Impactos das barreiras ambientais sobre as exportações brasileiras de etanol

Impactos das barreiras ambientais sobre as exportações brasileiras de etanol Pedro Henrique Ramos Cerqueira 1 Giovanna Miranda Mendes 1 Roselaine Bonfim de Almeida 1 Vitor Augusto Ozaki 1 RESUMO Neste trabalho buscou-se analisar o impacto de barreiras ambientais sobre as exportações brasileiras de etanol. Para realizar esta análise foi utilizado o método de Análise de Intervenção. A hipótese do trabalho é que as barreiras ambientais podem influenciar as exportações brasileiras de etanol. A análise considera as exportações brasileiras de etanol para todos os mercados consumidores e o período de análise compreende os anos de 2003 a 2011. Os resultados mostram que embora haja diversas notificações sobre o etanol, elas não podem ser consideradas como uma barreira ambiental nos diversos países importadores. ABSTRACT This work aimed to analyze the impact of environmental barriers on exports from Brazil. The analysis method used was Intervention Analysis. The working hypothesis is that environmental barriers may influence exports from Brazil. The analysis considers the Brazilian ethanol exports to all consumer markets and the period of analysis covers the years 2003 to 2011. The results show that although there are several notifications about ethanol, they can not be considered as an environmental barrier in many importing countries. Palavras-chave: etanol, barreiras ambientais, análise de intervenção, exportação. Keywords: ethanol, environmental barriers, intervention analysis, export. 1 ESALQ/USP. e-mail: phr.cerqueira@usp.br

1. Introdução A produção de cana-de-açúcar no Brasil não é recente, ela data da primeira metade do século XVI. Entretanto, apenas nas últimas décadas esse mercado sofreu transformações estruturais, devido à criação do etanol. O etanol é um biocombustível derivado da cana-de-açúcar que vem ganhando importância crescente no mercado mundial por ser um combustível renovável, e por isso capaz de solucionar o problema da dependência mundial ao petróleo. Além disso, ao comparar-se o etanol puro e a gasolina percebe-se que a combustão nos motores movidos a etanol libera menores níveis de gases causadores do efeito estufa. Até o início da década de 1970 tanto a matriz energética brasileira como a mundial dependiam fortemente do petróleo. Entretanto, no ano de 1973 os países membros da Organização dos Países Exportadores de Petróleo (OPEP) aumentaram o preço do barril de petróleo, afetando economias do mundo todo. Para tentar solucionar o problema da dependência externa de petróleo o governo anunciou algumas medidas que tinham como objetivo encontrar formas alternativas de produção de energia. Segundo Brogio (2009), as principais medidas adotadas pelo governo foram: (i) exploração e prospecção de petróleo no Brasil; (ii) aumento da produção de energia primária hidráulica; (iii) criação de programas alternativos para a substituição de derivados do petróleo. Dentre os programas criados, o único que teve relevância foi o Proálcool. O Proálcool foi criado em 14 de novembro de 1975 por meio do Decreto n 76.593. O objetivo principal do programa era promover a substituição dos derivados de petróleo por uma fonte de energia que pudesse ser produzida internamente, e assim diminuir a dependência externa desse produto. Com isso, o programa priorizou a

substituição da utilização da gasolina por etanol em veículos automotivos (BROGIO, 2009). Mais de três décadas depois do início do Proálcool, o Brasil passa por uma forte expansão da atividade canavieira, impulsionada principalmente pelo aumento da demanda interna de etanol. Esse aumento da demanda teve como motivo principal a utilização desse produto pelos carros flex-fuel, que são veículos que podem ser abastecidos por gasolina, etanol ou uma mistura de ambos. A tecnologia capaz de produzir os motores flex-fuel foi introduzida no Brasil em março de 2003 e já em 2005 a produção de automóveis biocombustíveis ultrapassou a produção de automóveis movidos à gasolina. As vantagens trazidas pela utilização da tecnologia flex-fuel, associadas à disponibilidade de etanol, tornaram a tecnologia de produção dos carros flex-fuel padrão na produção dos veículos novos leves (RACHED, 2011). Vale ressaltar que o aumento da demanda interna de etanol foi acompanhado do aumento da demanda externa. Esse grande aumento deu-se no ano de 2004. Enquanto em 2003 o Brasil exportava 757 milhões de litros de etanol, em 2004 as exportações saltaram para 2,408 bilhões de litros (RACHED, 2011). Um aspecto a ser observado é que existem vários fatores que podem influenciar essas exportações. Neste trabalho destacamos o papel desempenhado pelas barreiras ambientais. As barreiras ambientais são medidas impostas pelos países importadores para proteger o meio ambiente. O problema reside no fato de que essas medidas ambientais podem acabar se tornando uma barreira ao comércio entre os países. Desta forma, o objetivo deste artigo é identificar essas medidas ambientais impostas sobre as exportações brasileiras de etanol e verificar o seu efeito sobre essas exportações. Assim, queremos verificar se essas medidas ambientais podem se tornar uma barreira

