ANÁLISE DE RISCO EM PROJETOS DE PRODUÇÃO MARÍTIMA DE PETRÓLEO

Transcrição

1 ! "#$ " %'&)(*&)+,.- C)D 5.,.5FE)5.G.+ &4- (IHJ&?,.+ /?<>=)5.KA:.+5MLN&OHJ5F&4E)2*EOHJ&)(IHJ/)G.- D - ;./);.& ANÁLISE DE RISCO EM PROJETOS DE PRODUÇÃO MARÍTIMA DE PETRÓLEO Bruno Nogueira Silva (FCAA) bruno_ns@yahoo.com.br Gesiane Silveira Pereira (UVV) gesiane@uvv.br Leonardo Lima Gomes (FUCAPE) leonardolima@fucape.br Para a realização de projetos de desenvolvimento da produção marítima de campos de petróleo é necessário um alto investimento e existe nestes um alto grau de incerteza de algumas variáveis. Portanto, se as principais incertezas incidentes nnão forem consideradas, qualquer desvio do planejado pode tornar um projeto anteriormente atrativo do ponto de vista econômico em um projeto antieconômico. Devido a isso, faz-se necessário realizar análises que possam identificar e quantificar os riscos nos projetos para posterior mitigação dos mesmos. Este trabalho tem como principal objetivo apresentar uma metodologia para realizar uma análise de risco para melhor quantificar o risco embutido nestes projetos e dar apoio à tomada de decisão. Um estudo de caso é realizado como aplicação da metodologia onde são apresentados os resultados da análise de risco e obtidos diversos indicadores. Palavras-chaves: petróleo, análise de risco, análise econômica

2 1. Introdução Tomar uma decisão de investimento quando não existe incerteza é relativamente simples, basta calcular o Valor Presente Líquido (VPL) e a Taxa Interna de Retorno (TIR) de vários projetos de investimentos e escolher aqueles que apresentam maior retorno. Entretanto, na prática, as decisões são quase sempre cercadas de incertezas. O sucesso econômico das empresas depende dentre outros aspectos dos estudos de viabilidade econômica dos seus projetos que antecedem à tomada de decisão. A análise de investimento deve, portanto, considerar os riscos e incertezas presentes nos projetos. O alto grau de incertezas em projetos de grande porte de desenvolvimento da produção de petróleo em campos marítimos aliado aos grandes investimentos necessários, justificam a importância de se utilizar metodologias de análise de projetos que ajudem a identificar onde estão as maiores incertezas nos projetos. Deve-se então quantificar o impacto dessas incertezas nas decisões a serem tomadas e avaliar o risco envolvido nos projetos sob pena de serem gerados resultados econômicos indesejáveis para a empresa. Frequentemente, a análise quantitativa de riscos de projetos costuma não considerar, de maneira integrada, a dependência entre os riscos de tempo (cronograma) e de custo. Em muitos casos, as razões para os desvios observados nos custos em relação ao planejamento original estão relacionadas a desvios nos cronogramas. Portanto, para a realização de uma análise de risco satisfatória, deve-se integrar os riscos de tempo e custo. Para a quantificação do risco de um projeto, é recomendável realizar uma análise de risco por meio de uma de mais formas conhecidas. Uma das mais utilizadas trata-se da simulação numérica com o método de Monte Carlo. Para isso, existem alguns softwares disponíveis que utilizam o Método de Monte Carlo, tais e Crystal Ball. Este trabalho tem como principal objetivo apresentar uma metodologia para realizar uma análise de risco para melhor quantificar o risco embutido nestes projetos e dar apoio à tomada de decisão. Um estudo de caso é realizado como aplicação da metodologia onde são apresentados os resultados da análise de risco e obtidos alguns indicadores. 2. Análise de Risco Conforme Bailey et al (2000), a indústria do petróleo é permeada por incertezas em todos os estágios do negócio exploração, produção, refino e logística. Existem diversas ferramentas de avaliação de riscos no mercado, mas apesar disso, muitas empresas frequentemente utilizam a intuição e a experiência ao invés destas ferramentas. Simpson (2000) apresenta uma pesquisa realizada na Universidade de Aberdeen, Escócia, em 20 empresas com atuação no Mar do Norte, onde foi encontrada uma forte correlação positiva entre o grau de sofisticação em análises de risco destas empresas e o sucesso em suas decisões de investimento. Para a consideração dos riscos nos projetos podem ser utilizados alguns métodos tais como: análise de sensibilidade, análise de cenários, Simulação de Monte Carlo e árvores de decisão. A análise de sensibilidade consiste em alterar o valor de cada uma das variáveis individualmente permitindo avaliar o impacto desta alteração no fluxo de caixa do projeto. Permite ainda identificar as variáveis que mais influenciam no resultado econômico do projeto indicando onde a informação adicional tem maior utilidade. 2

