766 -2,8766 -2,8765
N R H0 N R H0 N R H0
Lx1 -0,7856 Lx3 -1,5656 Lx5 -2,3157
-2,8777 -2,8775 -2,8774
N R H0 N R H0 N R H0
Lx1_sa -0,8817 Lx3_sa -2,7037 Lx5_sa -1,5412
-2,8766 -2,8766 -2,8765
N R H0 N R H0 N R H0
Tabela 4: Teste de raiz unitária das variáveis

3.3.2. Modelo da EIA com os Dados do Brasil

Foram realizadas oito regressões, considerando as variáveis do modelo básico da EIA,


porém com dados do Brasil. Nas tabelas 5 e 6 estão dispostos os resultados obtidos, sendo que
na primeira coluna estão listadas as variáveis utilizadas e medidas como o R2, o R2 ajustado e
47

o teste estatístico F, e na última linha, o resultado do teste para verificação de hipótese de


existência de co-integração na regressão. Em todas as células que contém os resultados, o
número da primeira linha corresponde ao coeficiente encontrado para a respectiva variável e o
número na segunda linha corresponde ao valor p, que é a probabilidade de se rejeitar a
hipótese nula de que o coeficiente não é significativo.

A Tabela 5 contém os resultados de quatro regressões utilizando as variáveis em sua


forma original na primeira coluna, as primeiras diferenças da forma original na segunda, a
forma original dessazonalizada na terceira e as primeiras diferenças desta na quarta coluna. A
Tabela 6 é semelhante à anterior , porém com os resultados das variáveis em suas formas
logarítimicas e logarítimicas dessazonalizadas.

Na primeira regressão, as variáveis binarias, correspondentes os meses, e a tendência


possuem resultados significativos para o intervalo de confiança. Entretanto, como pode ser
verificado na última linha, não se pode rejeitar a hipótese de que não há co-integração entre as
variáveis do modelo. Logo, pode representar a existência de uma regressão espúria
invalidando os resultados apresentados inicialmente.

Na segunda regressão, a variável que representa a produção industrial e as binarias


correspondentes aos meses de janeiro, setembro e outubro têm o resultado significativo. A
interpretação dos resultados é que a cada unidade que varia o índice de produção industrial,
há uma variação de 1.174 m3 na demanda por óleos básicos, o mês de janeiro representa um
aumento 20.669 m3 na demanda, setembro um decréscimo de 17.014 m3 e outubro uma queda
de 12.324 m3. O R2 ajustado sinaliza que as variáveis, nessa amostra, explicam
aproximadamente 28% da demanda e o resultado do teste F igual a 6,47, que o modelo é
estatisticamente significativo.

Na terceira regressão, de forma semelhante à primeira, não se pode rejeitar a hipótese


de que não existe co-integração entre as variáveis; então, novamente, há o problema da
regressão espúria.

Na quarta regressão, todas as variáveis binarias apresentaram resultado não


significativo, provavelmente porque foram utilizadas variáveis com os dados
dessazonalizados. A única variável que apresentou resultado significativo foi a produção
industrial. A interpretação do resultado é que a cada unidade que varia o índice de produção
industrial, há uma variação de 961 m3 na demanda por óleos básicos. O R2 ajustado sinaliza
48

que as variáveis, nessa amostra, explicam aproximadamente 2% da demanda e o teste F com


resultado de 1,36 aponta que a modelagem não é estatisticamente significativa.
49

Variável Dependente (Y): Consumo de Óleos Básicos Lubrificantes


Regressão 1 Regressão 2 Regressão 3 Regressão 4
Variável Nível Δ Nível Nível SA Δ Nível SA
C -18.309 -2.625 4.637 -2.295
0,49 0,59 0,84 0,56
X1 302 1.174 206 916
0,21 0,00 0,39 0,00
X2 1.723 1.126 1.710 1.009
0,07 0,15 0,05 0,15
T 166 - 186 -
0,00 - 0,00 -
D1 15.499 20.669 -872 1.639
0,00 0,00 0,80 0,80
D2 11.534 1.625 414 3.315
0,00 0,75 0,90 0,49
D3 11.940 -7.487 2.901 4.880
0,00 0,35 0,50 0,33
D4 17.844 10.779 1.914 548
0,00 0,05 0,64 0,92
D5 23.613 2.582 2.525 3.365
0,00 0,73 0,56 0,51
D6 23.171 2.915 591 474
0,00 0,61 0,89 0,92
D7 24.704 968 1.464 2.879
0,00 0,88 0,72 0,51
D8 17.193 -5.727 982 2.083
0,01 0,34 0,81 0,65
D9 28.372 17.014 2.552 3.732
0,00 0,00 0,60 0,47
D10 14.586 -12.324 -1.526 -2.586
0,01 0,05 0,68 0,66
D11 12.925 5.460 2.413 7.080
0,01 0,28 0,54 0,22
R2 0,640 0,337 0,633 0,090
R2 Ajustado 0,612 0,285 0,604 0,024
Estat. F 22,72 6,47 22,06 1,36
ADF Resíduo -1,900 - -2,097 -
-2,877 - -2,878 -
N R H0 - N R H0 -
Tabela 5: Regressões em Nível – Modelo Básico
50

Na quinta regressão, que tem seus resultados dispostos na segunda coluna da tabela 6,
o resultado para verificação da hipótese de co-integração é semelhante aos obtidos na primeira
e terceira regressões.