ambiental, capaz de distorcer o comércio e aumentar os custos de produção dos exportadores de etanol. Partimos da hipótese de que essas medidas ambientais influenciam as exportações brasileiras de etanol, gerando distorções no comércio internacional e, portanto, se tratando de barreiras ambientais. Este trabalho foi organizado em quatro seções. Nesta primeira seção, além da introdução temos uma breve discussão sobre barreiras à exportação de etanol. A Seção 2 apresenta a Metodologia dos Modelos Sarima e de Análise de Intervenção, além da Fonte de Dados. Os Resultados são apresentados na Seção 3 e as principais conclusões do trabalho na Seção. 4. 1.1. Barreiras à exportação de etanol As exportações brasileiras de etanol podem ser afetadas por barreiras tarifárias ou não tarifárias impostas por países importadores para proteger seus produtos domésticos, resultando em redução da competitividade do etanol no mercado mundial. Mas, com a criação da Organização Mundial do Comércio OMC, em 1995, houve maior liberalização comercial entre os países visto que o objetivo da criação desta foi a redução de tarifas de importação para garantir o livre comércio e evitar protecionismos por parte dos países importadores. Desta forma, os maiores empecilhos as exportações de etanol são as barreiras não tarifárias que surgiram ao longo dos anos como uma nova forma de protecionismo dos países importadores. Segundo Beghin (2006), as barreiras não tarifárias BNT s 2 2 Estas intervenções podem ser do tipo quotas de importação, restrições voluntárias as exportações, barreiras técnicas ao comércio ou medidas sanitárias e fitossanitárias

são as diversas intervenções políticas que afetam e distorcem o comércio de bens, serviços e fatores de produção. Alguns países estabelecem normas (padrões voluntários), e regulamentos (mandatórios) técnicos ou sanitários/fitossanitários, sendo os primeiros destinados ao controle da qualidade e os regulamentos a segurança do consumidor. As exigências têm como objetivo proteger o consumidor, a saúde humana, vegetal e animal no país importador. E, a OMC atua nesse sentido com o intuito de evitar restrições desnecessárias e de harmonizar as normas e regulamentos técnicos entre os países. De acordo com Almeida (1997), com a Rodada do Uruguai, em 1994, a discussão na OMC abrangeu também o impacto das políticas comerciais sobre o meio ambiente. O debate sobre o meio ambiente nesta Rodada foi incentivada pelo intenso debate resultante da Conferência do Rio em 1992. Embora já houvesse ocorrido a Conferência de Estocolmo, em 1972, foi na conferencia do Rio que a discussão ambiental alcançou maiores proporções nos debates de comércio internacional. E, a partir da Rodada de Doha em 2001, a discussão sobre o meio ambiente passou a ser primordial nas discussões desses acordos. Também há o Acordo sobre Barreiras Técnicas ao Comércio (Techical Barriers to Trade TBT) criado na Rodada do Uruguai que tem como objetivo proteger a segurança e saúde humana, vegetal e ambiental ou do meio ambiente (OMC, 1994). Contudo, há um trade off entre o livre comércio e a proteção ambiental uma vez que determinadas políticas podem causar danos ao meio ambiente e ao mesmo tempo, as regulações ambientais também podem distorcer o livre comércio e aumentar os custos de produção (ALMEIDA, 1997; PORTER, LINDE, 1995).

Em função do surgimento das barreiras ambientais, os países exportadores têm tentado adequar-se aos padrões internacionais através de selos ambientais que contém informações ao consumidor acerca do produto e podem ser confeccionados pelo próprio fabricante ou por órgãos independentes (CASTRO; CASTILHO; MIRANDA, 2004). E, a rotulagem ambiental é discutida na Organização Internacional de Normalização ISO, desde 1994, com participação do Brasil, sendo seu representante a Associação Brasileira de Normas Técnicas - ABNT. Segundo Rached (2011), os importadores exigem certificação para o etanol para evitar que ele não seja produzido através de desmatamento e também condições subhumanas. Embora a legislação brasileira seja rigorosa, as exigências internacionais focam na produção da cana-de-açúcar porque esta afeta o meio ambiente através da monocultura, das queimadas e do uso de agrotóxicos que emitem gases poluentes e contaminam também a água e o solo. A análise destas barreiras é importante para evitar que tais medidas afetem o livre comércio e a competitividade do etanol brasileiro no mercado internacional. E, além disso, não reduza o uso de um combustível menos poluente que os combustíveis fósseis, alcançando assim os objetivos de preservação do meio ambiente bem como fatores econômicos e sociais. 2. Metodologia Segundo Morettin e Toloi (2004) uma Metodologia muito utilizada para análise de séries temporais é a abordagem de Box e Jenkins (1970) que consiste em ajustar modelos autorregressivos integrados de médias móveis, ARIMA (p,d,q) de uma série temporal. Contudo, ao longo do tempo, a série pode apresentar sazonalidade, o que

