1

A FORMAÇÃO DE PREÇOS DA SOJA NO BRASIL: UMA VISÃO

SISTEMÁTICA CONSIDERANDO OS EFEITOS DE “FEEDBACK” EM

MODELO DO TIPO VAR

Câmara, Samuel F.1 (UVA, Brasil)

Maia, Sinézio F.2 (UEM, Brasil)
Lima, Ricardo C. 3 (PIMES/UFPE, Brasil)

RESUMO

Este “paper” analisou o sistema de formação de preços da Soja no Brasil e os

efeitos recíprocos das variáveis: preço da Soja no Brasil (mercado spot), preço da Soja

no Mercado Futuro no Brasil (BM&F), preço futuro da soja na bolsa de Chicago

(CBOT) e taxa de câmbio do Brasil (R$/US$). Percebeu-se que a formação de preços

para uma commodity tão negociada em todo o mundo e para um país que detém uma

parcela considerável do mercado internacional, como o Brasil, é de certa forma um

sistema complexo de relações de feedback, de simultaneidade e de uma considerável

estrutura de defasagens.

1. Introdução

A cultura da soja iniciou sua expansão no Brasil na Região Sul, sobretudo nos

Estados do Rio Grande do Sul e Paraná e aumentou, na década de 80, sua área plantada

para a região Centro-Oeste, principalmente, para os Estados do Mato Grosso e Mato

Grosso do Sul. Atualmente, o Brasil figura como o segundo maior produtor de soja em

grãos atrás, apenas, dos Estados Unidos com 50 %. Segundo ROCHA & NOGUEIRA

(1998). A médio prazo o Brasil é um dos países com maiores perspectivas de expansão

dessa cultura, haja vista a grande quantidade de áreas apropriadas a esse plantio e que se

1
Prof Assistente da UVA-Sobral CE e Doutorando em Economia PIMES/UFPE
2
Prof Assitente da UEM-Maringá PR e Doutorando em Economia PIMES/UFPE
 2

encontram inexploradas ou em zonas de fronteira agrícola onde as culturas não estão

completamente definidas. Entretanto, o caráter exportador dessa cultura confere ao

produto, segundo MARGARIDO & SOUSA (1998), uma forte dependência do

mercado internacional, principalmente, dos preços cotados na Chicago Board of Trade

(CBOT). De fato, o preço do grão de soja no Brasil, no período de 1985 à 1990, foi

fortemente influenciado pelo preço da CBOT, embora a transmissão não tenha sido

integral. Contudo, vale ressaltar que inúmeros outros fatores , provavelmente,

influenciam no processo de formação de preços da Soja no Brasil, assim como: a taxa

de câmbio e o preço futuro da Soja na Bolsa de Mercado e futuros de São Paulo

(BM&F).

Embora exista uma certa concordância entre inúmeros autores de que o Brasil é

tomador de preços no comércio internacional de soja, há de se esperar, pela magnitude

da posição que ele ocupa, que existam relações de “feedback” do mercado interno para

os preços da CBOT, como também existam impactos do mercado spot interno no de

futuros na BM&F e vice-versa. Dessa forma, o processo de formação de preços não se

constitui uma “via de mão única” , mas um processo complexo de efeitos vis-a-vis entre

as variáveis no tempo.

Assim, este “paper” analisou o sistema de formação de preços da Soja no Brasil

e os efeitos recíprocos das variáveis: preço da Soja no Brasil (mercado spot), preço da

Soja no Mercado Futuro no Brasil (BM&F), preço futuro da soja na bolsa de Chicago

(CBOT) e taxa de câmbio do Brasil (R$/US$).