Na sexta regressão, a variável que representa a produção industrial e a binaria


respectiva ao mês de janeiro têm o resultado significativo. A interpretação dos resultados é
que a cada ponto percentual que varia o índice de produção industrial, há uma variação de
1,43% na demanda por óleos básicos e no mês de janeiro há um aumento de 0,32% na
demanda. O R2 ajustado sinaliza que as variáveis, nessa amostra, explicam aproximadamente
27% da demanda e o teste F que o modelo é estatisticamente significativo.

Na sétima regressão, ocorre o fenômeno da regressão espúria, já visto na primeira,


terceira e quinta regressões.

Na oitava regressão, os resultados foram de alguma maneira semelhante aos obtidos na


quarta regressão. As mudanças se encontram nos coeficientes das variáveis e na interpretação.
A única variável significativa foi a produção industrial e o resultado pode ser interpretado da
seguinte maneira: para cada ponto percentual que varia esta variável, há uma variação de
1,2% na demanda de óleos básicos. O R2 ajustado sinaliza que as variáveis, nessa amostra,
explicam aproximadamente 1,5% da demanda e o teste F, com resultado de 1,22, aponta que o
resultado da modelagem não é estatisticamente significativo.
51

Variável Dependente (Y): Consumo de Óleos Básicos Lubrificantes


Regressão 5 Regressão 6 Regressão 7 Regressão 8
Variável Log Δ Log Log AS Δ Log SA
C 7,9900 -0,0691 8,6983 -0,0394
0,00 0,40 0,00 0,55
X1 0,3474 1,4361 0,2054 1,2045
0,26 0,00 0,48 0,00
X2 0,4028 0,2971 0,4425 0,2690
0,10 0,18 0,04 0,14
T 0,0023 - 0,0026 -
0,00 - 0,00 -
D1 0,2316 0,3296 0,0020 0,0471
0,00 0,00 0,97 0,67
D2 0,1968 0,0684 0,0231 0,0556
0,00 0,44 0,67 0,47
D3 0,1782 -0,1017 0,0542 0,0777
0,01 0,39 0,42 0,33
D4 0,2535 0,1706 0,0352 0,0044
0,00 0,10 0,56 0,96
D5 0,3230 0,0613 0,0491 0,0613
0,00 0,59 0,43 0,44
D6 0,3221 0,0713 0,0227 0,0144
0,00 0,45 0,71 0,85
D7 0,3477 0,0469 0,0391 0,0499
0,00 0,63 0,53 0,49
D8 0,2467 -0,0483 0,0305 0,0338
0,01 0,59 0,61 0,64
D9 0,3796 0,2360 0,0399 0,0463
0,00 0,01 0,59 0,58
D10 0,2137 -0,1201 0,0026 -0,0098
0,01 0,24 0,96 0,91
D11 0,2002 0,1053 0,0427 0,0920
0,01 0,31 0,51 0,31
R2 0,632 0,321 0,618 0,081
R2 Ajustado 0,603 0,271 0,588 0,014
Estat. F 22,00 6,51 20,65 1,22
ADF Resíduo -2,059 - -2,412 -
-2,878 - -2,877 -
N R H0 - N R H0 -
Tabela 6: Regressões em Forma Logarítimica – Modelo Básico
52

3.3.3. Testes de Robustez

Os testes de robustez têm como objetivo verificar alterações que possam melhorar um
modelo baseado na inclusão de novas variáveis, mudança da forma ou ainda, utilizando-se
períodos amostrais diferentes com as mesmas variáveis para verificar se a mudança de
amostra causa algum impacto significativo nos resultados.

Nesta pesquisa, foram realizados três procedimentos maiores para efeito de testes de
robustez:

a) No primeiro, foram acrescidas ao modelo básico, as variáveis que foram listadas


pelos especialistas de mercado na pesquisa. Os resultados numéricos estão
dispostos nas tabelas 7 e 8.

b) O segundo, de forma diferente, iniciou-se com o teste de uma primeira variável


independente contra a variável dependente. A escolha desta também foi feita a
partir da opinião dos especialistas pesquisados. A partir deste primeiro modelo e
sua análise foram realizadas modelagens posteriores com inclusão de outras
variáveis independentes e respectivas análises.

c) No terceiro foi testada a modelagem com a inclusão das variáveis dependentes


defasadas e possíveis interações com variáveis independentes.

3.3.3.1. Adição de Variáveis ao Modelo Básico

Na primeira modelagem, para o primeiro teste de robustez e com os resultados


dispostos na segunda coluna da tabela 7, foi adicionada a variável independente referente ao
consumo de óleo diesel ao modelo básico que já continha, como outras independentes, a
produção industrial, a temperatura e as binarias referentes aos meses de janeiro a novembro.
O resultado do coeficiente para esta variável foi não significativo e, com sua inclusão, o
coeficiente da variável produção industrial que anteriormente era significativo, tornou-se não
significativo. Isso pode ser um indício de as duas variáveis serem colineares, isto é, possuem
um considerável grau de correlação entre si. As demais variáveis apresentaram coeficientes
53

não significativos e a equação como um todo também, corroborada pelo resultado do teste F
de valor 1,34.

Na segunda modelagem, com os resultados dispostos na terceira coluna da tabela 7,foi


retirada a variável independente referente ao consumo de óleo diesel e colocada a referente ao
consumo de motores de ciclo Otto, tendo sido mantidas as demais. Os resultados foram muito
parecidos com a modelagem anterior. Todos os coeficientes das variáveis independentes
tiveram resultados não significativos, assim como a equação como um todo. É válido ressaltar
que há também aqui a hipótese da variável referente à produção industrial e a do consumo de
motores de ciclo Otto serem colineares.

