ELASTICIDADE DE TRANSMISSÃO DE PREÇOS DO LEITE ENTRE OS MERCADOS DE MINAS GERAIS E SÃO PAULO ELASTICITY OF TRANSMISSION OF PRICES MILK BETWEEN MARKETS MINAS GERAIS AND SÃO PAULO UELLINGTON CORRÊA 1 ; JESSICA NUNES DE ALCÂNTARA 2 ; LUIZ GONZAGA DE CASTRO JÚNIOR 3 ; BRUNA PONTARA VILAS BOAS RIBEIRO 4 ; ISRAEL MARQUES DA SILVA 5. 1,2,3. UFLA, LAVRAS - MG - BRASIL; 4,5. IFMG - CAMPUS BAMBUÍ, BAMBUÍ - MG - BRASIL. uellington.correa@gmail.com Grupo de Pesquisa 1: Comercialização, Mercados e Preços Resumo O presente artigo tem por objetivo analisar a elasticidade de transmissão de preços do leite entre os mercados de Minas Gerais e São Paulo, tomando por base o preço de leite pago ao produtor, atacado e varejo. Estes dois estados foram escolhidos uma vez que representam a maior bacia leiteira e o maior mercado consumidor de lácteos do país, respectivamente. Conhecer o relacionamento entre os preços dos mercados produtor, atacadista e varejista de leite de Minas Gerais e São Paulo pode representar um instrumento que auxilia na melhor compreensão do comportamento dos preços desses mercados. A abordagem da pesquisa caracteriza-se como quantitativa e utiliza a metodologia VAR para alcançar os resultados. As respostas demonstradas pela decomposição da variância dos erros de previsão indicam que a variação no preço do leite é fortemente influenciada pelo preço no atacado que detém alto poder de formação de preços do leite sobre o produtor, tanto no mercado de Minas Gerais como de São Paulo. E, os resultados encontrados pela função de impulso-resposta ratificam os encontrados na decomposição da variância. Palavras-chave: Preços, Leite, Modelo Vetorial Auto-Regressivo. Abstract This article aims to analyze the elasticity of price transmission between markets milk of Minas Gerais and São Paulo, based on the price of milk paid to producers, wholesale and retail. These two states were chosen because they represent the largest dairy and dairy largest consumer market in the country, respectively. Knowing the relationship between the prices of markets producer, wholesaler and retailer of milk Minas Gerais and São Paulo can be a tool that helps in better understanding the behavior of prices in these markets. The research approach is characterized as quantitative and uses the VAR methodology to achieve results. The responses demonstrated by the variance decomposition of the forecast errors indicate that the variation in the price of milk is strongly influenced by the wholesale price which has high power pricing of milk on the producer, both in Minas Gerais and São Paulo market. And the results found by the impulse response function confirm those found in the variance decomposition. Key words: Prices, Milk, Vector Auto-Regressive Model.
1. Introdução O nível da produção nacional de leite cresceu nos últimos anos e a demanda pelos produtos lácteos acompanhou este crescimento, chegando a uma taxa anual de 3% no decorrer da última década. Segundo Filho et al. (213) o consumo per capita chega aproximadamente a 17 litros/habitantes por ano. Ainda de acordo com Filho et al. (213) o consumo de leite no Brasil possui um potencial de crescimento que chega a 8 bilhões de litros anualmente. Esta projeção toma por base de cálculo a recomendação de consumo do Ministério da Saúde, que corresponde a 21 litros/habitante por ano. Neste contexto Minas Gerais continua sendo a principal bacia leiteira do país com a produção de aproximadamente cerca de 9 bilhões de litros de leite por ano, conforme dados do Instituto Brasileiro de Geografia e Estatística (IBGE) (LARA, 213). Já São Paulo é o maior mercado consumidor de leite e derivados do país, entretanto o estado perde participação na produção leiteira desde 1998, em grande parte para a região sul do Brasil (FERNANDES et al., 21). Os preços do leite sofrem alterações conforme a disponibilidade do produto, e por vezes, devido ao nível da sua procura pelo mercado consumidor. Outros fatores como as altas nos custos de produção, devido por exemplo a queda na safra dos alimentos que compõem a nutrição dos animais, e também a redução da oferta ocasionada por fatores climáticos podem influenciar significativamente na formação dos preços. As oscilações nos preços do leite são frequentes devido às sazonalidades da produção e a fatores econômicos. Contudo, com o aumento da renda da população, seguido pelo aumento do consumo e pela necessidade de uma maior produção leiteira para abastecer o mercado, o cenário tornou-se favorável para a elevação nos preços pagos pelo leite ao produtor, atacado e varejo. Diante do exposto o presente artigo tem por objetivo analisar a elasticidade e transmissão de preços de leite entre os estados de Minas Gerais e São Paulo, além de estudar o comportamento dos preços no mercado interno de São Paulo, tomando por base o nível de análise do preço de leite pago ao produtor, atacado e varejo, uma vez que os dois estados são respectivamente a maior bacia leiteira e o maior mercado consumidor de lácteos do país. O presente estudo segue a mesma orientação de outros trabalhos que contemplam diferentes abordagens e enfoques que se utilizaram de Modelos Vetoriais Auto-Regressivos (VAR) para a análise e transmissão de preços com os mais variados tipos de objetos de pesquisa, como os trabalhos de Barros (199), Margarido et al. (21), Gaio et al. (26), Weydmann e Seabra (26), Mayorga (27), Dias et al. (27), Cavalcanti (21), Fernandes et al. (21), Viana et al. (21), Figueiredo (21) e Lobo e Neto (211), entre outros trabalhos com a mesma orientação metodológica. Por conseguinte, justifica-se a consecução desta pesquisa por ser uma fonte de informação pertinente, pois conhecer o relacionamento entre os preços dos mercados produtor, atacadista e varejista de leite de Minas Gerais e São Paulo pode representar um instrumento que auxilia na melhor compreensão do comportamento dos preços desses mercados. Visto que a pesquisa é realizada com rigor metodológico, atribui-se maior confiabilidade e credibilidade ao tratamento dos dados pesquisados e trabalhados. O presente artigo está estruturado, além desta introdução, da seguinte forma: inicialmente, é apresentado o material e métodos seguidos pelos resultados e discussão, e na sequência encerra-se com as considerações finais.