3 A análise de cenários permite corrigir um dos erros da análise de sensibilidade que é considerar as interdependências entre as variáveis do projeto. São escolhidos cenários para o projeto, por exemplo: cenário otimista, pessimista e esperado considerando combinações diferentes, mas consistentes, de variáveis. A simulação de Monte Carlo consiste da análise do impacto sobre o resultado do projeto, quando se associa probabilidades de ocorrência às suas variáveis e permite, diferentemente das análises de sensibilidade e cenários, considerar todas as combinações possíveis das variáveis presentes no projeto, o que torna este método mais robusto que os outros dois. As árvores de decisão podem ser utilizadas para análise de projetos que envolvam decisões seqüenciais. Assim os projetos não são tratados como caixas negras, onde são consideradas apenas as decisões de aceitação ou rejeição do projeto ignorando as decisões de investimento subseqüentes que podem ser feitas A simulação de Monte Carlo (SMC) para análise de projetos O método de Monte Carlo é um procedimento numérico que utiliza números aleatórios para computar quantidades não necessariamente aleatórias. Consiste em gerar valores aleatórios dentro de um modelo com o objetivo de produzir centenas ou milhares de cenários. Devido à simplicidade na sua utilização, o método tem se mostrado ser uma ferramenta de grande efeito para tratar problemas da teoria financeira tais como cálculo dos preços das opções, medição de risco de mercado e de crédito, cálculo de Value at Risk, análise de projetos de investimento e solução de opções reais. A SMC para análise de projetos, segundo Brealey e Myers (1998), consiste de três fases: Fase 1: Construção do modelo do projeto - consiste em fornecer ao computador um modelo preciso do projeto; Fase 2: Especificar as probabilidades de erros das previsões; Fase 3: Selecionar os números para os erros de previsão e calcular os fluxos de caixa - o computador faz amostragens da distribuição dos erros de previsão, calcula os fluxos de caixa resultantes para cada período e registra-os. Depois de muitas iterações, começa a obter estimativas exatas das distribuições de probabilidades dos fluxos de caixa, exatos desde que o modelo seja preciso. Apesar da facilidade de aplicação, a SMC possui algumas desvantagens como a necessidade de um grande número de simulações para conseguir resultados mais precisos para problemas mais complexos. Para contornar este problema foram desenvolvidas técnicas de redução de variância para aumentar a precisão do resultado sem aumentar o tempo computacional. Um outro ponto que deve ser considerado no método de Monte Carlo é que é extremamente difícil estimar as relações existentes entre as variáveis e as distribuições de probabilidades nas quais a simulação se baseia. Por isso, a equipe de análise de risco de projetos deve estar bastante comprometida com a geração dos dados de entrada do modelo de maneira que o resultado final seja o mais próximo possível da realidade. 3. Metodologia O primeiro passo para realização da análise de risco é definir quais as principais incertezas a serem consideradas e logo após realizar a análise de risco propriamente dita. As principais incertezas em projetos de grande porte de desenvolvimento da produção de campos marítimos de petróleo são relativas à curva de produção, aos investimentos, custos operacionais, ao 3