Na terceira modelagem, com os resultados dispostos na quarta coluna da tabela 7, foi


retirada a variável independente referente ao consumo de diesel e incluída a referente à
produção de veículos automotivos, sendo mantidas as demais. Nessa modelagem, o
coeficiente da variável referente à produção industrial voltou a ficar significativo. A variável
incluída e as demais apresentaram coeficientes não significativos. A modelagem de maneira
geral também apresentou resultado não significativo, corroborado pelo resultado do teste F
igual a 1,13.

Na quarta modelagem, com os resultados dispostos na quinta coluna da tabela 7, foi


retirada a variável incluída anteriormente e incluídas, de forma conjunta, as variáveis
referentes ao consumo de gasolina e consumo de diesel, sendo mantidas as demais. Como
resultado, todas as variáveis apresentaram coeficientes não significativos e a regressão de
maneira geral também.

Na quinta modelagem, com os resultados dispostos na segunda coluna da tabela 8, foi


retirada a variável referente ao consumo de motores de ciclo Otto e incluída a referente à
produção de veículos automotivos, tendo sido mantidas as demais da regressão anterior. De
forma semelhante à quarta modelagem, os coeficientes de todas as variáveis apresentaram
resultados não significativos, assim como a regressão como um todo.

Na sexta modelagem, com os resultados dispostos na terceira coluna da tabela 8, foi


retirada a variável ao consumo de diesel e incluída a referente ao consumo de motores de
ciclo Otto, sendo mantidas as demais da regressão anterior. Mais uma vez, os resultados dos
coeficientes de todas as variáveis e da modelagem como um todo foram não significativos.

Na sétima modelagem, com os resultados dispostos na quarta coluna da tabela 8,


foram testadas todas as variáveis de forma conjunta. Os coeficientes de todas elas tiveram
54

resultados não significativos assim como a regressão de forma geral também não apresentou o
seu resultado significativo.
55

Variável Dependente (Y): Consumo de Óleos Básicos Lubrificantes


Teste 1 Teste 2 Teste 3 Teste 4
Variável Δ Log SA Δ Log SA Δ Log SA Δ Log SA
C -0,0372 -0,0368 -0,0394 -0,0337
0,59 0,59 0,55 0,63
X1 0,8172 0,7436 1,2238 0,0540
0,09 0,14 0,00 0,95
X2 0,2521 0,2526 0,2657 0,2617
0,20 0,20 0,14 0,19
X3 0,4096 - - -4,4482
0,15 - - 0,49
X4 - 0,4878 - 5,6696
- 0,13 - 0,44
X5 - - 0,0198 -
- - 0,82 -
D1 0,0439 0,0428 0,0472 0,0325
0,69 0,70 0,67 0,78
D2 0,0497 0,0497 0,0553 0,0513
0,52 0,52 0,47 0,51
D3 0,0873 0,0875 0,0787 0,0871
0,28 0,27 0,33 0,28
D4 -0,0025 -0,0026 0,0040 -0,0015
0,98 0,98 0,96 0,99
D5 0,0574 0,0571 0,0605 0,0552
0,48 0,48 0,44 0,50
D6 0,0109 0,0097 0,0152 -0,0027
0,88 0,90 0,84 0,97
D7 0,0525 0,0518 0,0496 0,0437
0,48 0,49 0,49 0,58
D8 0,0291 0,0292 0,0332 0,0310
0,69 0,69 0,64 0,67
D9 0,0487 0,0491 0,0458 0,0520
0,57 0,57 0,59 0,54
D10 -0,0126 -0,0145 -0,0102 -0,0340
0,89 0,87 0,91 0,72
D11 0,0866 0,0872 0,0923 0,0946
0,35 0,35 0,31 0,31
R2 0,095 0,096 0,081 0,099
R2 Ajustado 0,024 0,025 0,009 0,023
Estat. F 1,34 1,35 1,13 1,30
Tabela 7: Testes de Robustez – Adição de Variáveis ao Modelo Básico – Parte 1
56

Variável Dependente (Y): Consumo de Óleos Básicos Lubrificantes


Teste 5 Teste 6 Teste 7
Variável Δ Log SA Δ Log AS Δ Log SA
C -0,0372 -0,0368 -0,0336
0,59 0,59 0,64
X1 0,8169 0,7410 0,0038
0,12 0,18 1,00
X2 0,2521 0,2586 0,2646
0,20 0,19 0,18
X3 0,4096 - -4,6276
0,16 - 0,48
X4 - 0,4886 5,8852
- 0,14 0,44
X5 -0,0002 -0,0020 -0,0166
1,00 0,98 0,86
D1 0,0439 0,0428 0,0320
0,69 0,70 0,79
D2 0,0497 0,0497 0,0515
0,53 0,53 0,51
D3 0,0873 0,0874 0,0864
0,29 0,29 0,29
D4 -0,0025 -0,0026 -0,0013
0,98 0,98 0,99
D5 0,0574 0,0572 0,0558
0,47 0,48 0,49
D6 0,0109 0,0096 -0,0039
0,89 0,90 0,96
D7 0,0525 0,0519 0,0436
0,48 0,48 0,58
D8 0,0291 0,0293 0,0315
0,69 0,69 0,67
D9 0,0488 0,0491 0,0526
0,57 0,57 0,53
D10 -0,0125 -0,0144 -0,0345
0,89 0,87 0,72
D11 0,0866 0,0872 0,0946
0,36 0,36 0,31
R2 0,095 0,096 0,099
R2 Ajustado 0,019 0,019 0,017
Estat. F 1,24 1,25 1,21
Tabela 8: Testes de Robustez – Adição de Variáveis ao Modelo Básico – Parte 2
57