2. Metodologia

3
Prof Adjunto da Pós-Graduação em Economia do PIMES/UFPE
 3

2.1. Modelo Econométrico (Var)

Os modelos de séries temporais uni-equacionais têm sido amplamente utilizados

na descrição das características estocásticas de séries econômicas e na realização de

previsões. Uma das mais férteis áreas de pesquisas de séries temporais, atualmente, é a

de modelos multi-equacionais. O conceito de Vetores Auto-Regressivos (VAR),

generaliza os métodos univariados por considerar sistemas de equações simultâneas.

Desta forma eles fornecem as informações de causalidades entre as variáveis,

decomposição da variância dos resíduos e a função de impulso-resposta, o que nos

assegurem formas de entender as interrelações entre as variáveis econômicas.

O ponto de partida para estudos de modelos multivariados é tratar cada variável

simetricamente. Para simplificar a análise será utilizado um exemplo de sistema de

equações com duas variáveis, as quais assume-se interdependentes e também

relacionadas por uma memória autoregressiva. Isto é, a seqüência {yt} é afetada pelo

seu passado e pela seqüência {zt} e vice-versa. As equações, chamadas de primitivas,

podem ser escritas da seguinte forma:

yt = b10 − b12 zt + γ 11 y t −1 + γ 12 zt −1 + ε yt
zt = b20 − b21 y t + γ 21 y t −1 + γ 11 zt −1 + εzt

Ressalta-se que ambas séries tenham as propriedades do modelo de BOX-

JENKINS, ou seja, são parcimoniosos, estáveis e invertíveis. Tenham também os εit

ruído branco com variância constante e não correlacionados. A estrutura do sistema

indica relações simultâneas entre yt e zt e o problema maior está na relação entre os

choques εyt na equação de zt e εzt na equação yt, o que torna os choques relacionados

com as variáveis explicativas. Dessa forma, para estimação do método de mínimos

quadrados incorre-se em violação de pressupostos que tornam os parâmetros estimados

não confiáveis.
 4

Para tornar o sistema primitivo estimável pelos mínimos quadrados, o sistema

pode apresentar uma forma reduzida. Com alguns exercícios algébricos pode-se obter

um vetor auto-regressivo chamado de forma padrão da estrutura de sistemas VAR

matricial4:

x t = A0 + Ai x t −i + e t i = 1,2,3...

onde, xt é um vetor (nx1) contendo n variáveis incluídas no VAR, A0 vetor (nx1)

de interceptos, Ai matrizes (nxn) de coeficientes e et vetor (nx1) de termos erros. Para os

nossos propósitos podemos considerar a VAR matricial com a seguinte notação

algébrica:

yt = a10 + a11 y t −1 + a12 zt −1 + e1t

zt = a20 + a21 y t −1 + a22 zt −1 + e2t

é importante notar que o termo são compostos por dois choques de εyt e εzt que

são expressos da seguinte forma:

 ε yt − b12 ε zt   ε zt − b21ε yt 
e1t =   e e2t =  
 1 − b12b21   1 − b12 b21 

e sabemos que εit são processos ruído branco e permite que eit tenham média

zero, variância constantes e não sejam correlacionados. Estas propriedades de eit podem

ser derivadas para mostrar a sua consistência. Entretanto, o maior problema é a

identificação do processo VAR, pois é necessário verificar que a partir do momento em

que passamos do sistema primitivo para o sistema transformado, o número de incógnitas

deve ser o mesmo que o número de equações da forma transformada. A pergunta a ser

feita é se é possível recuperar todas as informações no sistema primitivo a partir da

4
A demonstração algébrica encontra-se em ENDERS(1995).
 5

forma transformada. Em outras palavras, é preciso saber se a forma primitiva é

identificável. Para isto devemos comparar o número de parâmetros da forma primitiva

com o número de parâmetros recuperados da forma transformada. Neste exemplo o

sistema primitivo contêm 10 parâmetros a serem estimados (b 10, b20, b12, b21, γ11, γ12, γ21,

γ22, σy e σz) e a forma transformada contêm 9 parâmetros (a10, a20, a11, a12, a21, a22,

var(e1t), var(e2t) e cov(e1t,e2t).