4 cronograma de implantação do projeto e preços dos insumos (óleo e gás) Curva de produção Conforme Ligero, Costa e Schiozer (2003), uma das principais incertezas em campos de petróleo são relacionadas a variáveis estáticas (modelo geológico) e dinâmicas (parâmetros de fluxo) de reservatório, o que reflete diretamente na curva de produção e conseqüentemente no VPL do projeto. Steagall e Schiozer (2001) propuseram uma metodologia para a análise e quantificação da incerteza nas previsões de produção, baseada no trabalho de Loschiavo (2001), no qual se utiliza simulação numérica de fluxo de diferentes cenários possíveis de um reservatório, combinando os atributos de incerteza. A curva de produção deve representar as principais incertezas existentes e para isso, é recomendável se obter o maior número possível de curvas de produção considerando os parâmetros que mais causam impacto no reservatório. Para cada cenário (combinação de parâmetros sob análise) gera-se uma nova curva de produção, alterando-se, portanto, o resultado econômico do projeto. Todas as curvas geradas devem considerar uma mesma concepção do projeto (capacidade da UEP Unidade Estacionária de Produção, número e localização dos poços), pois deve-se analisar o risco da concepção que se imagina para o projeto com relação a incerteza no reservatório, ou seja, de acordo com o nível de informação disponível sobre o reservatório Investimentos Para quantificar as incertezas, deve-se encontrar a distribuição de probabilidade que melhor representa determinado item de investimento e em alguns casos pode-se utilizar dados históricos. Alguns softwares, como o BestFit, podem ser utilizados para encontrar a melhor distribuição mediante os dados alimentados no programa. Caso não se tenham estes dados, pode-se adotar uma distribuição para os custos de investimento baseados na experiência dos técnicos responsáveis pelo orçamento. Um outro ponto importante é que, conforme Hulett (2006), é de suma importância a consideração do risco das durações das atividades (cronograma) na variação do total de investimentos em um projeto. Para isso, deve-se realizar uma análise de risco de cronograma e utilizar os resultados obtidos como input para considerar este risco nos investimentos. Para a realização da análise de risco do cronograma, existem softwares específicos para MS Project ou Risk+, que utilizam o método de Monte Carlo, onde pode-se determinar distribuições de probabilidade para durações das atividades e assim realizar a simulação. Para então integrar os riscos do cronograma nos custos, primeiramente, calcula-se uma taxa que relacione o custo pelo tempo de cada atividade, chamada de burn rate (taxa de deflagração), para as atividades cujos custos são dependentes da duração das mesmas. Então, deve-se definir uma distribuição de probabilidade para a burn rate e a partir do resultado da simulação da análise de risco de cronograma, identificar a melhor distribuição de probabilidade para a duração das atividades. A multiplicação das durações probabilísticas pela burn rate também probabilística resultará no custo da parcela variável com o tempo de cada atividade. Para os custos que não variam com a duração, deve-se determinar a distribuição de probabilidade que melhor os representa, conforme descrito acima. A Tabela 1 apresenta uma metodologia para calcular o custo do projeto considerando o risco. Item de Investimento Custo não Custo variável com duração variável com Burn Rate Nº Dias Total (US$) Total (US$) 4

5 duração (US$) (US$/d) Item 1 CF 1 BR 1 N 1 BR 1 x N 1 CF 1 + (BR 1 x N 1 ) Item 2 CF 2 BR 2 N 2 BR 2 x N 2 CF 2 + (BR 2 x N 2 )... Item M CF M BR M N M BR M x N M CF M + (BR M x N M ) Total M i= 1 CF i M i=1 BR N Tabela 1 Metodologia do investimento do projeto considerando risco i i M i= 1 CF + ( BR N As principais incertezas nos investimentos são referentes principalmente ao custo da sonda e o tempo de perfuração e completação dos poços, custo da Unidade Estacionária de Produção (UEP) e custo e tempo de interligação dos poços Custos Operacionais Os custos operacionais possuem duas parcelas: uma que varia com a produção e outra independente da produção. Portanto, pode-se adotar a equação [1] para os custos operacionais: [ CO (t) + CO Q(t) ] COTotal (t) = Fixo Variável onde, CO Fixo = Custo Operacional fixo; CO Variável = Custo Operacional Variável; Q(t) = Vazão de óleo do projeto no tempo t. Para considerar incerteza nos custos operacionais fixos e variáveis deve-se adotar distribuições de probabilidade para estes custos baseados em dados históricos, quando aplicável, ou na falta destes dados na experiência de técnicos da área. As incertezas nos custos operacionais são as referentes principalmente à estimativa do custo de serviços, tempo de utilização dos recursos e freqüência dos workovers (intervenção em poços) e custo da sonda que realizará o workover dos poços Preço dos insumos As incertezas nos preços do óleo e do gás são incertezas que devem ser modeladas utilizandose processos estocásticos. Deve-se avaliar qual o melhor processo estocástico a ser adotado analisando os dados históricos e o horizonte de tempo proposto para o projeto. O processo estocástico mais popular é o Movimento Geométrico Browniano (MGB), mas Dias & Rocha (2001) utilizaram o processo estocástico de Reversão para a Média (MRM) combinada com saltos para modelar o preço do petróleo. Segundo Dias (1996), testes econométricos do preço do petróleo num intervalo de 30 anos (ou menos) não rejeitaram a hipótese do MGB, mas quando se considerou um intervalo maior, de 117 anos, o modelo MGB foi rejeitado em favor do MRM. Por isso, pode ser importante considerar esse modelo para projetos de longa duração Cronograma de implantação Um outro fator de grande importância para ser considerado na análise de risco é a incerteza referente ao cronograma de implantação do projeto. Uma maneira de considerar esta incerteza é realizar uma análise de risco para o cronograma adotando distribuições de probabilidade i i i [1] ) 5