influenciará no seu processo gerador. Nesses casos, recomenda-se o uso dos modelos SARIMA. Estes modelos captam a sazonalidade estocástica na estimação e eliminam a componente sazonal determinística da série. Assim, o SARIMA (p,d,q)x(p,d,q) s com sazonalidade de ordem s é dado por: s d D s (B) (B ) s Z t (B) (B )a t (1) em que (B) é o operador autorregressivo (AR) de ordem p; (B), é o operador de médias móveis (MA) de ordem q; (B), é o operador autorregressivo (AR) sazonal de ordem P; (B), é o operador de médias móveis (MA) sazonal de ordem Q; d, o operador da diferença; D 12, o operador da diferença sazonal; e, a t é um ruído branco. Após a estimação dos modelos SARIMA para as séries valor e quantidade exportada de etanol, serão realizados os testes dos resíduos dos modelos e suas funções de autocorrelações e de autocorrelações parciais para verificar o ajustamento da série. Todos estes procedimentos serão melhor detalhados posteriormente nos resultados. 2.1. Análise de Intervenção Segundo Vandaele (1983), uma série temporal pode ser impactada por eventos externos, denominados intervenções. Estas intervenções são variáveis binárias inseridas como uma série temporal nos modelos ARIMA e podem ser de dois tipos: Função Pulse ( P ) ou Função Step ( S ). A função Pulse tem valor um no momento T da intervenção T t T t e valor zero para os demais períodos, enquanto a Função Step tem valor um após a intervenção no período T e valor zero antes desta ocorrer.

Elas são representadas da seguinte forma: I I t t T 0: t T St 1: t T T 0: t T Pt 1: t T (2) Cabe ressaltar que os efeitos destas variáveis de intervenção podem ser permanentes ou temporários. Assim, partindo de um modelo ARIMA (p,d,q), a série temporal é representada da seguinte forma: Z t ( B) ( B)(1 B) d a t (3) em que Z t é a série temporal em análise;, o parâmetro de médias móveis;, o parâmetro autorregressivo; e a t o ruído branco. denotada por: Ao incorporar o modelo de intervenção no ARIMA, a equação passa a ser T ( B) Zt ( B) It a d t ( B)(1 B) (4) em que ( B) ( B) ( B), ou alternativamente, como: Z ( B) I T N (5) t t t O mesmo procedimento da inserção da variável binária se adéqua aos modelos SARIMA. Além disso, no presente trabalho a função utilizada será a Função Pulse uma vez que as intervenções têm uma data de ocorrência específica, referente ao mês da notificação na OMC.

2.2. Fonte de Dados A base de dados utilizada para o etanol foi obtida do Ministério do Desenvolvimento, Indústria e Comércio Exterior pelo Sistema de Análise das Informações de Comércio Exterior via Internet ALICEWEB, da Secretaria de Comércio Exterior - SECEX. Foram utilizadas as séries de valor exportado US$ (FOB) e quantidade (litros) para o etanol, entre Agosto de 2003 e Agosto de 2011. No Sistema Harmonizado, o código do etanol com quatro dígitos é 27.10 e se refere ao álcool etílico não desnaturado, ou seja, álcool combustível. E, portanto utilizaram-se os códigos 27.10.10.00 a 27.10.20.19, excluindo apenas a aguardente por não se tratar de álcool etílico para combustível. E, para as barreiras não tarifárias foram utilizadas as notificações dos documentos online da OMC, emitidos por todos os países com exceção apenas do Brasil. Especificamente, optou-se por notificações para o etanol envolvendo apenas medidas técnicas do Acordo TBT. A escolha do ano de 2003 reside no fato de que, como vimos anteriormente, nesse ano foi introduzida no Brasil a tecnologia produtora dos carros flex-fuel, que mudaram de uma vez por toda a história da indústria automobilística brasileira. 3. Resultados 3.1. Variável valor A série valor exportado de etanol demonstra graficamente não ser estacionária, conforme a Figura 1 (a). Pela análise da função de autocorrelação e da função de autocorrelação parcial, na Figura 1 (b), confirma que a série não é estacionária.