2. Material e Métodos O presente artigo utiliza-se de dados secundários para a análise estatística de preços de leite nos mercados produtor, atacadista e varejista de Minas Gerais e São Paulo, desta forma a abordagem da pesquisa caracteriza-se como quantitativa. Os estudos quantitativos geralmente procuram seguir com rigor um plano previamente estabelecido, baseados em hipóteses claramente indicadas e variáveis que são objeto de definição operacional (NEVES, 1996). Quanto ao objetivo a pesquisa é classificada como descritiva e explicativa, e em relação aos procedimentos é classificada como pesquisa documental. Para Triviños (1987), a pesquisa descritiva procura descrever os fatos e fenômenos de determinada realidade, tomando por base a análise documental para a busca das informações. Segundo Gil (27) a pesquisa explicativa procura identificar os fatores que contribuem para a ocorrência de um determinado fenômeno, podendo ser uma extensão de uma pesquisa descritiva. Em relação à pesquisa documental, esta utiliza fontes de dados diversificadas e dispersas sem tratamento analítico conforme Fonseca (22), e propõem-se a selecionar, tratar e interpretar a informação bruta de modo a obter algum sentido e valor para os referidos dados (SILVA e GRIGOLO, 21; ARAÚJO et al. 213). 2.1. Base de Dados Os dados trabalhados no presente artigo referem-se às séries mensais de preços de leite pago ao produtor e ao atacado de Minas Gerais e São Paulo, no período que compreende junho de 24 a outubro de 213, totalizando 113 observações, que foram colhidas junto ao banco de dados do Centro de Estudos Avançados em Economia Aplicada (CEPEA). Em relação aos preços de leite no varejo de São Paulo, estes foram obtidos junto ao banco de dados do Instituto de Economia Agrícola (IEA). Ressalta-se que na pesquisa não foi encontrada uma base de dados que forneça os preços de leite no varejo de Minas Gerais, assim à análise e tratamento dos dados foram divididos em dois modelos estatísticos. Sendo que o primeiro modelo contempla o impacto que se tem dos preços praticados no varejo de São Paulo, que é o maior consumidor de lácteos do país, sobre a formação dos preços ao produtor e atacado de Minas Gerais, que é a maior bacia leiteira do país. E, no segundo modelo as variáveis trabalhadas são todas relativas aos preços de leite praticados em São Paulo. Para Barros e Burnquist (1987) e Margarido e Turolla (212) a elasticidade de transmissão de preços de um bem ou produto é atribuída à variação relativa no preço a um nível de mercado em relação à variação no preço a outro nível, mantidos em equilíbrio esses dois níveis de mercado depois de decorrido um choque inicial em um deles. Desta forma, para fins de interpretação econômica dos resultados e análise de elasticidade, as séries de preços foram transformadas em bases logarítmicas. O Software utilizado para o tratamento dos dados foi o Gretl Gnu Regression, Econometrics and Time-series Library, versão 1.9.12. Assim, as séries mensais utilizadas na análise de transmissão de preços de leite em Minas Gerais compreendem: l PPMG (logaritmo neperiano dos preços recebidos pelos produtores), l PAtMG (logaritmo neperiano dos preços no atacado) e l PVarSP (logaritmo neperiano dos preços no varejo em São Paulo). Enquanto que para São Paulo as variáveis são: l PPSP (logaritmo neperiano dos preços recebidos pelos produtores), l PAtSP (logaritmo neperiano dos preços no atacado) e l PVarSP (logaritmo neperiano dos preços no varejo). 2.2. Teste de Raiz Unitária
Na economia é comum as séries não serem estacionárias, pois os preços não se comportam de forma uniforme dentro de um determinado intervalo de tempo (LOBO e NETO, 211). Assim, o teste de raiz unitária serve de instrumento para verificar se a série temporal é estacionária em nível ou se torna estacionária nas diferenças (GAIO et al., 26). Com objetivo de verificar a estacionariedade dos preços de leite nos mercados estudados realizou-se o teste de raiz unitária de Dickey-Fuller Aumentado (ADF). Conforme Lobo e Neto (211) o teste ADF é utilizado para verificar a ordem de integração de uma série temporal Y t. Este teste é calculado por meio do método de Mínimos Quadrados Ordinários (MQO) uma vez que, este tem sido o procedimento mais utilizado em estudos de elasticidade de transmissão de preços, segundo Fernandes et al. (21), e pode ser calculado pela equação (1): onde: : é uma constante (intercepto); : é a tendência; : é o operador diferença (representado por ); ; e. Ainda para Fernandes et al. (21) se uma série temporal tiver que ser diferenciada d vezes, para que se torne estacionária, a série será integrada de ordem d, I(d). Se a série for integrada de ordem zero (d = ), logo, será estacionária em nível. Porém, qualquer série, cuja ordem de integração for maior ou igual a 1 (d 1), será não-estacionária. Antes de realizar o teste de cointegração é necessário determinar o número de defasagens pelo menor valor do Critério Informação de Akaike (AIC), Bayesiano de Schwarz (BIC) ou Hannan-Quinn (HQC), e o teste de cointegração também visa eliminar a autocorrelação dos resíduos, segundo Margarido (21). A determinação do número de defasagens dos dois modelos estatísticos do presente artigo foi da ordem de 12, por serem as séries de dados mensais. E, os ajustes nos respectivos modelos foram feitos até atingir a adequação ideal conforme os critérios de informação utilizados. 