6 para durações das atividades que possuem incerteza. Para isso, pode-se utilizar softwares específicos como for MS Project ou o Risk+. Como resultado desta análise é gerada uma distribuição de probabilidade para a data de início da produção e conseqüentemente pode-se obter a probabilidade de atraso ou antecipação da produção que afeta consideravelmente o VPL do projeto Análise do Projeto Definidas e quantificadas as incertezas dos projetos, deve-se rodar a simulação de Monte Carlo e gerar os resultados da simulação. Podem ser gerados diversos indicadores, tais como: valor esperado do VPL (média), probabilidade do VPL ser negativo, Value at Risk (VaR) que é a perda máxima a um dado intervalo de confiança, percentis da distribuição do VPL e outros. Um ponto importante que vale a pena ser destacado é que caso a distribuição de probabilidade ou processo estocástico adotado para determinado item não retrate a realidade, todo o resultado da análise de risco fica comprometido. 4. Estudo de Caso Para ilustrar a metodologia de análise de risco apresentada, realizou-se um estudo de caso de um campo marítimo de petróleo em águas profundas. Os dados do estudo são adaptações dos apresentados em Suslick (2001) Dados considerados A curva de produção foi considerada crescente nos primeiros anos até atingir um pico de produção, seguido por um modelo de curva de declínio exponencial, a mais comumente utilizada em estudos, cuja formulação está apresentada a seguir: Q α t = Q i e [2] Uma curva típica deste modelo é apresentada na Figura Curva de Produção Típica Vazão de Óleo (bbl/dia) Vazão de Gás (Mm³/dia) 0 0 ŠU U UŒ Š U UŽ ŠU 9Š ŠA? ŠU Y? ŠU UŠ ŠU AŠA ŠU UŠU ŠA U U Ano Óleo Gás Figura 1 Curva de produção típica do campo Considerou-se o pico de produção como uma variável que segue uma distribuição triangular com parâmetros mínimo, mais provável e máximo iguais a 137, 200 e 247 mil bbl/d, 6