Partial -0.2 0.2 0.6 Valor2 17.5 18.0 18.5 19.0 19.5 20.0 0 20 40 60 80 100 Index (a) Series Valor2 0 5 10 15 Series Valor2 5 10 15 Figura 1 - (a) Gráfico da disposição dos dados ao longo do tempo; (b) Gráfico das Autocorrelações e Autocorrelações parciais (b) Também foi verificada a variabilidade dos dados. Pela Figura 2 (a) pode-se observar que a variabilidade aumenta ao longo do tempo, indicando tendência e levando à não homogeneidade da variância. Assim utilizou-se a transformação logarítimica que, conforme pode ser verificado pela Figura 2 (b), a variabibilidade foi controlada.

Desvio-padrão 5.0e+07 1.0e+08 1.5e+08 Desvio-padrão 0.1 0.2 0.3 0.4 0.5 0.6 0.7 Verificação da Variabilidade Verificação da Variabilidade 1e+08 2e+08 3e+08 4e+08 Média (a) 18.0 18.5 19.0 19.5 Média (b) Figura 2 - (a) Gráfico da Variabilidade dos dados sem transformação; (b) Gráfico da variabilidade dos dados com a transformação logarítimica Para comprovar a estacionariedade da série realizou-se o teste de Dickey Fuller Aumentado e, com um p-valor de 0,3802, constatou-se que a série não é estacionária. Outro teste que também foi aplicado foi o teste de Shapiro-Wilk para verificar a normalidade dos dados. Como o p-valor foi de 0,1616 a série apresenta normalidade ao nível minímo de significância de 5%. Dada a não estacionariedade da série, foi necessário realizar uma diferença para torná-la estacionária. Pelo teste de Dick-Fuller Aumentado foi obtido o p-valor de 0,01, indicando que a série passou a ser estacionária. Pela Figura 3 pode-se observar em (a) a série temporal com uma diferença e em (b) verificar a estacionariedade da série.

diff(valor2) -0.5 0.0 0.5 1.0 Partial -0.4-0.2 0.0 0.2 Series diff(valor2) Primeira diferença Dólar FOB 0 10 20 30 40 Series diff(valor2, lag.max = 48) 0 20 40 60 80 Time (a) 5 10 15 (b) Figura 3 - (a) Gráfico da série com uma diferença no logaritmo da séries; (b) Gráfico das autocorrelações e autocorrelações parciais para uma diferença no logaritmo da série. Pela Figura 3 (b) foram selecionados os modelos a serem testados. A princípio optou-se pelo modelo ARIMA(1,1,2). Pode-se verificar pelas Figuras 5 e 6, que representam as análises de resíduos, que o modelo foi bem ajustado. Entretanto, ao observar a Figura 6, verificou-se que há dois lags que estão fora, levando assim há duas alternativas: controlar os lags por meio de modelos sazonais ou adicionar parâmetros no modelo.

Partial -0.2 0.0 0.2 p value 0.0 0.4 0.8 Sample Quantiles -0.5 0.0 0.5 Density 0.0 0.5 1.0 1.5-3 -1 1 2 3 4 Standardized Residuals Histogram of res_arima_1 0 20 40 60 80 100 Time of Residuals -0.5 0.0 0.5 1.0 res_arima_1 0 5 10 15 p values for Ljung-Box statistic Normal Q-Q Plot 2 4 6 8 10 Figura 4: Gráfico para os resíduos padronizados ao longo do tempo, autocorrelações residuais e p valores para o teste de Ljung-Box para o modelo ARIMA (1,1,2). lag -2-1 0 1 2 Theoretical Quantiles Figura 5: Histograma para resíduos e normal plot para o modelo ARIMA (1,1,2). Series arima_1$resid 0 5 10 15 Series arima_1$resid 5 10 15 Figura 6: Autocorrelações e autocorrelações parciais dos resíduos para o modelo ARIMA(1,1,2). Os modelos ajustados e seus respectivos valores dos critérios de AIC, BIC e variância, podem ser vistos na Tabela 1.