2.3. Teste de Cointegração de Johansen Foi realizado o teste de cointegração de Johansen que objetiva detectar a existência de relacionamento de longo prazo entre as variáveis, ou seja, se elas são sincronizadas, conforme Johansen e Juselius (199) e Margarido et al. (21), e com intuito de testar a existência de vetores de cointegração nos modelos analisados. Para Fernandes et al. (21), este procedimento utiliza-se da Máxima Verossimilhança para estimar os vetores de cointegração tornando viável testar e estimar a presença de outros vetores e não apenas um único vetor de cointegração. Segundo Filho et al. (21), caso todas as variáveis utilizadas possuam a mesma ordem de integração, então elas apresentam uma relação de equilíbrio no longo prazo. A partir deste procedimento é possível estimar um vetor de cointegração, sendo que para n variáveis podem existir, no máximo, n 1 vetores de cointegração linearmente independentes. (1)
E de acordo com Mayorga et al. (27), uma vez que o número de vetores de cointegração é igual ao número de variáveis, onde o rank é pleno, deve-se utilizar o Modelo Vetorial Auto-Regressivo (VAR) em nível, pois se colocando todas as variáveis em nível no VAR, a combinação linear entre elas produz um relacionamento estacionário. O método de Johansen permite encontrar o número de combinações possíveis de cointegração (r). Contudo, para determinar o número máximo de r, que depende do comportamento esperado da série temporal (tendência linear ou quadrática, determinística ou estocástica), a partir de k variáveis endógenas, é preciso avaliar a trace statistic (FILHO et al., 21). O teste permite identificar o valor máximo de r e, assume como hipóteses: H: r r * Ha: r r * sendo que, quando não é mais possível rejeitar a hipótese nula, H, encontra-se o número máximo de vetores de cointegração. 2.4. Modelos Vetoriais Auto-Regressivos (VAR) Para se alcançar o resultado da presente pesquisa empregou-se o modelo vetorial autoregressivo no tratamento dos preços de leite. E, segundo Cavalcanti (21), foi a partir do artigo clássico Macroeconomics and Reality de Sims (198) que o modelo vetorial autoregressivo ganhou destaque e se difundiu rapidamente entre os economistas, pois tal modelo permite analisar as interrelações existentes entre diversas variáveis a partir de um conjunto mínimo de restrições de identificação do componente exógeno de cada variável, além de possibilitar a estimação do efeito de um dado choque em uma variável sobre as demais. Como mencionado por Tabosa et al. (211) de forma a exemplificar a análise será dado um sistema de equações com duas variáveis, as quais se assumem sejam interdependentes e também relacionados por uma memória auto-regressiva, isto é, a sequência X t é afetada pelo seu passado e pela sequência Z t e vice-versa. A estacionariedade é uma condição fundamental para as propriedades dos estimadores do modelo. O modelo VAR é dado pelas equações (2) e (3): Conforme Mayorga et al. (27) pode-se escrever o modelo VAR em notação matricial, como em (4): em que: : um vetor auto-regressivo de ordem ; : representa um vetor de interceptos; : são matrizes de parâmetros de ordem ; : é o termo de erro. Após ter determinado o modelo VAR apropriado emprega-se para analisar a interrelação entre as variáveis a Decomposição da Variância e a Função Impulso-resposta dos erros de previsão. (2) (3) (4)
Conforme Ribeiro et al. (26) a Decomposição da Variância fornece uma estimativa de quanto a variância de uma variável está relacionada com variações nela e em outras variáveis. E, a Função Impulso-Resposta mostra o efeito do choque de um período na inovação (termo de erro) dos valores correntes e futuros da variável endógena. 3. Resultados A seguir, são apresentados os resultados obtidos na pesquisa, a partir da análise da elasticidade de transmissão de preços do leite entre os mercados de Minas Gerais e São Paulo. 3.1. Teste de Raiz Unitária Com o objetivo de verificar se as variáveis em estudo apresentam características de estacionariedade ou seguem um processo estocástico estacionário foi realizado o teste de Dickey-Fuller Aumentado (ADF) em nível e com a primeira diferença para os modelos 1 e 2. As variáveis preços recebidos pelos produtores de Minas Gerais, preços no atacado em Minas Gerais e preços no varejo em São Paulo compõem o modelo 1. Enquanto que o modelo 2 é composto pelas variáveis preços recebidos pelos produtores, preços no atacado e preços no varejo, todas para o Estado de São Paulo. Por meio do teste de raiz unitária verifica-se que as séries temporais de preços analisadas no modelo 1 e 2 não são estacionárias em nível, mas somente após a adição da primeira diferença dos logaritmos. O teste ADF foi estimado para as séries mensais com constante, e com constante e tendência, tanto em nível quanto em suas diferenças, conforme a Tabela 1. Tabela 1. Teste de raiz unitária de ADF das séries (p-valor τ calculado) Categorias Séries em Nível Séries em Diferenças Séries em Nível Séries em Diferenças Fonte: Dados da pesquisa. Variável Com Com Constante Constante e Tendência Modelo 1 PPMG,9778,2912 PAtMG,9746,44 PVarSP,9964,389 ld PPMG,, ld PAtMG,, ld PVarSP,, Modelo 2 PPSP,9424, PAtSP,9967,78 PVarSP,9956,2467 ld PPSP,1426,385 ld PAtSP,1,6 ld PVarSP,, Conforme o teste Dickey-Fuller Aumentado, com constante e com constante e tendência, as séries temporais de preços são integradas de ordem de 1, I(1). Como as séries de preços são integradas de mesma ordem, é possível realizar o teste de cointegração pelo método de Johansen. 3.2. Análise do Teste de Cointegração de Johansen