3.3.3.2. Teste de Variáveis dos Especialistas de Mercado

No segundo procedimento de realização dos testes de robustez, baseado nas opiniões


dos especialistas coletadas na pesquisa, foi inicialmente testada a regressão da variável
dependente contra a independente referente à produção industrial, sendo que os resultados
numéricos estão dispostos na segunda coluna da tabela 9. O coeficiente dessa independente
apresentou resultado significativo, que pode ser interpretado da seguinte forma: para cada
variação de um ponto percentual no índice de produção industrial é esperada uma variação de
1,088% na demanda por óleos básicos lubrificantes. O resultado do teste F mostra que o
resultado da regressão como um todo é significativo e o R2 ajustado mostra que essa relação
explica aproximadamente 4% dos casos na amostra.

Para o segundo procedimento, foi testada a inclusão da variável referente à produção


industrial com um período de defasagem. Os resultados estão dispostos na terceira coluna da
tabela 9. Nessa regressão o coeficiente da variável correspondente à produção industrial teve
resultado significativo, assim como o resultado da regressão. Entretanto, o resultado do
coeficiente da variável adicionado não foi significativo. Nesta regressão, o resultado do R2
ajustado indica que essa relação explica aproximadamente 4,2% dos casos nessa amostra.

No terceiro teste, foi incluída uma terceira variável referente à produção industrial
com dois períodos de defasagem, com os resultados dispostos na quarta coluna da tabela 9. O
coeficiente da variável de produção industrial continuou apresentando resultado significativo,
mas os coeficientes da mesma variável com um e dois períodos de defasagem tiveram
resultados não significativos. O resultado do teste F indica que o resultado da modelagem foi
significativo e o R2 ajustado indica que a relação explica 3,8% dos casos da amostra.

No quarto teste foram excluídas as variáveis defasadas e incluída a variável referente


ao consumo de óleo diesel. Os resultados estão dispostos na quinta coluna da tabela 9. Os
coeficientes das duas variáveis se mostraram não significativos, mas o resultado do teste F
mostrou que a regressão como um todo é significativa. Isso pode ser um indício que as duas
variáveis independentes testadas podem ter uma relação fortemente colinear.

No quinto teste foi retirada a variável referente ao consumo de óleo diesel e incluída a
referente ao consumo de motores de ciclo Otto. Os resultados estão dispostos na sexta coluna
da tabela 9. Os resultados foram bastante semelhantes aos da regressão anterior indicando que
58

também pode haver uma relação de forte colinearidade entre a variável incluída e a referente à
produção industrial.

Na sexta regressão foi retirada a variável referente à produção industrial e mantida a


referente ao consumo de motores de ciclo Otto. O critério para essa decisão foi o valor t da
primeira que é menor que o da segunda, conforme o valor na segunda linha da célula. Foi
incluída a variável referente ao consumo de óleo diesel para ser testada em conjunto com
aquela mantida. Os resultados dessa regressão estão dispostos na sétima coluna da tabela 9.
Os resultados dessa regressão foram relativamente semelhantes aos da anterior com os
coeficientes das variáveis apresentando resultados não significativos e o da regressão,
significativo.

Variável Dependente (Y): Consumo de Óleos Básicos Lubrificantes


Teste1 Teste 2 Teste 3 Teste 4 Teste 5 Teste 6
Variável Δ Log AS Δ Log SA Δ Log AS Δ Log SA Δ Log SA Δ Log SA
C 0,0005 0,0017 0,0009 0,0009 0,0009 0,0013
0,93 0,77 0,89 0,88 0,88 0,83
X1 1,0881 0,9325 0,9939 0,7079 0,6496 -
0,00 0,01 0,01 0,13 0,19 -
X1(-1) - -0,4533 -0,3491 - - -
- 0,18 0,29 - - -
X1(-2) - - 0,2265 - - -
- - 0,49 - - -
X3 - - - 0,3843 - -2,6014
- - - 0,18 - 0,43
X4 - - - - 0,4451 3,5621
- - - - 0,17 0,33
R2 0,045 0,052 0,053 0,057 0,057 0,053
R2 Ajustado 0,040 0,042 0,038 0,048 0,047 0,043
Estat. F 8,91 5,15 3,48 5,79 5,78 5,31
Tabela 9: Testes de Robustez – Inclusão de Variáveis dos Especialistas – Parte 1

Na sétima regressão, foi retirada a variável relativa ao consumo de óleo diesel e


incluída a mesma relativa à produção de veículos automotivos, tendo sido dispostos os
59

resultados na segunda coluna da tabela 10. Nessa regressão, o coeficiente da variável referente
ao consumo de motores de ciclo Otto voltou a apresentar resultado significativo. A sua
interpretação é que para cada variação de um ponto percentual no consumo de motores de
ciclo Otto, há uma variação de aproximadamente 0,68% na demanda de óleos básicos
lubrificantes. Já o resultado do coeficiente da variável incluída teve resultado não
significativo. O teste F indica que a modelagem tem um resultado significativo e o valor do R2
ajustado mostra que essa relação ocorre em aproximadamente 3,8% dos casos.

No oitavo teste, foi retirada a variável referente à produção de veículos automotivos e


incluída a independente binaria referente ao mês de dezembro, tendo sido dispostos os
resultados na terceira coluna da tabela 10. Os resultados obtidos foram bastante parecidos
com os da regressão anterior.