p value 0.0 0.4 0.8 p value 0.0 0.4 0.8-2 0 1 2 3 4-2 0 1 2 3 4 Tabela 1- Tabela com os modelos ajustados com os valores de AIC, BIC e Variância Modelo AIC BIC Variância ARIMA(1,1,13) -9,57 31,46 0,03726 ARIMA(12,1,2) -12,31 28,72 0,04398 SARIMA(1,1,2)(1,0,1) 13-8,80 9,15 0,04462 SARIMA(1,1,2)(1,0,0) 13-10,73 4,16 0,04468 SARIMA(1,1,2)(0,0,1) 13-8,77 6,62 0,04585 Pelo critério AIC o modelo selecionado foi o ARIMA(12,1,2), com valor de -12,31, conforme Tabela 1. O segundo modelo escolhido pelo critério AIC é o modelo SARIMA(1,1,2)(1,0,0) 13, com valor de -10,73. Testes realizados nestes modelos mostraram que para ambos os casos não ocorreu problemas de normalidade. Além disso, as Figuras 7, 8 e 9 mostram que os dois modelos foram bem ajustados. Standardized Residuals Standardized Residuals 0 20 40 60 80 100 Time of Residuals 0 20 40 60 80 100 Time of Residuals 0 5 10 15 p values for Ljung-Box statistic 0 5 10 15 p values for Ljung-Box statistic 2 4 6 8 10 (a) lag 2 4 6 8 10 (b) lag Figura 7: Gráfico de resíduos padronizados, autocorrelações resíduais e valores de p para o teste de Ljung-Box para os modelos, (a) ARIMA(12,1,2) e (b) SARIMA(1,1,2)(1,0,0) 13.

Partial -0.2 0.0 0.1 0.2 Partial -0.2 0.0 0.1 0.2 Sample Quantiles -0.4 0.0 0.4 0.8 Sample Quantiles -0.4 0.0 0.4 0.8 Density 0.0 0.5 1.0 1.5 2.0 Density 0.0 0.5 1.0 1.5 2.0 Histogram of res_arima_12 Histogram of res_arima_12-0.5 0.0 0.5 1.0 res_arima_12-0.5 0.0 0.5 1.0 res_arima_12 Normal Q-Q Plot Normal Q-Q Plot -2-1 0 1 2 (a) Theoretical Quantiles -2-1 0 1 2 Theoretical Quantiles Figura 8: Histograma para os resíduos e Normal plot para os resíduos para os modelos (a) ARIMA(12,1,2) e (b) SARIMA(1,1,2)(1,0,0) 12. (b) Series arima_12$residuals Series arima13$residuals 0 5 10 15 Series arima_12$residuals 0 5 10 15 Series arima13$residuals 5 10 15 (a) 5 10 15 (b) Figura 2: Autocorrelações e autocorrelações parciais para os resíduos para os modelos (a) ARIMA(12,1,2) e (b) SARIMA(1,1,2)(1,0,0) 13. Como ambos os modelos foram bem ajustados, o passo seguinte foi verificar a significância dos parâmetros dos modelos, assim como da variável dummy. Os resultados obtidos podem ser visualizados pelas Tabelas 2 e 3.

Tabela 2 - Coeficientes para o modelo ARIMA(12,1,2) Coeficientes ar1 ar2 ar3 ar4 ar5 ar6 ar7 ar8 ar9 ar10 ar11 ar12 ma1 ma2 dummy Estimado 0,5504 0 0 0 0 0 0 0 0 0 0 0,3234-0,0601-0,7032 0,0251 s.e. 0,1203 0 0 0 0 0 0 0 0 0 0 0,0849 0,1160 0,0955 0,0233 Tabela 3 - Coeficientes para o modelo SARIMA(1,1,2)(1,0,0)13 Coeficientes ar1 ma1 ma2 sar1 Dummy Estimado 0,5942-0,0836-0,6910 0,3966 0,0286 s.e. 0,1408 0,1066 0,0772 0,1056 0,0213 Para o modelo ARIMA(12,1,2) tem-se que os parâmetros significativos foram dois da parte autoregressiva o 1 e o 12, e um de médias móveis, o 2. A variável dummy não foi significativa. Para o modelo SARIMA(1,1,2)(1,0,0) 13 tem-se que os parâmetros significativos foram dois da parte autoregressiva, um parâmetro relacionado à parte sazonal e outro não, e um de médias móveis, o 2. A variável dummy não foi significativas. Para ambos os modelos utilizados pode-se verificar que a parte de médias móveis possui um parâmetro significante, e que não há efeitos das variáveis dummy s no modelo. 3.2. Variável quantidade Primeiramenteo foi verificada a normalidade dos dados pelo teste de Shapiro- Wilk, como o p-valor foi de 0,1616 a série apresenta normalidade ao nível minímo de significância de 5%.