Antes de realizar o teste de cointegração foi necessário determinar o número de defasagens pelo Modelo de Seleção de Defasagem de Vetores Auto-Regressivos (VAR). Com relação ao número de defasagens, optou-se por utilizar os Critérios de Informação de Akaike (AIC), Bayesiano de Schwarz (BIC) e Hannan-Quinn (HQC), conforme os resultados na Tabela 2. Tabela 2. Resultados do critério de ordem de defasagem Defasagem Modelo 1 Modelo 2 AIC BIC HQC AIC BIC HQC 1-12,6315-11,745755* -11,93343* -11,43767-11,11424-11,32738 2-12,15343* -11,62563-11,93318-11,781426-11,22755* -11,557376* 3-12,61282-11,38962-11,647649-11,874766* -11,83449-11,554695 Fonte: Dados da pesquisa. * Indica os melhores valores (isto é, os mínimos) da defasagem selecionada pelos critérios. Para determinar o critério de defasagem utilizaram-se defasagens de (zero) a 12 (doze), e de acordo com a Tabela 2, para o modelo 1 o critério de informação de Akaike sugeriu duas defasagens para o modelo, enquanto que os outros dois critérios de informação de Schwarz e Hannan-Quinn indicam apenas uma defasagem. No modelo 2 o critério AIC indicou três defasagens para o modelo, enquanto os critérios BIC e HQC sugeriram a inclusão de apenas duas defasagens. Assim, em função dos resultados encontrados utilizou-se o menor critério, ou seja, apenas uma defasagem para o modelo 1 e duas defasagens para o modelo 2, conforme o teste de cointegração de Johansen. A partir do teste de Johansen observa-se em cada modelo à presença de três vetores de cointegração entre as três variáveis de preços estudadas. E, a hipótese nula da existência de três vetores de cointegração foi rejeitada a 1% de significância nos modelos estudados, conforme os dados do p-valor constante na Tabela 3, sugerindo a existência de três relações de cointegração para cada modelo. Tabela 3. Resultados do teste Johansen para cointegração Nº de Vetores de Modelo 1 Modelo 2 Cointegração Autovalor Teste Traço P-valor Autovalor Teste Traço P-valor,6714 243,84,*,61174 197,84,* 1,57697 121,41,*,38351 95,665,* 2,2167 26,778,*,3317 43,425,* Fonte: Dados da pesquisa. * Nível de significância a 1%. Conforme Mayorga et al. (27) uma situação em se pode trabalhar com séries em níveis, evitando regressões espúrias ocorre quando as séries são cointegradas. Sendo assim, o presente estudo trabalha com as séries em nível, como recomendado por Mayorga, pois ocorreu a existência de três relações de cointegração em cada modelo avaliado. Justifica-se ainda a utilização do Modelo Vetorial Auto-Regressivo (VAR) em nível no presente estudo porque o número de vetores de cointegração é igual ao número de variáveis. E, desta forma colocando todas as variáveis em nível no VAR, a combinação entre elas produz um relacionamento estacionário, de acordo com Mayorga et al. (27). 3.3. Decomposição da Variância para o Modelo 1
A Tabela 4 apresenta os resultados da decomposição da variância dos erros de previsão para as variáveis l PPMG, l PAtMG e l PVarSP. As variáveis foram logaritmizadas com o intuito de uniformizar a variância. A primeira coluna representa às variáveis que foram atribuídas a um choque não antecipado, a segunda coluna representa os períodos analisados expressos em meses, a terceira, quarta e quinta colunas estão representadas as proporções dos erros de previsão para cada variável do modelo 1. Por meio dos resultados apresentados na Tabela 4, observa-se que ao dar um choque não antecipado na variável l PPMG, 55,8% das variações nos preços do leite são explicados pela própria variável, em um primeiro momento, e ao decorrer dos períodos estudados estes percentuais decaem. Assim, o poder de formação de preços do leite é transferido para as variáveis l PAtMG e l PVarSP. Após terem decorrido 12 meses, 55,3% das flutuações nos preços são atribuídos a variável l PAtMG, enquanto que na variável l PVarSP este percentual chega a atingir 36,3%. Desta forma, em relação ao choque não antecipado na variável l PPMG, as respostas demonstradas pelas proporções dos erros de previsão indicam que a variação no preço do leite é fortemente influenciada pelo preço no atacado em Minas Gerais chegando a 79,4% no quarto mês, e pelo varejo de São Paulo, que atinge 36,3% depois de decorridos 12 meses. Tabela 4. Resultados da decomposição da variância dos erros de previsão em percentuais do Modelo 1 Variáveis Período l PPMG l PAtMG l PVarSP 1 55,884 39,98 5,198 2 22,968 69,5634 8,3397 3 1,5266 78,5676 1,957 l PPMG 4 7,1268 79,4194 13,4538 6 6,7794 74,886 19,132 9 8,1693 63,3848 28,4459 12 8,3191 55,3652 36,3157 1, 93,116 6,9884 2 1,516 89,591 9,3583 3 2,5322 85,486 11,9818 l PAtMG 4 3,9845 81,186 14,8349 6 6,1794 72,8825 2,9381 9 7,3695 63,2688 29,3616 12 7,186 57,5223 35,2971 1,, 1, 2,4,9896 98,974 3,1668 2,8874 96,9459 l PVarSP 4,3859 5,1271 94,4871 6,9985 9,267 89,9749 9 1,895 11,7615 86,3435 12 2,4284 11,9963 85,5753 Fonte: Dados da Pesquisa. Em relação ao choque não antecipado na variável l PAtMG, a influência na formação de preços está associada à própria variável que concentra 93,% do poder de formação de preços, em um primeiro momento, contudo decorridos 12 meses estes percentuais decaem para 57,5%. As diferenças destes valores são transferidas em sua maior parte para a variável l PVarSP, que atinge 35,2% do poder de explicação da formação de preços do leite depois de decorridos 12 meses. Assim, o poder de formação de preços do leite quando do choque não antecipado na variável l PAtMG, concentra-se principalmente nos erros de previsão da própria variável nos primeiros meses estudados.
