An. 6. Enc. Energ. Meio Rural 2006
Projeção do consumo de energia elétrica do setor agropecuário na região das bacias hidrográficas dos rios Piracicaba, Capivari e Jundiaí
Alvaro Afonso Furtado LeiteI; Sergio Valdir BajayII
IPesquisador do Núcleo Interdisciplinar de Planejamento Energético (NIPE), Universidade Estadual de Campinas (Unicamp)
IIPesquisador do Núcleo Interdisciplinar de Planejamento Energético (NIPE) e Professor do Departamento de Energia (DE)/FEM, Unicamp
RESUMO
Realizam-se, neste trabalho, projeções do consumo de eletricidade para o setor agropecuário da região da Unidade de Gerenciamento de Recursos Hídricos das Bacias dos Rios Piracicaba, Capivari e Jundiaí - UGRH-PCJ, em um horizonte que se estende até 2025. A metodologia utilizada para as projeções é a da decomposição estrutural, cujas variáveis são a intensidade energética total, a participação do setor no PIB local, o próprio PIB e as parcelas de mercado dos principais energéticos consumidos no setor. Trata-se de uma metodologia bastante flexível que permite, facilmente, associações de cenários alternativos de evolução da economia local com cenários estaduais ou nacionais. Por não se dispor de informações energéticas completas em uma base municipal, as projeções limitam-se ao consumo de eletricidade, energético para o qual se conseguiu todas os dados necessários à aplicação do modelo de projeção adotado. Apresenta-se, também, neste trabalho, um exemplo de agregação de municípios da região com características semelhantes, no caso a taxa de crescimento econômico. Este tipo de agregação é importante para se conseguir "rebater" projeções estaduais em municípios do Estado.
Palavras Chave: Bacia hidrográfica, planejamento energético, projeção da demanda energética
ABSTRACT
Electricity consumption forecasts for the rural economy in the region comprising the Piracicaba, Capivari and Jundiai river basins are carried out in this paper up to 2025. The structural decomposition method was used in the forecasts; the variables of this method are the total energy intensity, the share of the rural economy in the local GDP, the GDP itself and the market shares of the main energy carriers consumed in that economy. It is a very flexible methodology, which easily allows associations among alternative scenarios for the local economy development and stat-wise, or nation-wise scenarios. As no complete information on energy consumption are available on a municipality-wise level, the forecasts are limited to electricity consumption, for which all the necessary input data for the adopted forecasting method were obtained. An example of aggregation of municipalities with similar characteristics in the region (economic growth) is also presented. Such type of aggregation is important to project state-wise forecasts to municipalities in the state.
1. Caracterização sócio-econômica da região da UGRH - PCJ
A Unidade de Gerenciamento dos Recursos Hídricos das bacias hidrográficas dos Rios Piracicaba, Capivari e Jundiaí - UGRH-PCJ é formada pelas sub-bacias dos rios Atibaia, Jaguari, Camanducaia, Corumbataí, Piracicaba e Jundiaí, situadas nas áreas territoriais de 62 municípios, sendo 58 no Estado de São Paulo e 4 em Minas Gerais. Os municípios mineiros situam-se na cabeceira dos rios Jaguari e Camanducaia, que são formadores do Rio Piracicaba. Dos municípios paulistas, 57 pertencem à Região Administrativa de Campinas e 1 (Salto) pertence à RA de Sorocaba.
Os municípios paulistas que constituem a área objeto de estudo nesta trabalho totalizam uma superfície aproximada de 14.040 km2, com uma população estimada, em 2005, de 4.804 mil habitantes (http://www.seade.gov.br, consultado em 02/07/2005), perfazendo uma densidade populacional média de 290,6 habitantes/km2. É o terceiro pólo industrial do País, ficando somente atrás das regiões metropolitanas de São Paulo e Rio de Janeiro. Possui uma agricultura avançada, com grandes áreas irrigadas.
O uso da água se constitui em um dos grandes problemas enfrentados pela região. O seu consumo é intenso nos setores industrial e agrícola, fazendo com que a demanda seja ocasionalmente superior à disponibilidade, causando conflitos sobre os usos e reusos "indiretos" da água. Além disso, existem grandes transferências de água para o Sistema Cantareira, na Região Metropolitana de São Paulo, reduzindo os recursos para a própria região. Por ser uma região altamente industrializada, ela recebe elevadas cargas poluidoras; além disso, o tratamento de esgoto urbano ainda é muito precário na maioria dos municípios da região.