Na nona modelagem, foi retirada a variável binaria referente ao mês de dezembro e


incluída a binaria referente ao segundo semestre, tendo sido dispostos os resultados na quarta
coluna da tabela 10. Os resultados obtidos foram bastante parecidos com os da regressão
anterior.

Na décima modelagem, foi deixada somente a variável referente ao consumo de


motores de ciclo Otto para ser regredida com a variável independente. Os resultados obtidos
foram dispostos na quinta coluna da tabela 10. De forma semelhante às três regressões
anteriores, o coeficiente obtido para esta variável foi significativo, levando à seguinte
interpretação: para cada variação de um ponto percentual no consumo de combustíveis para
ciclo Otto, se espera que haja variação de aproximadamente 0,68% na demanda por óleos
básicos lubrificantes. O resultado do teste F foi significativo e se destaca como o maior obtido
entre todas as regressões feitas. O resultado do R2 ajustado indica que essa relação explica
4,2% dos casos da amostra.
60

Variável Dependente (Y): Consumo de Óleos Básicos Lubrificantes


Variável Δ Log AS Δ Log SA Δ Log AS Δ Log SA
C 0,0022 0,0056 0,0060 0,0021
0,72 0,50 0,59 0,74
X4 0,6827 0,6760 0,6826 0,6841
0,00 0,00 0,00 0,00
X5 -0,0358 - - -
0,63 - - -
D12 - -0,0422 - -
- 0,5614 - -
S2 - - -0,0078 -
- - 0,68 -
R2 0,048 0,051 0,048 0,047
R2 Ajustado 0,038 0,041 0,038 0,042
Estat. F 4,79 5,14 4,75 9,46
Tabela 10: Testes de Robustez – Inclusão de Variáveis dos Especialistas – Parte 2

3.3.3.3. A Utilização da Variável Independente Defasada

Como último procedimento de teste de robustez, foi utilizada a variável dependente


em períodos defasados para verificar o impacto do consumo em períodos anteriores na
demanda no instante de tempo presente. Como procedimento, foi incluído e analisado um
período de cada vez, na ordem do menos ao mais antigo, até que o resultado da estatística t
para o período testado se mostrasse não significativo.

Foram realizados quatro testes incluindo primeiramente somente o período defasado t-


1 e, posteriormente de forma adicional, os períodos t-2 e t-3 e t-4 sendo que esse último se
mostrou não significativo, ou seja, não se pode afirmar que o consumo, com essa defasagem,
afeta a demanda por óleos básicos.

Quanto aos demais períodos defasados testados, os mesmos apresentam uma relação
inversa com a demanda por óleos básicos, ou seja, o consumo no passado reduz a procura
pelo produto no período t. Essa relação parece fazer total sentido, pois existe de uma maneira
geral a prática de estocagem maior que um mês por parte dos agentes que atuam nesse
61

mercado. Os resultados são apresentados na tabela 11 e a combinação dos períodos apenas


altera os valores sem alterar a relação.

Como últimos procedimentos de teste de robustez, foram adicionadas e analisadas, a


essa modelagem com três variáveis dependentes defasadas, as variáveis pesquisadas e citadas
pelos especialistas de mercado. A única que apresentou resultado significativo para o seu
coeficiente foi a variável dependente correspondente à produção industrial. Os resultados do
teste estão dispostos na sexta coluna da tabela 11 e podem ser interpretados da seguintes
maneira: Para cada variação de um ponto percentual, ocorrida na demanda de óleos básicos
lubrificantes no período t-1, há variação inversa de aproximadamente 0,74% na demanda do
período t. Para cada variação de um ponto percentual na demanda no período t-2, há um
impacto, também de maneira inversa, de aproximadamente 0,49% na demanda do período t.
Para cada variação de um ponto percentual na demanda no período t-3, há um impacto
também de maneira inversa de aproximadamente 0,29% no período t, e, para cada variação de
um ponto percentual no índice da produção industrial há uma variação, não de maneira
inversa de aproximadamente 0,78% na demanda por óleos básicos lubrificantes no período t.
O resultado da regressão como um todo foi significativo e o resultado do R2 ajustado indica
que essa relação explica aproximadamente 39% dos casos da amostra.
62

Variável Dependente (Y): Consumo de Óleos Básicos Lubrificantes


Teste 1 Teste 2 Teste 3 Teste 4 Teste 5
Variável Δ Log AS Δ Log SA Δ Log AS Δ Log SA Δ Log SA
C 0,0050 0,0070 0,0080 0,0072 0,0062
0,48 0,37 0,36 0,41 0,46
Y(-1) -0,5146 -0,6714 -0,7532 -0,7870 -0,7363
0,00 0,00 0,00 0,00 0,00
Y(-2) - -0,3041 -0,4886 -0,5316 -0,4903
- 0,00 0,00 0,00 0,00
Y(-3) - - -0,2774 -0,3377 -0,2912
- - 0,02 0,00 0,01
Y(-4) - - - -0,0779 -
- - - 0,19 -
X1 - - - - 0,7754
- - - - 0,05
R2 0,265 0,333 0,385 0,398 0,403
2
R Ajustado 0,261 0,326 0,375 0,385 0,390
Estat. F 68,38 46,86 37,75 30,47 31,25
Tabela 11: Testes de Robustez – Utilização de variáveis dependentes defasadas.
63

4. CONCLUSÕES E RECOMENDAÇÔES

Os resultados da pesquisa, considerando a amostra testada, levaram à conclusão de que


não é possível elaborar um modelo de previsão para demanda por óleos básicos lubrificantes
no Brasil, utilizando uma modelagem de regressão múltipla, com as mesmas variáveis
independentes utilizadas no modelo base, desenvolvido pela EIA nos Estados Unidos, nem a
partir das variáveis independentes levantadas junto aos especialistas de mercado
entrevistados. Dessa maneira, considerando a limitação dessa pesquisa, não é recomendado
que se utilize essa técnica para gerar uma ferramenta de apoio à tomada de decisão para
gestores que atuam nesse mercado.