Desvio-padrão 1e+07 2e+07 3e+07 4e+07 5e+07 6e+07 Desvio-padrão 0.1 0.2 0.3 0.4 0.5 0.6 0.7 Quantidade2 18.0 18.5 19.0 19.5 20.0 20.5 Pela Figura 10 pode-se observar que não há indícios de estacionáriedade e pela Figura 11 (a) pode-se observar que a variabilidade aumenta ao longo do tempo, indicando tendência levando à não homogeneidade da variância, assim utilizou-se a transformação logarítimica e pode-se verificar pela Figura 11 (b) que com essa foi possível controlar a variabibilidade. 0 20 40 60 80 100 Index Figura 3 - Gráfico da disposição dos dados ao longo do tempo Verificação da Variabilidade Verificação da Variabilidade 2.0e+07 4.0e+07 6.0e+07 8.0e+07 1.0e+08 1.2e+08 (a) Média 19.0 19.2 19.4 19.6 19.8 20.0 20.2 20.4 (b) Média Figura 11 - Gráfico da Variabilidade dos dados sem transformação; (b) Gráfico da variabilidade dos dados com a transformação logarítimica Pela Figura 12 pode-se verificar que a série não era estacionária. Pelo teste de Dick-Fuller para a série sem diferença foi obtido o p-valor de 0,2573, e para a série com

diff(quantidade2) -0.5 0.0 0.5 1.0 Partial -0.4 0.0 0.2 0.4 Partial -0.4 0.0 0.4 0.8 uma diferença o p-valor foi 0,01, assim foi necessário realizar uma diferença. para Pela Figuras 13 pode-se observar em (a) a série temporal com uma diferença e por (b) podese verificar que há estacionáriedade da série. Series Quantidade2 0 5 10 15 Series Quantidade2 5 10 15 Figura 12 - Gráfico das Autocorrelações e Autocorrelações parciais. Series diff(quantidade2) Primeira diferença Dólar FOB 0 10 20 30 40 50 Series diff(quantidade2, lag.max = 55) 0 20 40 60 80 (a) Time 5 10 15 (b) Figura 43 - (a) Gráfico da série com uma diferença no logaritmo da série; (b) Gráfico das autocorrelações e autocorrelações parciais para uma diferença no logaritmo da série. Pela Figura 13 (b) podemos determinar modelos a serem testados e a princípio optamos pelo modelo ARIMA(1,1,2). Pode-se verificar pelas Figuras 14 e 15, que

p value 0.0 0.4 0.8 Sample Quantiles -0.5 0.0 0.5 Density 0.0 0.5 1.0 1.5-3 -1 1 2 3 representam as análises de resíduos, que o modelo foi bem ajustado. Entretanto, ao observar a Figura 16, verifica-se que há dois lags que estão fora, levando assim a duas alternativas: controlar os lags por meio de modelos sazonais ou adicionar parâmetros no modelo. Os modelos ajustados e seus respectivos valores de AIC, BIC e variância, podem ser vistos na Tabela 4. Standardized Residuals Histogram of res_arima_1 0 20 40 60 80 100 Time of Residuals -0.5 0.0 0.5 res_arima_1 0 5 10 15 Normal Q-Q Plot p values for Ljung-Box statistic 2 4 6 8 10 Figura 14: Gráfico para os resíduos padronizados ao longo do tempo, autocorrelações residuais e p valores para o teste de Ljung-Box para o modelo ARIMA (1,1,2). lag -2-1 0 1 2 Theoretical Quantiles Figura 155: Histograma para resíduos e normal plot para o modelo ARIMA (1,1,2).

Partial -0.2 0.0 0.2 Series arima_1$resid 0 10 20 30 40 Series arima_1$resid 0 10 20 30 40 Figura 16: Autocorrelações e autocorrelações parciais dos resíduos para o modelo ARIMA(1,1,2). Pela Tabela 4 pode-se observar que pelo critério AIC escolhe-se o modelo ARIMA(12,1,2) com valor de -20,28. O segundo modelo escolhido pelo critério AIC é o modelo SARIMA(1,1,2)(1,0,0) 13, com valor de -17,57. Testes realizados nestes modelos mostraram que para ambos os casos não ocorreu problemas de normalidade. Além disso, as Figuras 18,1 9 e 20 mostram que os dois modelos foram bem ajustados.