A menos que se coloque uma restrição no sistema primitivo, este modelo não

pode ser identificado; O número de parâmetros recuperado é menor que o número de

parâmetros da forma primitiva (há mais incógnitas que equações), por isso, este sistema

primitivo é sub-identificado. Se estabelecermos uma restrição em um dos parâmetros do

sistema primitivo (i.e. b12=0), teremos o número de parâmetros recuperados da forma

transformada igual ao número de parâmetros da forma primitiva (nove equações com

nove incógnitas), assim, este modelo passa a ser exatamente identificável. Por outro

lado, se restringimos mais de um parâmetro da forma primitiva (b 12=b21=0), teremos o

número de parâmetros recuperados maior que o número de parâmetros da forma

primitiva (número de equações maiores que o número de incógnitas) e o sistema

primitivo é sobre-identificado, entretanto com possibilidade de resolução.

Uma vez resolvido o problema de identificação do sistema de equações, um

instrumento essencial para analisar as inter-relações dinâmica entre as variáveis na

metodologia VAR são mostrados pela decomposição das variâncias dos resíduos, pelos

testes de causalidades de Granger e pelas funções de impulso-resposta. Respeitando a

propriedade de invertibilidade do modelo de BOX-JENKINS, pode-se transformar as

séries representadas pela VAR por uma série de choques, ou seja, pelas médias móveis

dos termos aleatórios. Levando em consideração a preferência por modelos

parcimoniosos, a inclusão de médias móveis, seguramente garante que menos

 6

parâmetros serão necessários para guardar a memória autoregressiva das variáveis.

Neste caso, é importante examinar a questão dos vetores médias móveis (VMA) além da

auto-regressão.

A expressão x t = A0 + A1 x t −1 + et pode ter uma representação expressando as

variáveis yt e xt em termos de valores presente e passado dos termos erros.

Considerando a expressão em termos de choques e efetuando algumas operações

algébricas, podemos obter as seguintes matrizes:

i
 yt   y   1 ∞ a11 a12  1 − b12  ε yt 
 x   z  1 − b b  ∑
= + a a22  − b + 
 t    12 21  i = 0  21  21 1 ε zt 

 A1i  1 − b12 
substituindo φi =    a expressão de vetores média móveis fica
1 − b12 b21  − b21 1

 y t   y  ∞ φ11 (i ) φ12 (i )  ε yt −i  ∞
da seguinte forma:  z  =  z  + ∑ φ (i ) φ (i )   ou x t = µ + ∑ φi ε t −i .
 t    i = 0  21 22  ε zt −i  i =0

Chamamos os coeficientes de φi de função de impulso-resposta observados a partir dos

choques εit para as variáveis yt e zt. Ou seja, estas funções medem o impacto nas

variáveis yt e zt gerados pelos seus respectivos choques (εyt e εzt). Construindo um

gráfico dos coeficientes φjk(i) contra i, apresenta-se uma forma de visualizar os impactos

dos choques (εyt e εzt) nas variáveis estudadas.

O problema de estimar estes parâmetros incorre nas mesmas dificuldades em

obter os parâmetros do modelo primitivo a partir do modelo transformado, a

identificação do sistema. Esta metodologia não permite estimação se o sistema é sub-

identificado, isto é, tenha um número de equações menores que os números de

incógnitas. Para ser possível identificar o sistema VMA, é necessário usar a

 7

decomposição de Choleski. Neste caso, é possível restringir o sistema de tal forma que

os valores contemporâneos não tragam efeitos entre as variáveis. Se tomarmos uma

restrição nas equações primitivas (i.e. b 21 = 0) teríamos nove incógnitas e nove equações

no modelo transformado. O sistema VMA tornar-se-ia expresso da seguinte forma: e1t =

ε yt – b12ε zt e e2t = ε zt . Calculada a seqüência de e2t, obtemos os valores da seqüência

de ε zt. Sabendo a seqüência ε zt, e1t e da correlação entre e1t e e2t podemos recuperar os

valores do choque ε zt. Podemos interpretar estas sequencias como sendo o impacto

direto de εzt na variável zt (por meio de e2t) e, um impacto indireto dado na variável yt.