Quanto a terceira variável analisada, l PVarSP, verifica-se que ao relacioná-la com as demais variáveis, esta possui alto poder explicativo da formação de preços do leite em sua maior parte pelo próprio erro de previsão. A decomposição da variância dos erros de previsão nesta variável, explica 1% do poder de formação de preço do varejo de São Paulo no primeiro mês, decaindo nos meses subsequentes até atingir 85,5%. E, apenas 11,9% são atribuídos aos erros de previsão da variável l PAtMG, depois de decorridos 12 meses. Assim, com base nos resultados apresentados na Tabela 4, infere-se que o poder de formação de preços do leite em Minas Gerais é impactado tanto pelos preços praticados no atacado do próprio Estado quanto pelos preços praticados no varejo de São Paulo, pois estas duas variáveis possuem influência significativa nas flutuações dos preços do leite, conforme os percentuais encontrados na decomposição da variância dos erros de previsão. 3.4. Resultados da Função-Impulso Resposta para o Modelo 1 Os gráficos da Figura 1 possibilitam evidenciar a direção e o comportamento dos preços do leite ao longo do período estudado. Os gráficos da primeira coluna representam os efeitos do choque na variável l PPMG sobre as três variáveis (l PPMG, l PAtMG e l PVarSP). Com relação às respectivas funções de impulso-resposta, em que um choque sobre preços de leite recebidos pelos produtores em Minas Gerais, conduz a um impulso-resposta de declínio nos preços recebidos pelos próprios produtores de Minas Gerais até o sétimo mês, e obtém taxas crescentes a partir do oitavo mês. Os resultados mostram que dado um choque sobre os preços do leite recebidos pelos produtores, o impulso-resposta da variável preços no atacado em Minas Gerais inicialmente tendem a decair até próximo do quarto mês. Contudo a partir do quinto mês os preços do leite refletem um crescimento a maiores taxas percentuais. Quanto ao impulso-resposta da variável preços do leite no varejo em São Paulo, inicialmente a função decai exponencialmente até aproximadamente o oitavo mês, e a partir desse ponto, sofre uma reversão e tende a elevar se. Após um choque inicial em l PAtMG sobre l PPMG, representado na segunda coluna, a função de impulso-resposta tende a crescer, e em torno do quarto mês obtém um declínio considerável. Em relação ao impulso-resposta sobre a própria variável os percentuais são decrescentes e tende a zero, a partir do segundo mês. Já a função impulso-resposta da variável l PVarSP, conduz a uma elevação dos preços do leite desde o período inicial até o oitavo mês, no qual sofre uma queda nos períodos subsequentes. Os gráficos da terceira coluna representam o choque na variável l PVarSP sobre l PPMG, l PAtMG e l PVarSP e suas respectivas funções de impulso-resposta. Inicialmente um choque nos preços de leite no varejo em São Paulo, reproduz a uma elevação nos preços recebidos pelos produtores em Minas Gerais até o oitavo mês, e a partir deste ponto os preços tendem a decair. O mesmo ocorre no impulso-resposta da variável preços do leite no atacado em Minas Gerais, observa-se que um choque em l PVarSP reflete a elevação dos preços do leite até próximo ao sétimo mês e decaem exponencialmente nos períodos subsequentes. Com relação ao impulso-resposta da variável preços no varejo em São Paulo, desde o segundo mês os percentuais dos preços são crescentes decaindo próximo ao décimo primeiro mês.