Sample Quantiles -0.4 0.0 0.4 Sample Quantiles -0.6-0.2 0.2 0.6 Density 0.0 0.5 1.0 1.5 2.0 Density 0.0 0.5 1.0 1.5 p value 0.0 0.4 0.8 p value 0.0 0.4 0.8-2 0 1 2 3-3 -1 0 1 2 3 Tabela 4: tabela com os modelos ajustados com os valores de AIC, BIC e Variância. Modelo AIC BIC Variância ARIMA(1,1,13) -4,32 36,71 0,04126 ARIMA(12,1,2) -20,28 20,75 0,04013 SARIMA(1,1,2)(1,0,1) 13-15,58 2,37 0, 04126 SARIMA(1,1,2)(1,0,0) 13-17,57-2,19 0, 04127 SARIMA(1,1,2)(0,0,1) 13-15,38 0 0,04243 Standardized Residuals Standardized Residuals 0 20 40 60 80 100 Time of Residuals 0 20 40 60 80 100 Time of Residuals 0 5 10 15 0 5 10 15 p values for Ljung-Box statistic p values for Ljung-Box statistic 2 4 6 8 10 (a) lag 2 4 6 8 10 Figura 6: Gráfico de resíduos padronizados, autocorrelações resíduais e valores de p para o teste de Ljung-Box para os modelos, (a) ARIMA(12,1,2) e (b) SARIMA(1,1,2)(1,0,0) 13. (b) lag Histogram of res_arima_12 Histogram of res_arima13-0.6-0.4-0.2 0.0 0.2 0.4 0.6 0.8 res_arima_12-0.5 0.0 0.5 res_arima13 Normal Q-Q Plot Normal Q-Q Plot -2-1 0 1 2 (a) Theoretical Quantiles -2-1 0 1 2 (b) Theoretical Quantiles Figura 7: Histograma para os resíduos e Normal plot para os resíduos para os modelos (a) ARIMA(12,1,2) e (b) SARIMA(1,1,2)(1,0,0) 12.

Partial -0.2 0.0 0.1 0.2 Partial -0.2 0.0 0.1 0.2 Series arima_12$residuals Series arima13$residuals 0 10 20 30 40 Series arima_12$residuals 0 10 20 30 40 Series arima13$residuals 0 10 20 30 40 0 10 20 30 40 Para ambos os modelos houve um bom ajuste, desta (a) maneira foi verificado a (b) significância dos parâmetros para os modelos, e foi verificado se há efeitos das variáveis Figura 819 - Autocorrelações e autocorrelações parciais para os resíduos para os modelos (a) ARIMA(12,1,2) e (b) SARIMA(1,1,2)(1,0,0) 13. dummy. Os resultados obtidos podem ser visualizados pelas Tabelas 2 e 3. Como ambos os modelos foram bem ajustados, o passo seguinte foi verificar a significância dos parâmetros dos modelos, assim como da variável dummy. Os resultados obtidos podem ser visualizados pelas Tabelas 5 e 6. Tabela 5 - Coeficientes para o modelo ARIMA(12,1,2) Coeficientes ar1 ar2 ar3 ar4 ar5 ar6 ar7 ar8 ar9 ar10 ar11 ar12 ma1 ma2 dummy Estimado 0,5280 0 0 0 0 0 0 0 0 0 0 0,3662-0,0401-0,7592 0,0275 s.e. 0,1055 0 0 0 0 0 0 0 0 0 0 0,0861 0,1044 0,0909 0,0208 Tabela 6 - Coeficientes para o modelo SARIMA(1,1,2)(1,0,0)13 Coeficientes ar1 ma1 ma2 sar1 dummy Estimado 0,6067-0,0944-0,7467 0,4406 0,0341 s.e. 0,1408 0,0918 0,0707 0,1057 0,0193 Para o modelo ARIMA(12,1,2) tem-se que os parâmetros significativos foram dois da parte autoregressiva o 1 e o 12, e um de médias móveis, o 2. A variável dummy não foi significativa. Para o modelo SARIMA(1,1,2)(1,0,0) 13 tem-se que os parâmetros significativos foram dois da parte autoregressiva, um parâmetro relacionado

à parte sazonal e outro não, e um de médias móveis, o 2. A variável dummy não foi significativas. Para ambos os modelos utilizados pode-se verificar que a parte de médias móveis possui um parâmetro significante, e que não há efeitos das variáveis dummies no modelo. Com isso, vimos que não foi possível encontrar um impacto significativo das barreiras ambientais nas duas variáveis de interesse analisadas, ou seja, exportações brasileiras de etanol em termos de quantidade e valor. Esse resultado diverge do esperado porque com a imposição das barreiras ambientais esperava-se uma menor abertura ao comércio de etanol ocasionando a sua diminuição. Entretanto, os resultados indicam que as barreiras ambientais não afetam as exportações brasileiras de etanol. Segundo Potter e Linde (1995), esse resultado pode ser encontrado porque as exigências ambientais, embora acarretem um custo inicial, podem também desencadear inovações que reduzem o custo de produção de um produto, aumentando os ganhos com sua comercialização em função de ganhos de produtividade e extinguindo o trade-off entre produção e proteção ao meio ambiente. Mas, ao mesmo tempo em que medidas de caráter ambiental podem se tornar barreiras as exportações destes produtos, estas medidas, quando inseridas na produção, podem gerar oportunidades para produtos que estejam mais adequados ambientalmente. Além disso, cabe ao produtor a busca da conformidade dos requisitos ambientais para que seus produtos sejam inseridos no país de destino, incidindo sobre estes produtos menos barreiras ambientais.