Do outro lado, εyt não afeta e2t e conseqüentemente não afeta também zt. O ponto chave

é que a decomposição de Choleski força uma importante assimetria sobre o sistema

onde o choque εzt tem efeito contemporâneo em yt e zt. Por esta razão podemos afirmar

que os termos erros acima implicam na sequencia de variáveis em períodos

correspondentes.

Na prática, a função de impulso-resposta tem relação direta com o sistema

primitivo e o sistema transformado do VAR. É necessário que o sistema seja

identificado e também que se tenha “teoricamente” informação a respeito da influência

no tempo contemporâneo entre as variáveis. Isto significa que o efeito contemporâneo

de uma variável em outra pode ser testado no sistema VAR, entretanto, o conhecimento

a priori é significativo para que se possa identificar o sistema. A questão central da

metodologia consiste em saber quantas variáveis serão incluídas no sistema e qual o

número de defasagem deve se estabelecer no modelo de vetores auto-regressivos.

Podemos querer incluir as variáveis econômicas que tenham forte influência entre si.

Entretanto, cada inclusão de variáveis provoca uma perda de grau de liberdade no

sistema. Do outro lado a metodologia VAR prevê o mesmo número de defasagens para

todas as variáveis incluída no sistema. Se o número de regressores são idênticos, as

 8

estimativas de MQO são consistentes e assintoticamente eficientes5. Para a

determinação do conjunto de variáveis a serem incluídas no sistema é importante

determinar o número de períodos defasados em sua memória autoregressiva.

A estatística de teste de auto-regressão está baseado no teste de máxima

verosimilhança que leva em consideração a diferença das defasagens entre duas

matrizes de variância/covariância. Efetua-se o teste utilizando a distribuição de χ2 dos

resíduos. Esta estatística tem distribuição assintótica com grau de liberdade igual ao

número de restrições no sistema. A estatística de teste é dada pela seguinte expressão:

( T − c) (log ∑ r − log ∑ u ) , onde T é o número de observações totais usadas no sistema; c

é o número de parâmetros estimados em cada equação do sistema irrestrito; log|Σr| e

log|Σu| são os logarítimos naturais do determinante da matriz de variância/covariância

do sistema restrito e irrestrito respectivamente. A hipótese a ser testada é de que não há

autoregressão entre defasagens para o sistema VAR.

É importante observar que, devido a maioria das variáveis inseridas no sistema

VAR terem que ser interelacionadas, nem sempre isso ocorre em comportamento

econômico. Neste caso, recorre-se a testes estritamentes estatísticos com o objetivo de

informar ao pesquisador o sentido de causalidade entre as variáveis destacadas para

estudo. Um teste de causalidade de GRANGER (1969) é importante para reforçar a

inclusão de variáveis com o conhecimento a priori das interelações.

2.2. Os Dados
Foram utilizados as séries temporais de dados, tirada a primeira diferença para

estacinarizá-las, de valores das variáveis preço spot da soja no Brasil (dspot), preço

5
Se algumas das equações VAR não tem o mesmo número de regressores incluída, a estimativa de
equações aparente não relacionadas (SUR) forneceria estimativas eficientes para o sistema VAR. Neste
 9

futuro da soja no Brasil (dfuturo), preço futuro da Soja na Bolsa de Chicago (dchicago)

e taxa de câmbio (dcâmbio). Os dados são compostos de valores diários obtidos junto às

bolsas de mercado futuro de São Paulo e de Chicago de 01 de novembro de 1995 à 10

de abril de 1998.