l_p_ao_p_mg -> l_p_ao_p_mg l_p_at_mg -> l_p_ao_p_mg l_p_no_var_sp -> l_p_ao_p_mg 5,5 -,5 - -5 2 4 6 8 1 12,5,45,4,35,3 5 5,5 2 4 6 8 1 12,3 5 5,5 2 4 6 8 1 12 l_p_ao_p_mg -> l_p_at_mg l_p_at_mg -> l_p_at_mg l_p_no_var_sp -> l_p_at_mg -,2 -,4 -,6 -,8 - -2-4 -6-8 - 2 4 6 8 1 12,6,5,4,3-2 4 6 8 1 12,32,3 8 6 4 2 8 6 4 2 4 6 8 1 12 l_p_ao_p_mg -> l_p_no_var_sp l_p_at_mg -> l_p_no_var_sp l_p_no_var_sp -> l_p_no_var_sp -,1 -,2 -,3 -,4 -,5 -,6 -,7 2 4 6 8 1 12 4 2,8,6,4,2 2 4 6 8 1 12 95 9 85 8 75 7 65 2 4 6 8 1 12 Figura 1. Funções impulso resposta para as variáveis l PPMG, l PAtMG e l PVarSP Fonte: Dados da Pesquisa. Legenda: Preços logaritmizados recebidos pelo produtor em Minas Gerais (l_p_ao_p_mg), preços logaritmizados no atacado em Minas Gerais (l_p_at_mg) e preços logaritmizados no varejo em São Paulo (l_p_no_var_sp). 3.5. Decomposição da Variância para o Modelo 2 Os resultados demonstrados na Tabela 5 referem-se à decomposição da variância dos erros de previsão para as variáveis l PPSP, l PAtSP e l PVarSP. Como realizado para o
modelo 1, as variáveis do modelo 2 também foram logaritmizadas com o objetivo de uniformizar a variância. Na primeira coluna é apresentada as variáveis que foram atribuídas a um choque não antecipado, a segunda coluna representa os períodos analisados expressos em meses, a terceira, quarta e quinta colunas são apresentadas as proporções dos erros de previsão para cada variável do modelo 2. Tabela 5. Resultados da decomposição da variância dos erros de previsão em percentuais do Modelo 2 Variáveis Período l PPSP l PAtSP l PVarSP 1 53,7196 43,7726 2,577 2 28,676 66,3 5,329 3 17,43 72,1286 1,8285 l PPSP 4 11,4867 72,5693 15,944 6 7,356 67,3656 25,2837 9 5,9645 58,8858 35,1497 12 5,653 54,9459 39,438 l PAtSP l PVarSP Fonte: Dados da Pesquisa. 1, 88,9276 11,724 2,8566 83,347 15,828 3,9334 8,2953 18,7713 4,82 76,6629 22,5369 6,687 69,9956 29,3237 9,6442 64,917 34,4451 12,82 62,759 36,4291 1,, 1, 2 1,458 7,7286 9,8657 3 3,595 9,6427 87,2977 4 3,7417 12,316 83,9423 6 3,9162 15,6827 8,411 9 3,633 16,8893 79,484 12 3,496 16,1794 8,33 Conforme os resultados obtidos, pode-se inferir por meio da análise da decomposição da variância dos erros de previsão na Tabela 5, que ao dar um choque não antecipado na variável l PPSP, revela que 53,7% das flutuações nos preços são explicados por seu próprio erro de previsão, em um primeiro momento, e ao decorrer dos períodos estes percentuais decaem. Isto significa que o poder de explicação da formação de preços do leite é transferido para as variáveis l PAtSP e l PVarSP. As oscilações nos percentuais dos erros de previsão na variável l PAtSP são maiores, sendo no 1º mês de 43,7%, atingindo o pico (72,5%) no 4º mês, e decaem nos demais períodos até atingir 54,9% no 12º mês. Quanto à variável l PVarSP, o percentual de participação dos erros de previsão na formação de preços é crescente desde o 1º mês, atingindo o valor máximo de 39,4% após terem decorrido 12 meses. A decomposição da variância dos erros de previsão da variável l PAtSP, por sua vez, demonstra que 88,92% explicam o poder de formação de preços do leite, em um primeiro momento e depois de decorridos 12 meses, as flutuações nos erros de previsão do atacado continuam sendo explicados em sua maior parte por ela mesma (62,7%), enquanto que 36,4% são atribuídos a variações nos preços no varejo. O poder de explicação da variável l PPSP dado um choque não antecipado na variável l PAtSP praticamente não chega a 1%, sendo assim, infere-se que o poder de formação de preços concentra-se nas variáveis l PAtSP e l PVarSP quando há um choque não antecipado em l PAtSP.
Com relação ao choque não antecipado na variável l PVarSP, os resultados demonstram que a decomposição da variância dos erros de previsão dos preços do leite depende 1% do próprio preço no varejo, em um primeiro momento. Decorridos 12 meses das variações nos preços, 8,3% são explicados pela própria variável, 16,1% são atribuídos a variações dos preços no atacado e apenas 3,4% são responsáveis pelas variações no preço ao produtor. Fica demonstrado que quando se analisa a decomposição da variância dos erros de previsão dos preços ao produtor, atacado e varejo para o Estado de São Paulo, os resultados evidenciam que a predominância no poder de explicação da formação de preço do leite está concentrada em sua maior parte no atacado, e o varejo por sua vez, também exerce uma influência significativa em termos percentuais sobre o poder de formação de preço do leite. 3.6. Resultados da Função-Impulso Resposta para o Modelo 2 Na Figura 2, encontram-se os gráficos que servem de suporte para evidenciar a direção e o comportamento dos preços de leite praticados no mercado de São Paulo ao longo do período analisado. Os gráficos da primeira coluna representam o choque na variável l PPSP sobre l PPSP, l PAtSP e l PVarSP e suas respectivas funções de impulso-resposta. Após um choque inicial de l PPSP sobre a própria variável, reproduz um impulso-resposta de declínio nos preços de leite recebidos pelos próprios produtores até o sétimo mês, se recuperando a partir dos períodos subsequentes. Em relação ao choque nos preços de leite recebidos pelos produtores à resposta dos preços no atacado em São Paulo, inicialmente sofrem flutuações, elevando-se entre o primeiro e segundo mês, e decaem entre o segundo e sexto mês, recuperando-se nos meses decorrentes. Já a função de impulso-resposta da variável preço no varejo em São Paulo, reflete uma elevação entre o primeiro e terceiro mês, decai nos períodos seguintes e estabiliza-se a partir do décimo mês. Nos gráficos da segunda coluna ocorre um choque em l PAtMG que provoca um impulso-resposta nas variáveis l PPSP, l PAtSP e l PVarSP. Infere-se que um choque em l PAtMG reproduz uma elevação nos preços recebidos pelos produtores em São Paulo até o quarto mês, e a partir deste ponto os preços tendem a decair exponencialmente. Para o impulso-resposta da variável preços do leite no atacado em São Paulo, os preços decaem sucessivamente entre o primeiro e nono mês, e a partir do décimo mês os preços do leite refletem um crescimento. Com relação à resposta da variável preços no varejo em São Paulo, ocorrem flutuações no crescimento dos preços entre o primeiro e sexto período, e por sua vez tendem a decair no decorrer dos meses seguintes. Quanto aos gráficos da terceira coluna, estes representam o choque na variável l PVarSP sobre l PPSP, l PAtSP e l PVarSP e suas respectivas funções de impulso-resposta. Observa-se que um choque em PVarSP reflete a elevação dos preços do leite recebido pelos produtores entre o primeiro e sexto mês, decaindo gradativamente nos períodos subsequentes.