4. Conclusão As exigências ambientais no comércio internacional têm crescido ao longo das últimas décadas, assim como a preocupação com o meio ambiente. Mas estas exigências podem se tratar de barreiras ambientais que impedem o livre comércio e são, na verdade, medidas protecionistas. No caso do etanol, as exigências têm aumentado também nos últimos anos e, dada a sua importância na pauta de exportação brasileira, bem como a geração de emprego e renda para o país, torna-se necessária a verificação deste tipo de barreira sobre as exportações de etanol. Mas, ao contrário do que era de se esperar, pelos resultados encontrados, percebeu-se que as barreiras ambientais não têm sido medidas protecionistas uma vez que não afetaram as exportações de etanol tanto para a série valor exportado quanto para quantidade. A Análise de Intervenção que permite mensurar o impacto das intervenções sobre as séries mostrou que as séries não sofrem influência das intervenções através da significância da variável dummy. Desta forma, os resultados indicam que as exportações de etanol não têm sido prejudicadas em função das barreiras ambientais e, com isso, estas exigências não tem afetado sua competitividade no comércio internacional. 5. Bibliografia ALMEIDA, L. T. Harmonização Internacional Das Políticas Ambientais: O Papel da Organização Mundial de Comércio (OMC) Reunião da Latin American Studies Association, México, 1997 ANTWEILER,W; COPELAND, B. R.; TAYLOR,M.S. Is Free Trade Good for theenvironment? American Economic Review, 2001, vol. 91, issue 4, pages 877-908 BANCO NACIONAL DE DESENVOLVIMENTO ECNÔMICO E SOCIAL (BNDES). Bioetanol de cana-de-açúcar: Energia para o desenvolvimento sustentável, BNDES e CGEE, Rio de Janeiro, 2008. Disponível em <http://www.bioetanoldecana.org>. Acesso em: 01 dez 2011. BEGHIN, John C. Nontariff Barrirers. CARD, Iowa State University, 2006. Disponível em:

<http://www.card.iastate.edu/publications/dbs/pdffiles/06wp438.pdf>. Acesso em 02 dez. 2011 BROGIO, J. R. Barreiras Internacionais ao Etanol Combustível. Rio de Janeiro, 2009, 176p. Dissertação (Mestrado) Universidade Federal do Rio de Janeiro. CASTRO, D.; CASTILHO, S.; MIRANDA, S. A Rotulagem Ambiental no Contexto de Comércio Internacional. Artigos CEPEA, 2004. Disponível em: <http://www.cepea.esalq.usp.br/pdf/cma_maio04_rotul_amb.pdf > Acesso em 20 nov. 2011 MINISTÉRIO DO DESENVOLVIMENTO INDÚSTRIA E COMÉRCIO EXTERIOR MDIC/SECRETARIA DE COMÉRCIO. SECEX Sistema ALICEWEB. Disponível em: < http://aliceweb.desenvolvimento.gov.br>. Acesso em: 20 out. 2011. MORETTIN, P.; TOLOI, C. Análise de Séries Temporais. 2ª ed. São Paulo: Egard Blucher, 2006. ORGANIZAÇÃO MUNDIAL DO COMÉRCIO OMC. Documentos Online. Disponível em: <www.wto.org>. Acesso em 01 nov. 2011 ORGANIZAÇÃO MUNDIAL DO COMÉRCIO OMC. Agreement to Techical Barriers to Trade TBT, 1994. Disponível em: <http://www.wto.org/english/docs_e/legal_e/17-tbt.pdf>. Acesso em 02 dez. 2011 PORTER, M. E., VAN DER LINDE,C. Green and Competitive: Ending the Stalemate Harvard Business Review, September/October, pages 120-134, 1995 RACHED, A. Z. Barreiras à Exportação do Etanol Brasileiro. São Paulo, 2011, 114p. Dissertação (Mestrado) Universidade de São Paulo. VANDAELE, W. Applied Time Series and Box-Jenkins Models. New York: Academic Press, 1983.