7 š œ P PQ RSRUT8V W XYVAZ\[ XVA]W RSXYVA]^F_Y`6`.aYbY`8aYcY% dye %f_y`6gud hy_yi jk% h respectivamente. A UEP está limitada em 200 mil barris de líquido por dia, portanto não se pode ultrapassar este patamar em caso de simulação de uma curva com maior potencial de produção. Para considerar incerteza no modelo apresentado na equação [2], adotou-se a taxa de declínio exponencial α com uma distribuição normal com média de 18% e desvio padrão de 0,9%. Considerou-se que o tempo do projeto é de 20 anos. Com isso, a variação não ocorre somente na curva de produção, mas também na reserva (volume recuperado) do campo, que para o caso mais provável seria de, aproximadamente, 500 MMbbl. Para os investimentos em desenvolvimento da produção considerou-se o valor mínimo e máximo de 3,11 e 5,07 US$/bbl para um campo em torno de 500 MMbbl conforme adotado em Suslick (2001). Considerou-se que estes custos já levam em consideração o risco de cronograma, conforme metodologia apresentada na Tabela 1. Adotou-se uma distribuição triangular, por não haver dados históricos disponíveis, com parâmetros mínimo e máximo citados logo acima e para o mais provável a média destes valores que é igual a US$4,09/bbl.. Para a incerteza nos custos operacionais adotou-se a equação [1] sendo que para o custo operacional fixo considerou-se uma distribuição triangular com parâmetros máximo, mais provável e mínimo iguais a US$ 60, 50 e 40 milhões, respectivamente. O valor mais provável corresponde a aproximadamente 57% do valor total esperado do custo operacional, conforme adotado no estudo de caso em Suslick (2001). Para o custo operacional variável considerou-se US$1,55/bbl, ou seja, a variação ocorre devido à curva de produção. Para o custo de abandono adotou-se uma distribuição triangular com parâmetros mínimo, mais provável e máximo iguais a US$ 80, 100 e 140 milhões, respectivamente. Para o preço do óleo, considerou-se que o mesmo segue MGB com média de 20 US$/bbl, volatilidade de 30% e taxa de crescimento de 1%, conforme mostrado em [3]: Ÿž σ 2 ( 0;1 ) P = P exp α t + σ Normal t t t 1 2 onde, P t = Preço do óleo no tempo t; P t-1 = Preço do óleo no tempo t-1; α = taxa de crescimento; σ = volatilidade; t = diferença entre o tempo t e o t-1. Para o preço do gás, considerou-se como sendo proporcional ao preço do óleo: PG = z [4] onde, t P t PG t = Preço do gás no tempo t em US$/m³; z = coeficiente de relação entre o preço de óleo e gás; P t = Preço do óleo no tempo t em US$/bbl. O valor do parâmetro z considerado no estudo foi de 0,35%. [3] 7

8 Para considerar na análise de risco a possibilidade de atraso no cronograma de implantação do projeto e conseqüentemente no início da produção do projeto, utilizou-se o for MS Project para gerar a distribuição de probabilidade para a data de início da produção. Considerou-se variação nas durações das atividades com incerteza e realizou-se a análise de risco com iterações para que haja convergência. A distribuição de probabilidade de antecipação ou atraso no início da produção encontrada foi a triangular com parâmetros mínimo, mais provável e máximo iguais a -4, 0 e 10 meses, respectivamente. A partir desta distribuição o atraso ou antecipação da data de entrada em produção afeta diretamente a curva de produção e conseqüentemente o custo operacional e os tributos. As variáveis consideradas nesta análise de risco e seus respectivos modelos para expressar suas incertezas estão sumarizados na Tabela 2. Variáveis Modelos Investimento (US$ milhões) Distr. Triangular (1555;2045;2535) Pico de Produção (Mil bopd) Distr. Triangular (137;200;247) Taxa de declínio exponencial (%) Distr. Normal (18;0,9) Custo Operacional Fixo (US$ milhões) Distr. Triangular (40;45;50) Preço do Óleo (US$/bbl) Movimento Geométrico Browniano Preço do Gás (US$/m³) F (Preço do Óleo) Atraso no Cronograma de Implantação do Projeto (meses) Distr. Triangular (-4;0;10) Abandono (US$ milhões) Distr. Triangular (80;100;140) 4.2. Resultados da Simulação Tabela 2 Variáveis consideradas na análise de risco do projeto Para a realização da análise de risco para o estudo de caso foi utilizado o e adotou-se iterações que é um número bastante razoável para o modelo do estudo devido a sua simplicidade. A Taxa Mínima de Atratividade (TMA) fictícia considerada foi de 10%. A Tabela 3 apresenta os principais indicadores como resultado da simulação. INDICADORES Resultado Mínimo (MMUS$) Máximo (MMUS$) Média (MMUS$) 626 Desvio Padrão (MMUS$) 2175 P10 (MMUS$) 3158 P50 (MMUS$) 73 P90 (MMUS$) Tabela 3 Indicadores obtidos da simulação Os indicadores P10, P50 e P90 significam uma probabilidade de 10, 50 e 90% destes valores serem superados, respectivamente. Outros indicadores importantes são a probabilidade de o VPL do projeto ser negativo e o VaR do projeto a 5% (VaR 95% ) que no caso do estudo de caso é de 48% e US$ 2115 milhões, respectivamente. Deve-se ressaltar que a correta interpretação deste resultado depende fundamentalmente do grau de aversão ao risco do decisor e do histórico de outros projetos semelhantes, não sendo aconselhável considerar de forma absoluta o valor obtido. A Figura 2 representa a distribuição de probabilidade do VPL encontrada pela simulação. 8