l_p_ao_p_sp -> l_p_ao_p_sp l_p_at_sp -> l_p_ao_p_sp l_p_no_var_sp -> l_p_ao_p_sp 8 6 4 2,8,6,4,2 -,2 2 4 6 8 1 12,5,45,4,35,3 5 5,5 -,5 2 4 6 8 1 12,35,3 5 5,5 2 4 6 8 1 12 l_p_ao_p_sp -> l_p_at_sp l_p_at_sp -> l_p_at_sp l_p_no_var_sp -> l_p_at_sp,8,6,4,2 -,2 2 4 6 8 1 12,7,6,5,4,3-2 4 6 8 1 12,36,34,32,3 8 6 4 2 8 6 4 2 4 6 8 1 12 l_p_ao_p_sp -> l_p_no_var_sp l_p_at_sp -> l_p_no_var_sp l_p_no_var_sp -> l_p_no_var_sp,6,5,4,3,2,1 2 4 6 8 1 12 4 2,8,6,4,2 2 4 6 8 1 12 55 5 45 4 35 3 25 2 15 1 5 2 4 6 8 1 12 Figura 2. Função impulso resposta para as variáveis l PPSP, l PAtSP e l PVarSP Fonte: Dados da Pesquisa. Legenda: Preços logaritmizados recebidos pelo produtor em São Paulo (l_p_ao_p_sp), preços logaritmizados no atacado em São Paulo (l_p_at_sp) e preços logaritmizados no varejo em São Paulo (l_p_no_var_sp). O mesmo ocorre na função de impulso-resposta da variável preços no atacado em São Paulo, verifica-se que um choque em l PVarSP reproduz uma elevação nos preços do leite no atacado do primeiro ao quarto mês, e a partir deste ponto decaem até o décimo segundo período. Em relação ao impulso-resposta sobre a própria variável os percentuais são
decrescentes até o segundo mês, e a partir deste ponto reproduz uma elevação nos percentuais de preços em torno do nono mês, e tende a decair nos demais períodos correntes. 4. Considerações Finais Este trabalho propôs a estudar as possíveis implicações que os preços de leite praticados no varejo de São Paulo podem impactar sobre o comportamento dos preços do leite no mercado de Minas Gerais. Um segundo modelo foi proposto com objetivo de mensurar a elasticidade de transmissão de preços de leite no mercado interno de São Paulo, abrangendo os preços recebidos ao nível do produtor, atacado e varejo. Para tanto foi empregada a metodologia de Vetores Auto-Regressivos (VAR). No período que compreende julho de 24 a outubro de 213, foi evidenciado, por meio dos resultados do modelo 1, que as variações nos preços de leite ao produtor e atacado de Minas Gerais sofrem influência significativa dos preços praticados no mercado varejista de São Paulo. Em relação ao modelo 2 observa-se que as respostas encontradas são similares ao do modelo 1, com a ressalva de que esta análise refere-se ao mercado interno de São Paulo. Assim, a predominância no poder de explicação da formação de preço do leite está concentrada, em sua maior parte, no atacado e posteriormente no varejo. Infere-se ainda, que a variação no preço do leite pago ao produtor é fortemente influenciada pelo preço praticado no atacado, tanto no mercado de Minas Gerais como de São Paulo. E, os resultados encontrados pela função de impulso-resposta ratificam os encontrados na decomposição da variância. Como o produtor possui pouca influência sobre a formação de preços, neste caso pode ser considerado um tomador de preços em ambos os mercados analisados. Por fim, ressalta-se que São Paulo exerce influência significativa na formação de preços de leite, pois é o maior consumidor de produtos lácteos do país apesar de não estar entre os maiores produtores, papel este que cabe a Minas Gerais que se destaca como a maior bacia leiteira do país. 5. Referências ARAÚJO, A. R. M. de. et al. Classificando os custos da sustentabilidade: uma proposta de classificação para uma empresa do ramo de pesquisa agropecuária e extensão rural. Custos e @gronegócio on line, v. 9, n. 3, jul./set., 213. BARROS, G. S. A. C.; BURNQUIST, Heloísa L. Causalidade e transmissão de preços agrícolas entre níveis de atacado e varejo. In: ENCONTRO LATINO AMERICANO DA ECONOMETRIC SOCIETY, 7., São Paulo, 1987. Anais... São Paulo, s. ed., 1987. p.175-19. BARROS, G. S. C. Transmissão de preços pela central de abastecimento de São Paulo, Brasil. R. Bras. Econ., Rio de Janeiro, n. 44, p. 5-2, jan./mar., 199. CAVALCANTI, M. A. F. H. Identificação de modelos var e causalidade de Granger: uma nota de advertência. Economia Aplicada, v. 14, n. 2, p. 251-26, 21.