1.1 A agricultura da região da UGRH-PCJ
Em 1999 (CBHRPCJ, 1999), a região era ocupada por 3.138,90 km2 (22,4%) de culturas agrícolas temporárias, 820,5 km2 (5,8%) de culturas agrícolas perenes, 926,7 km2 (6,6%) de cobertura vegetal natural, 454,78 km2 (3,24%) de reflorestamentos, 8.007,89 km2 (57,1%) de pastagens e 691,5 km2 (4,9%) de áreas urbanas e industriais.
A região apresenta uma grande diversidade de culturas agrícolas. Entre as culturas perenes, existe o predomínio dos citros e fruticultura; já com relação às culturas temporárias, existe o predomínio da cana-de-açúcar, oleicultura e milho. O predomínio destas culturas varia de acordo com a sub-bacia.
Na sub-bacia do Camanducaia, região adjacente ao Estado de Minas Gerais, predominavam as culturas do milho, café e cana-de-açúcar com, respectivamente, 4,45%, 3,96% e 2,31% da área da sub-bacia. Estas três culturas também dominavam a sub-bacia do Atibaia, sendo que o milho representava 2,57%, a cana-de-açúcar 2,00% e o café 0,77% da sub-bacia. Já nas regiões interioranas do Estado, como na sub-bacia do Corumbataí, predominavam as culturas da cana-de-açúcar, com 27,51%, laranja, com 5,34% e milho, com 1,71% da sub-bacia. Na sub-bacia do Jaguari a cana-de-açúcar representava 9,74%, a laranja 8,28%, e o milho 4,57%. Na sub-bacia do Piracicaba, a cana-de-açúcar representava 32,39% de sua área, seguida pela laranja e milho, com 3,05% e 1,97%, respectivamente.
Semelhante à sub-bacia do Piracicaba, a do Capivari também era dominada pela cana-de-açúcar, com 31,02%, seguida do milho, com 5,12%, surgindo, pela primeira vez, a fritucultura, com a uva de mesa representando 1,25% de sua área total. A presença da uva de mesa se intensifica na sub-bacia do Jundiaí, onde ela representava 2,33% da área da sub-bacia, seguida do milho, com 2,26%, e da cana-de-açúcar, com 1,43%.
2. Modelos de projeção baseados na decomposição estrutural da demanda energética
Os modelos de projeção baseados na decomposição estrutural da demanda energética são bastante flexíveis, permitindo a simulação de rupturas dos padrões históricos da demanda a ser projetada, por conta de mudanças estruturais na economia, novas políticas tecnológicas, energéticas ou ambientais, etc., ao mesmo tempo em que requerem que se analisem estes padrões históricos, detectando-se as tendências existentes e, eventualmente, ajustando regressões econométricas aos dados históricos disponíveis. Este tipo de modelo pode ser usado como um modelo misto, ou seja, ele permite se ter as principais vantagens dos modelos econométricos e dos modelos de simulação, sem carregar os ônus de suas desvantagens (Bajay, 2004).
Não existe nenhum modelo de projeção da demanda energética que seja o melhor em todas as circunstâncias. Todos os tipos de modelos tem vantagens e desvantagens e, usualmente, se escolhe o mais adequado deles para as finalidades específicas de cada exercício de projeção. Logo, é comum se ter mais de um modelo de projeção disponível, não só para se escolher o mais adequado para cada estudo, mas, também, para confrontar os resultados obtidos com diferentes modelos, ou, então, para usá-los de uma forma complementar. Em qualquer destes casos, isto permite, eventualmente, se ajustar melhor os parâmetros dos modelos e, por conseguinte, se conseguir resultados mais confiáveis e se compreender melhor as alternativas de futuro e suas conseqüências sobre as demanda energética. Dada a sua grande flexibilidade, o modelo de projeção baseado na decomposição estrutural da demanda energética tanto pode produzir resultados facilmente comparáveis com os de outros tipos de modelos de projeção, como pode ser usado, sem dificuldades, de uma forma complementar com outros modelos.