Os resultados encontrados nas regressões com as mesmas variáveis do modelo


americano, tanto em forma de nível quanto logarítimicas, não podem ser considerados
satisfatórios, nem se analisando a modelagem como um todo ou a relação de cada variável
independente com a dependente. Nenhuma binaria,correspondente aos meses, teve resultado
significativo. Isso não foi tão surpreendente, uma vez que os dados foram dessazonalizados.
Mas era esperado que pelos menos os meses de novembro e dezembro apresentassem algum
impacto significativo na demanda, uma vez que os especialistas apontaram este fator de
sazonalidade. A temperatura também teve um resultado não significativo esperado, uma vez
que as características climáticas dos Estados Unidos são completamente diferentes das do
Brasil onde na maioria do território as variações de temperatura são menores do que naquele
país (WEATHER CHANNEL,2007). A produção industrial apresentou um resultado
significativo, mas quando esse resultado é analisado de forma conjunta com os resultados do
teste F e o R2 ajustado que tiveram como resultados, na forma de nível, 0,024 e 1,36
respectivamente e , na forma logarítmica, 0,014 e 1,22 respectivamente, conclui-se que a
relação com a variável dependente é pouco significativa, pois poucos casos na amostra são
correlacionados e a modelagem apresenta resultado não significativo.
64

No primeiro procedimento para realização de testes de robustez, as outras variáveis


independentes: consumo de óleo diesel, o consumo agregado de combustíveis para motores de
ciclo Otto e a produção de veículos automotivos foram agregadas aos testes com modelo
básico, já com a presença da temperatura e a produção industrial. Os resultados, de forma
surpreendente, foram também não significativos, nem quando regredidas individualmente,
nem de forma conjunta. É válido destacar que, com a presença das variáveis dependentes
referentes ao consumo de diesel e consumo agregado de combustíveis para motores de ciclo
Otto, a produção industrial se torna não significativa, mas o mesmo não ocorre quando é
adicionada somente a produção de veículos automotivos. Como já mencionado
anteriormente, isso pode ser uma grande evidência de que existe uma forte relação entre as
mesmas. Entretanto, não foi o objetivo dessa pesquisa.

No segundo procedimento de realização de testes de robustez, foram testadas as


variáveis levantadas junto aos especialistas, sendo que foram regredidas individualmente
contra a variável dependente e, conforme resultados, eram posteriormente testadas de forma
conjunta, umas com as outras. Somente as variáveis respectivas ao consumo de diesel,
produção industrial e consumo de combustível de motores de ciclo Otto tiveram resultados
significativos, quando incluídas na regressão, porém sem serem regredidas juntas. Entretanto,
os resultados dos R2 ajustados, apesar de significativamente diferente de zero, indicam que
menos de 10% da demanda por óleos básicos é explicada por cada uma delas individualmente,
considerando a amostra.

Como último teste, foi verificado o impacto do consumo de óleos básicos em períodos
anteriores na demanda presente e futura. Os resultados foram estatisticamente significativos,
mais do que os resultados encontrados somente com a regressão de variáveis independentes,
mencionadas nos parágrafos anteriores. Concluiu-se que, aparentemente, os consumos
referentes ao primeiro, segundo e terceiro períodos defasados geram algum impacto na
demanda. É válido destacar que, a inclusão da variável correspondente ao índice de produção
da indústria, junto com as defasadas citadas, resulta na regressão com os resultados mais
significativos. Mas ainda assim pode ser questionada, uma vez que não parte de um modelo já
proposto, havendo a probabilidade de existir o problema da subespecificação e,
conseqüentemente, a presença de coeficientes viesados.
65

4.1. RECOMENDAÇÔES PARA PESQUISAS FUTURAS

Para próximas pesquisas, que tenham como objetivo a verificação de quais variáveis
possuem boa correlação com a demanda de óleos básicos lubrificantes, é recomendado que se
tente verificar a relação entre as variáveis citadas pelos especialistas com cada tipo de óleo
básico lubrificante, de forma individual, e não com os mesmos de forma agregada. Se forem
achados níveis de correlação satisfatórios, então poderá ser verificada a possibilidade de se
fazer previsões para cada um deles e agregá-las de forma a construir uma curva única para a
demanda por esses produtos no Brasil.

Já na questão de elaboração de uma ferramenta ou metodologia, que tenha como


objetivo, somente a previsão de demanda para apoiar o processo decisório, sem finalidade de
identificar variáveis que apresentem relação de impacto no consumo, podem ser pesquisadas a
utilização de metodologias quantitativas como modelos ARMA, vetores auto-regressivos e
outros como, por exemplo, redes neurais para determinar a demanda futura por esta família de
produtos.