CEPEA Centro de Estudo Avançados em Economia Aplicada, ESALQ/USP. Derivados no atacado. Valores médios em cinco estados e média Brasil. Disponível em: <http://cepea.esalq.usp.br/leite/?page=16>. Acessado em: 11 nov. 213. CEPEA Centro de Estudo Avançados em Economia Aplicada, ESALQ/USP. Preço ao produtor. Valores nominais do litro de leite. Disponível em: <http://cepea.esalq.usp.br/leite/?page=155> Acessado em: 11 nov. 213. DIAS, D. F. et al. Análise e transmissão de preço para o leite paranaense utilizando modelos de séries temporais. Trabalho apresentado no XLV Congresso da SOBER Sociedade Brasileira de Economia, Administração e Sociologia Rural Londrina, PR, Brasil, 22 a 25 de julho de 27. FERNANDES, R. A. S. et al. Elasticidade de transmissão e formação espacial de preços de leite ao produtor nos maiores estados produtores. Revista de Economia e Administração, v. 9, n. 3, p. 368-385, jul./set., 21. FIGUEIREDO, A. M. et al. Análise da transmissão de preços no mercado brasileiro de castanha de caju. Documentos Técnico-Científicos, v. 41, n. 4, out./dez., 21. FILHO, R. B. et al. Os efeitos da taxa de câmbio sobre as exportações brasileiras dos complexos soja e carnes. Trabalho apresentado no 48º Congresso da SOBER Sociedade Brasileira de Economia, Administração e Sociologia Rural Campo Grande, MS, Brasil, 25 a 28 de outubro de 21. FILHO, R. R. de L. et al. Setor leiteiro. 213 será um ano de recuperação. Agroanalysis, Fundação Getúlio Vargas, v. 33, n. 6, jun., 213. FONSECA, J. J. S. Metodologia da pesquisa científica. Fortaleza: UEC, 22. Apostila. GAIO, L. E. et al. Causalidade e elasticidade na transmissão de preço do boi gordo entre regiões do Brasil e a bolsa de mercadorias & futuros (BM&F). Organizações Rurais & Agroindustriais, Lavras, v. 7, n. 3, p. 282-297, 26. GIL, A. C. Como elaborar projetos de pesquisa. 4. ed. São Paulo: Atlas, 27. IEA Instituto de Economia Agrícola. Preços médios mensais no varejo. Disponível em: <http://ciagri.iea.sp.gov.br/nia1/precos_medios.aspx?cod_sis=4>. Acessado em: 15 nov. 213. JOHANSEN, Soren; JUSELIUS, Katarina. Maximum likelihood estimation and inference on cointegration with applications to the demand for money. Oxford Bulletin of Economics and Statistics, v. 52, n. 2, p.169-21, 199. LARA, M. Maior bacia do país, Minas Gerais discute pecuária leiteira e produção artesanal do queijo. Belo Horizonte, MG. Disponível em: <http://pecuaria.ruralbr.com.br>. Acessado em: 19 dez. 213.
LOBO, O. A.; NETO, W. A. da S. Transmissão de preços entre o produtor e varejo: evidências empíricas para o setor de carne bovina em Goiás. Conjuntura Econômica Goiana, n. 19, p. 57-63, dez., 211. MARGARIDO, M. A. et al. Análise da elasticidade de transmissão de preços no mercado internacional de soja. Pesquisa & Debate, São Paulo, v. 12, n. 2(2), p. 5-4, 21. MARGARIDO, M. A.; TUROLLA, F. A. Análise da transmissão espacial de preços no mercado internacional de trigo. In: 5 Congresso Brasileiro de Economia, Administração e Sociologia Rural (SOBER), 212, Vitória (ES). 5º Congresso da SOBER 212, 212. MAYORGA, R. O. et al. Análise de transmissão de preços do mercado atacadista de melão do Brasil. RER, Rio de Janeiro, v. 45, n. 3, p. 675-74, jul./set., 27. NEVES, José Luis. Pesquisa qualitativa características, usos e possibilidades. Caderno de Pesquisa em Administração, São Paulo, v.1, n. 3, 2º. sem/1996. RIBEIRO, F. et al. Pecuária leiteira. Ano de recuperação. Agroanalysis, Fundação Getúlio Vargas, v. 33, n. 1, out., 213. RIBEIRO, K. C. de S. et al. Preços do café no Brasil: variáveis preditivas no mercado à vista e futuro. Revista de Gestão USP, São Paulo, v. 13, n. 1, p. 11-3, jan./mar., 26. SIMS, C. Macroeconomics and reality. Econometrica, v. 48, p. 1 48. 198. SILVA, M. B. de; GRIGOLO, T. M. Metodologia da pesquisa e elaboração de dissertação. 3. ed. Florianópolis: EDUFSC, 21. TABOSA, F. J. S. et al. Relacionamento de preços dos principais produtos comercializados entre o mercado produtor de Tianguá na serra da Ibiapaba e mercados atacadistas de Fortaleza e Terezina. Texto para discussão. LER - Laboratório para Estudos Regionais, Sobral, ago., 211. TRIVIÑOS, A. N. S. Introdução à pesquisa em ciências sociais: a pesquisa qualitativa em educação. São Paulo: Atlas, 1987. VIANA, J. G. A. et al. Comportamento dos preços históricos do leite no Rio Grande do Sul, Brasil. Ciência e Agrotecnologia, Lavras, v. 34, n. 2, p. 451-46, mar./abr., 21. WEYDMANN, C. L.; SEABRA, F. Transmissão de preços na cadeia de carne suína: uma aplicação para os preços de São Paulo. Revista de Economia e Agronegócio, v. 4, n. 3, p. 269-288, 26.