Este último caso deve, de fato, ocorrer em breve, no contexto de um projeto de pesquisa e desenvolvimento, executado pela Unicamp, com apoio de pesquisadores da USP e UFRJ, envolvendo a projeção, a longo prazo (20 anos), da demanda de energia elétrica de uma importante concessionária distribuidora do Estado de São Paulo. Neste projeto, o modelo de projeção baseado na decomposição estrutural da demanda energética será usado de uma forma iterativa com um modelo de projeção que emprega a matriz insumo-produto nacional, atualizada e desagregada para o Estado de São Paulo e, dentro do Estado, para a área de concessão objeto de estudo. Este segundo modelo garante consistência macroeconômica entre os vários setores da economia e entre as economias nacional, estadual e local, enquanto que a versatilidade do primeiro permite explorar com facilidade novos cenários de desenvolvimento, eventualmente envolvendo rupturas com o passado, muito importantes em uma boa análise prospectiva a longo prazo.
Três outras vantagens da metodologia de projeção baseada na decomposição estrutural da demanda energética são: (i) a mesma estrutura de decomposição pode ser usada em análises retrospectivas (Tolmasquim et alii, 1998) e prospectivas (ANP, 2001), facilitando o uso das primeiras para prover fundamentais subsídios para os estudos prospectivos; (ii) as equações básicas de decomposição da demanda energética, neste método, podem facilmente ser complementadas com outras equações, que detalhem a evolução dos parâmetros das equações básicas, em conexão, por exemplo, com modelos macroeconômicos, ou com modelos econométricos que "explicam" as parcelas de mercado dos vários energéticos em um setor da economia como funções dos preços relativos destes energéticos e, eventualmente, outras variáveis explanatórias; e, (iii) o problema da competição entre os energéticos possui um papel de destaque, requerendo hipóteses de evolução futura claras e explícitas, nesta metodologia. Esta característica é essencial em projeções para o longo prazo, onde mudanças econômicas, tecnológicas e culturais (hábitos) podem alterar substancialmente as atuais parcelas de mercado dos diversos energéticos.
O consumo total de energia dos setores comercial e serviços, de transportes, agropecuário e industrial, assim como de segmentos que constituem estes setores, pode ser determinado a partir da seguinte expressão básica:
onde:
CEi é o consumo energético total do setor, ou do segmento i;
VAi é o valor agregado do setor, ou do segmento i; e
PIB é o Produto Interno Bruto.
Na equação (1), a razão entre o consumo energético e o valor agregado do setor/segmento i representa a intensidade energética deste setor. A razão entre o valor agregado e o Produto Interno Bruto representa a participação do setor/segmento i na formação do PIB.
O consumo de um determinado energético j utilizado no setor/segmento i (CEj,i) pode ser expresso da seguinte maneira:
A relação entre o consumo do energético j utilizado no setor/segmento i, CEj,i, e o consumo total de energéticos do setor/segmento i, CEi, representa a participação deste energético no setor/segmento; este quociente é conhecido como a "parcela de mercado" deste energético neste setor/segmento. Pode-se, então, buscar uma relação entre a parcela de mercado de um determinado energético utilizado em um dado setor/segmento da economia e quocientes formados entre os preços dos energéticos consumidos neste setor1, ao longo do tempo, e, eventualmente, outras variáveis explanatórias (Bajay, Ferreira e Agra, 1996).
3. Projeções do consumo de energia elétrica do setor agropecuário da UGRH-PCJ
Para as projeções do consumo de eletricidade do setor agropecuário da região das bacias dos rios Piracicaba, Capivari e Jundiaí, decidiu-se, neste trabalho, montar três cenários alternativos de desenvolvimento.
Nos três cenários, assume-se que não haverá grandes mudanças na estrutura da economia da região, além das tendências já em curso. A principal diferença entre estes três cenários diz respeito às hipóteses assumidas para o crescimento da economia da região: alto, médio e baixo, como tem sido praxe fazer nos planos decenais do setor elétrico brasileiro.
Apresenta-se, a seguir, a evolução assumida para as variáveis que compõem as equações de projeção do método adotado, nos três cenários alternativos de desenvolvimento aqui definidos. As hipóteses apresentadas a seguir tiveram como base uma análise retrospectiva da evolução histórica destas variáveis, realizada em uma tese de doutorado recentemente defendida na Unicamp (Leite, 2006).