9 Values in 10^ -4 3,0 2,5 2,0 1,5 1,0 0,5 Distribuição de Probabilidade do VPL X <=-1489X <=4624 5% 95% Média = 626 1,0 0,8 0,6 0,4 0,2 Distribuição de Prob. Acumulada do VPL X <=-1489X <=4623,8 5% 95% Média = 626 0, VPL (US$ Bilhões) 0, VPL (US$ Bilhões) 5 - Conclusão Figura 2 Distribuição de Probabilidade do VPL A análise de risco de projetos de investimento é uma forma de conhecer melhor os riscos envolvidos, identificando e quantificando o risco das variáveis que mais influenciam o resultado econômico do projeto. Tal conhecimento é muito útil para auxiliar os decisores na seleção dos projetos a serem implantados. Isto é particularmente importante em projetos de grande porte e alto grau de incerteza, como costuma ser o caso dos projetos de desenvolvimento da produção de campos de petróleo. A consideração de risco de cronograma nos investimentos é muito importante para a obtenção de um melhor resultado da análise de risco de um projeto, principalmente em projetos de desenvolvimento da produção marítima de petróleo que demandam um longo prazo de implantação. Para a realização da análise de risco é necessário um alto grau de comprometimento de toda a equipe envolvida no projeto, pois a imprecisão nos dados de entrada causa resultados também imprecisos e conseqüentemente a perda de confiabilidade na análise. Os resultados do estudo de caso apresentado neste trabalho comprovaram que projetos de desenvolvimento da produção marítima de petróleo possuem muitas incertezas sendo então necessário realizar um gerenciamento eficiente para este tipo de projeto e buscar alternativas para minimizar estas incertezas. Referências BAILEY, W.; COUËT, B.; SIMPSON, F.L.G. & ROSE, P. (2000) Taking a Calculated Risk. Oilfield Review. p BREALEY, A R. & MYERS, C. S (1998). Princípios de Finanças Empresariais. Portugal: Ed. Mcgraw-hill. DIAS, M. A. G. & ROCHA, K. M. C (2001). Petroleum Concessions With Extendible Options Using Mean Reversion With Jumps To Model Oil Prices. 3rd Annual International Conference on Real Options, Wassenaar/Leiden. DIAS, M. A. G. (1996). Investimento Sob Incerteza em Exploração & Produção De Petróleo. Dissertação de Mestrado, PUC-RIO, RJ. HULLET, D. (2006) Análise Integrada de Riscos em Projetos Custos e Cronograma. Mundo PM. Vol 2, n.11, p

10 LIGERO, L. E, COSTA, A.P.A & SCHIOZER, D.J (2003). SPE 81162, SPE Reservoir Simulation Symposium, Port-of-Spain, Trinidad, West Indies. LOSCHIAVO, R. (2001). Estimativas de Incertezas na Previsão de Desempenho de Reservatórios. Dissertação de Mestrado, UNICAMP, SP SIMPSON, G.S.; LAMB, F.E.; FINCH, J.H. & DINNIE, N.C. (2000) The Application of Probabilistic and Qualitative Methods to Asset Management Decision Making. Yokohama, Japan: SPE MS STEAGALL, D. E & e SCHIOZER, D. J (2001). Uncertainty Analysis in Reservoir Production Forecasts During Appraisal and Pilot Production Phases. SPE 66399, SPE Reservoir Simulation Symposium, Dallas, USA. SUSLICK, B. S (2001) Regulação em Petróleo e Gás Natural. Campinas: Ed. Komedi. 10