Além de métodos quantitativos, há métodos qualitativos que podem ser utilizados para
previsão de demanda. Um deles que é amplamente utilizado é o Delphi, que consiste na
obtenção de previsão, através de sucessivas entrevistas e painéis com especialistas em uma
determinada variável que se deseja prever (AHAMD e ISMAIL, 2003). Outra técnica pode ser
a utilização de métodos de decisão multicritério como, por exemplo, o Processo de Análise
Hierárquica, sigla em inglês AHP. Neste caso podem ser determinados vários cenários de
previsão juntamente a critérios que os suportam e, mediante comparação, se chegar a uma
solução final (BELDERRAIN e SILVA, 2007).
66

REFERÊNCIAS BIBLIOGRÁFICAS

ABADIE, Elie. Entrevista com Elie Abadie – Consultor Sênior de Tecnologias de


Abastecimento da Petrobras. Curso de tecnologias de refino da Petrobras. Realizado em 6 de
julho de 2007.

AGÊNCIA NACIONAL DO PETRÓLEO GÁS NATURAL E BIOCOMBUSTÍVEIS.


Relatórios Estatísticos Disponível em: <http://www.anp.gov.br.>. Acesso em 24 de junho de
2007.

AKABAY, Charles K.; WANG, George C.S. Autocorrelation: Problems and Solutions in
Regression Modelling. The Journal Business of Business Forecasting Methods and Systems.
New York. Winter 94/95. v. 13, Issue 4, p 18-27. 1995.

AHAMAD, Maizh H.; ISMAIL, Zuhaimy Haji. Delphi Improves Sales Forecasts: Malaysia´s
Electronic Companies´ Experience. Journal of Business Forecasting Methods and Systems.
New York. Summer, 2003. v. 22, Issue 2, p 22-26.2003

ARRUDA, Waldir H. Entrevista com Waldir Hermano Arruda – Gerente de Planejamento de


Marketing de Produtos Especiais da Petrobras. Realizado em 9 de julho de 2007.

ASSOCIAÇÃO NACIONAL DOS FABRICANTES DE VEÍCULOS AUTOMOTIVOS.


Estatísticas. Disponível em: <http://www.anfavea.com.br>. Acesso em 25 de junho de 2007.

BELDERRAIN, Mischel C. N.; SILVA, Roterdan M. Considerações Sobre Métodos de


Decisão Multicritério. Instituto Tecnológico da Aeronáutica – Divisão de Engenharia
Mecânica – Aeronáutica. Disponível em http://www.bibl.ita.br/xiencita/Artigos/Mec03.pdf.
Acesso em 10 de março de 2008.

CAVALCANTI, Inácio. Entrevista com Inácio Cavalcanti – Gerente Geral de Vendas de


Lubrificantes da Chevron Brasil. Realizada em 24 de outubro de 2007.

CHAN, Albert P.C.; CHEUNG, S.O.; LAM, Patrick T.I.; TAM, C..M.; YUNG, A.
Application of Delphi Method of Procurement Systems for Construction Projects.
Construction Management and Economics, v. 19, Issue 7, p 699-718. 2001.

CHAN, Hing Ling. LEE, Shu Kam. Modelling and Forecasting the Demand for Coal in
China. Energy Economics. V. 19, Issue 3. 271 -287. 1997.
67

CLANCY, Kevin J.; KRIEG, Peter C. Marketing Contra-intuitivo. Rio de Janeiro: Ed.
Campus, 2007.

COOPER, Donald.; SCHINDLER, Pamela S. Métodos de Pesquisa em Administração. Porto


Alegre: Bookman, 2003.

FUNDAÇÃO NACIONAL DA QUALIDADE. Prêmio Nacional da Qualidade - Critérios de


Excelência 2007. São Paulo. 2007.

DAVIDOVICH, Maurício. Entrevista com Maurício Davidovich – Coordenador de


Gerenciamento da Demanda da Área de Lubrificantes da Chevron Brasil. Realizada em 24 de
outubro de 2007.

DIEBOLD, Francis X. Elements of Forecasting. Manson, Ohio: Thomson/South-Western,


2004.

ESCARIA, Vitor. A Utilização de Método X11-ARIMA na Dessazonalização de Séries de


Conjuntura - 1995. Disponível em: <http://www.dpp.pt/gestao/ficheiros>. Acesso em 10 de
novembro de 2007.

LIDDERDALE, Tancred. Petroleum Products Demand Model Description Report. Energy


Information Administration. Disponível em: <
http://www.eia.doe.gov/emeu/steo/pub/document/textmi.html>. Acesso em 28 de julho de
2007.

GOMES, Luiz F.A.M. Teoria da Decisão. São Paulo: Thompson Learning, 2007.

GOUVEIA, Sidney F. Entrevista com Sidney F. Gouveia – Consultor de Negócios para


Comercialização de Lubrificantes e Parafinas da Petrobras. Entrevista realizada em 18 de
fevereiro de 2007.

GUJARATI, Damodar. Econometria Básica. Rio de Janeiro: Elsevier, 2006.

HALKOS, George E. KEVORK, Ilias S. A Comparison of Alternative Unit Root Tests.


Journal of Applied Statistics. V. 32 , No. 1 45-60. Janeiro. 2005

HUTT, Michael D.; SPEH, Thomas W. B2B: Gestão de Marketing em Mercados Industriais e
Organizacionais. Porto Alegre: Bookman, 2002.
68

INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Pesquisas – Indicadores


Conjunturais. Disponível em: < http://www.ibge.gov.br>. Acesso em 2 de julho de 2007.

INSTITUTO DE PESQUISAS ECONÔMICAS APLICADAS. Ipeadata – Consulta.


Disponível em http://www.ipeadata.gov.br. Acesso em 20 de julho de 2007.

KANNER, Luis A. B. Entrevista com Luis A.B. Kanner – Coordenador de Planejamento de


Marketing de Produtos Especiais da Petrobras. Entrevista realizada em 9 de julho de 2007.