3.1 Evolução futura do PIB Paulista
Os cenários aqui formulados visam avaliar o impacto, na demanda de eletricidade do setor agropecuário da região, de diferentes taxas de crescimento da economia do Estado de São Paulo. Decidiu-se fazer isto em duas etapas. Na primeira, são assumidas hipóteses sobre a evolução futura do PIB do País. Em seguida, assume-se uma trajetória futura para o quociente entre o PIB do Estado e o do País, para se obter a evolução esperada do primeiro.
Analisando vários cenários nacionais (Leite, 2006), decidiu-se que o cenário de crescimento médio da economia do País deveria refletir uma taxa média anual de crescimento em torno de 4%, o cenário de crescimento baixo uma taxa média anual em torno de 3%, e o cenário de crescimento alto uma taxa média anual ao redor de 6%.
Um pesquisador do Instituto de Economia da UFRJ2, que faz parte da equipe do projeto de P&D da Unicamp com a CPFL, elaborou trajetórias futuras para o PIB do Brasil, com o auxílio de um modelo macroeconométrico, por ele desenvolvido, satisfazendo as especificações desejadas para cada um dos três cenários. As variáveis exógenas do modelo macroeconométrico foram fixadas de forma a que o modelo produzisse taxas de crescimento do PIB que, na sua média temporal, ficassem próximas dos valores especificados nos cenários. É importante se destacar que, nos casos do cenário de crescimento médio e, sobretudo, no de crescimento alto da economia, taxas mais altas para o PIB só foram conseguidas, com o modelo, mais no longo prazo, dadas as enormes dificuldades de se conseguir em um prazo curto taxas altas, com as atuais restrições de baixas taxas de investimento, elevada dívida pública, altas taxas de juros, etc.
Observa-se (Leite, 2006) que, há anos, a economia paulista tem crescido sistematicamente menos do que a economia do País. Assume-se, aqui, que esta tendência continuará válida no futuro para os cenários de crescimento baixo e médio da economia paulista, obtendo-se os respectivos PIBs a partir dos valores nacionais obtidos do modelo macroeconométrico. Já para o cenário de crescimento alto, assume-se que o Estado de São Paulo irá crescer às mesmas taxas do País.
Aplicando-se o procedimento exposto acima às projeções do PIB do Brasil, obtidas com o modelo macroeconométrico supra-citado, chega-se às projeções do PIB do Estado de São Paulo, para os três cenários de crescimento, apresentadas na Figura 1.
3.2 Participação do setor agropecuário da região da UGRH-PCJ na formação do PIB paulista
Dispõe-se de estatísticas de PIB e de valor adicionado (VA) para os municípios que compõem a região da UGRH-PCJ somente para os anos de 2000 a 2001. A fim de se ter uma série histórica mais longa para o valor adicionado do setor agropecuário da região, decidiu-se calcular a média da participação deste setor no PIB paulista, nos anos em que se dispõe desta informação, conforme indicado na Tabela 1, e se aplicar esta média ao histórico do PIB desde 1985, obtendo-se a série indicada na Tabela 2. Esta tabela também traz as projeções do valor adicionado setorial para os três cenários adotados neste trabalho.
3.3 Evolução futura da intensidade elétrica do setor agropecuário da região da UGRH-PCJ
A Figura 2 ilustra a evolução da intensidade elétrica (IEL) do setor agropecuário da região da UGRH-PCJ no período de 1985 a 2002. Esta figura também mostra uma regressão linear, com o tempo como variável independente, que foi ajustada para estes dados. Assume-se, neste trabalho, que a tendência, crescente, capturada através desta regressão se mantenha no futuro, nos três cenários de crescimento do VA; as intensidades elétricas resultantes da aplicação desta regressão, até 2025, se encontram na Tabela 3.
3.4 Projeções do consumo de energia elétrica
Multiplicando-se, agora, as intensidades elétricas da Tabela 3 pelas séries de valores adicionados da Tabela 2, obtêm-se as projeções do consumo de energia elétrica do setor agropecuário da região da UGRH-PCJ até 2025, nos três cenários simulados para o crescimento da economia regional. Estas projeções estão ilustradas na Figura 3.
4. Agrupamentos de municípios pela taxa de crescimento de sua economia
As projeções da Figura 3 foram obtidas para a região da UGRH-PCJ como um todo. Através de um procedimento análogo ao descrito neste trabalho se poderiam fazer projeções para qualquer município desta região. Na maior parte das vezes, no entanto, não há interesse em se fazer projeções para um único município, mas sim para conjuntos de municípios com características econômicas e/ou energéticas semelhantes, ou complementares. Para estes casos, podem-se agregar tais municípios utilizando a técnica estatística de análise de grupamentos (cluster analysis).
A utilização de tais grupos, ou clusters, de municípios é comum ao se analisar novas políticas, ou estratégias, públicas ou privadas, de cunho regional, relacionadas a novos investimentos, criação de empregos, desenvolvimento tecnológico e inserção internacional (SUZIGAN, 1999).
Álvaro Leite (2006) classificou os municípios da UGRH-PCJ em cinco grupos, de acordo com as taxas de seu crescimento econômico. Ele utilizou critérios empíricos, que foram, posteriormente, testados e validados com o auxílio do software SPSS (Statistical Package for Social Sciences), que possui diversos algoritmos de análise estatística de grupamentos. Os resultados obtidos estão ilustrados na Figura 4, que mostra um mapa da região da UGRH-PCJ com a divisão política de seus municípios. As cores destes representam os cinco grupos mencionados.
Estudos de projeção da demanda energética poderiam, então, ser elaboradas para cada um destes grupos de municípios, ou, então, projeções feitas para a região toda, como ocorre neste trabalho, poderiam ser "distribuídas" entre estes grupos, utilizando diferentes pesos, que refletissem suas distintas taxas de crescimento econômico.
5. Conclusões
Este trabalho ilustra como se pode realizar projeções, a longo prazo, da demanda de energia elétrica do setor agropecuário em regiões associadas a bacias hidrográficas. O método da desagregação setorial é utilizado aqui para obter tais projeções em três cenários alternativos de desenvolvimento para a região da UGRH-PCJ, associados a cenários de crescimento do PIB do Estado de São Paulo. A aplicação deste método requereu a montagem de uma base municipal de dados econômicos e energéticos. Com a expansão desta base de dados, podem-se refinar as projeções, utilizando as mesmas equações básicas do método, por segmento do setor agropecuário, ou por uso final da energia neste setor.
A técnica estatística de análise de grupamentos permite, conforme discutido na parte final deste trabalho, obterem-se projeções da demanda energética por grupos de municípios da região objeto de estudo, sem precisar se repetir os procedimentos município por município.
Referências
ANP, Modelo de Projeção de Uso de Energia Baseado em Coeficientes Setoriais de Intensidade Energética: Princípios e Metodologia, Relatório Técnico, Superintendência de Estudos Estratégicos, Agência Nacional do Petróleo, Rio de Janeiro, RJ, agosto de 2001.
Bajay, Sérgio V., Modelos de planejamento da expansão de sistemas energéticos, Revista Brasileira de Tecnologia e Negócios de Petróleo, Gás, Petroquímica, Química Fina e Indústria do Plástico - TN Petróleo, 7(39): 81-7, 2004.
Leite, Álvaro Furtado, Prospecção de mercados regionais de energia, associada a planos energéticos nacionais e projeções estaduais, como contribuição a um planejamento integrado de recursos em bacias hidrográficas, tese de doutorado em planejamento de sistemas energéticos, FEM/Unicamp, Campinas, SP, fevereiro de 2006.
Tolmasquim, Maurício Tiomno, Rosa, Luiz Pinguelli, Szklo, Alexandre S., Schuler, M. E. & Delgado, M. A. P., Tendências da Eficiência Elétrica no Brasil - Indicadores de Eficiência Energética, ENERGE / COPPE / UFRJ, Rio de Janeiro, RJ, 1998.
Suzigan, W.. Clusters e Sistemas Locais de Inovação: Estudos de Casos e Avaliação da Região de Campinas, Universidade Estadual de Campinas - UNICAMP, Campinas, 1999,441 p.
1 Conhecidos como preços relativos.
2 O Prof. Manuel Alcino Ribeiro da Fonseca.