LAPA, Tânia Martins. Modelagem Dinâmica para a Previsão da Demanda de Automóveis no


Brasil. Dissertação apresentada para obtenção de título de Mestre em Engenharia de
Produção. Santa Catarina. UFSC. 1998.

LEEFLANG, Peter S.H.; NAERT, Philippe A.; WEDEL Michael; WITTINK Dick R.
Building Models for Marketing Decisions. Boston: Kluwer, 2000.

MADDALA, G. S. Econometrics. Nova York. McGraw-Hill. 1977. em GUJARATI,


Damodar. Econometria Básica. Rio de Janeiro: Elsevier, 2006.

MELLO, Marcelo A. Transparência de Curso de Métodos de Previsão. 2007. 1 transparência.

MITTELHAMMER, Ron C.; JUDGE George G.; MILLER, Douglas J. Econometric


Foundations. Nova York. Cambridge University Press. 2000. em GUJARATI, Damodar.
Econometria Básica. Rio de Janeiro: Elsevier, 2006.

MINISTÉRIO DE DESENVOLVIMENTO DE INDÚSTRIA E COMÉRCIO. Acesso ao


Sistema Aliceweb. Disponível em http://www.desenvolvimento.gov.br. Acesso em 25 de
julho de 2007.

NATIONAL INSTITUTE OF STANDARDS AND TECNOLOGY National Quality Program


- Criteria For Performance Excellence. Disponível em: < http://www.quality.nist.gov>/.
Acesso em 7 de julho de 2007.

PAIM, Nelson Q. Entrevista com Nelson de Queiroz Paim – Gerente de Comercialização de


Lubrificantes e Parafinas da Petrobras. Entrevista realizada em 18 de fevereiro de 2007.

RAPOSO, Victor Santos. Combinação de Previsão em Séries Temporais: Aplicação em


Demanda de Combustíveis. Dissertação para obtenção de título de mestre em Engenharia de
Produção. Rio de Janeiro. COPPE – UFRJ, 2006.
69

ROCCO, Arthur. Entrevista com Arthur Rocco – Ex-Gerente Industrial de Produção de


Lubrificantes, Óleos Isolantes e Parafinas da BR-Distribuidora. Entrevista realizada em 24 de
novembro de 2007.
SANTOS, Maria A.A.S. Entrevista com Maria Adelina A. Santos – Consultora Sênior de
Tecnologias de Abastecimento. Curso de qualidade de produtos da Petrobras. Realizado em 6
de julho de 2007.

SOARES, Fernando R. Entrevista com Fernando R. Soares. Consultor de Negócios da Área


de Combustíveis da Petrobras. Realizada em 1 de novembro de 2007.

WANKE, Peter. Uma Revisão dos Principais Modelos de Regressão Múltipla para Previsão
de Vendas de Postos de Combustíveis In:Rio Oil and Gás Expo and Conference 2004. Rio de
Janeiro, 2004.

WEATHERCHANNEL. Relatório de Temperatura Local. Disponível em


<http://br.weather.com.> Acesso em 29 de janeiro de 2008.

WHITBY, David. Apostila do Curso Understanding the Global Lubrificants Business –


Regional Markets, Economic Issues and Profitability. The Oxford Princeton Programme.
2006.

WHITBY, David. Entrevista com R David Whitby por meio eletrônico – Professor de Oxford
da Área de Conhecimento de Mercado de Lubrificantes. Realizada em 1 de novembro de
2007.

WOODRIDGE, Jeffrey M. Introdução a Econometria: Uma Abordagem Moderna. São Paulo:


Ed. Thomson., 2002.
70

GLOSSÁRIO

Heterocedasticidade:
Característica que ocorre quando a distribuição dos erros de uma regressão múltipla não são
normalmente distribuídos.

Método Delphi:
O método Delphi consiste em coletar a opinião de especialistas sobre um assunto em que se
deseja estabelecer uma estratégia ou previsão. As opiniões dessas pessoas são coletadas
individualmente e analisadas. Numa segunda rodada é apresentada a elas a análise de todas as
opiniões, e novamente coletada novas opiniões depois que foram influenciados pelas análises.
As rodadas e coletas se sucedem até que se atinja um ponto comum. Durante o processo pode
ocorrer que algum especialista não seja mais consultado por ficar muito distante dos outros.

Mínimos Quadrados Ordinários:


Método para estimar os parâmetros de um modelo de regressão múltipla com base na
minimização da soma dos valores absolutos dos resíduos gerados entre os valores da amostra
e os valores do modelo.

Modelos ARMA
São modelos univariados, isto é, que possuem somente uma variável, onde a previsão é feita
considerando os valores da variável dependente no passado e os valores dos resíduos dessa
variável também no passado.

Redes Neurais:
Sistemas que buscam copiar o funcionamento do cérebro humano e que são capazes de,
mediante valores dados no passado de uma determinada variável, aprender com eles e prever
valores para o futuro. Nesse caso a estrutura montada para a rede neural e a lógica utilizada
são fatores importantes para o resultado.
71

Procedimento de Newey e West:


Matriz desenvolvida por estes dois pesquisadores que corrige os erros de uma regressão
múltipla para situações de heterocedasticidade e correlação serial. Ele é limitado para uso em
somente amostras consideradas grandes.

Vetor Autoregressivo:
Um modelo de duas ou mais séries temporais no qual cada variável é modelada como uma
função linear de todos os valores passados de todas as variáveis, mais erros com média zero,
incluindo todos os valores passados de todas as variáveis