2.3. O Modelo Estimado

O VAR estimado foi definido com 12 defasagens para cada variável, definidas a

partir do teste de razão de verosimilhança , como o resultado mostrado a seguir entre 8 e

12 lags.

Matriz de covariância / corelação 12 lags

R_DFUTURO R_DSPOT R_DCHICAGO R_DCAMBIO

R_DFUTURO 0.031185602249 0.1237603991 0.3447466909 0.0153528068
R_DSPOT 0.002064325609 0.008921520188 0.1428838684 0.0247938418
R_DCHICAGO 0.017640132397 0.003910455043 0.083955534894 0.0342335606
R_DCAMBIO 0.000002604291 0.000002249510 0.000009527992 0.000000922676

Matriz de covariância / corelação 4 lags

R_DFUTURO R_DSPOT R_DCHICAGO R_DCAMBIO

R_DFUTURO 0.032434180371 0.1173867518 0.3392114681 0.0018064520
R_DSPOT 0.002013170649 0.009068178947 0.1318412987 0.0157754087
R_DCHICAGO 0.018030506961 0.003705505489 0.087110778555 0.0203828141
R_DCAMBIO 0.000000318704 0.000001471635 0.000005893312 0.000000959663

Log Determinants are -24.715732 -24.575283

Chi-Squared(64)= 80.477105 with Significance Level 0.07998756

Dessa forma, o teste rejeitou a hipótese de l12= l8 . O VAR estimado tem a

seguinte forma:

DFUTUROT = a01 + a11 . DFUTUROt − i + a21 DSPOTt −i + a 31 DCHICAGOt −i + a41 DCAMBIO

DSPOTT = a02 + a12 . DFUTUROt −i + a22 DSPOTt − i + a 32 DCHICAGOt −i + a 42 DCAMBIO
DCHICAGOT = a03 + a13 . DFUTUROt −i + a23 DSPOTt −i + a33 DCHICAGOt − i + a 43 DCAMBIO
DCAMBIOT = a 04 + a14 . DFUTUROt −i + a24 DSPOTt − i + a 34 DCHICAGOt −i + a44 DCAMBIO

Onde, i = (1,..,12).

caso, quando há uma boa razão “teórica” para equações com defasagens diferentes, as estimativas são
chamadas de quase-VAR usando SUR.
 10

3. Resultados e Discussão

3.1. Casualidade De Granger

Segundo o teste de casualidade de Granger é possível estabelecer as relações de

causalidade entre as variáveis utilizadas no VAR, como mostra os resultados abaixo:

F-Tests, Variável dependente DFUTURO

Variáveis Estatística-F Signif.

DFUTURO 1.3987 0.1617288
DSPOT 1.6772 0.0679766
DCHICAGO 0.6660 0.7847230
DCAMBIO 1.2503 0.2447537

F-Tests, Variável dependente DSPOT

Variáveis Estatística-F Signif

DFUTURO 1.8277 0.0408953
DSPOT 10.5751 0.0000000
DCHICAGO 3.6776 0.0000236
DCAMBIO 0.6186 0.8272233

F-Tests, Variável dependente DCHICAGO

Variáveis Estatística-F Signif

DFUTURO 0.8753 0.5722749
DSPOT 1.6559 0.0728808
DCHICAGO 3.2490 0.0001507
DCAMBIO 1.0677 0.3851572

F-Tests, Variável dependente DCAMBIO

Variáveis Estatística-F Signif

DFUTURO 0.7518 0.7004528
DSPOT 0.8747 0.5728454
DCHICAGO 0.4550 0.9399258
DCAMBIO 14.8043 0.0000000

De acordo com o teste a variável preço futuro da soja no Brasil (DFUTURO)

causa somente a si própria. A variável Preço spot no Brasil (DSPOT) causa o preço

futuro da soja no Brasil e causa a si mesma. A variável preço futuro da soja em Chicago

(DCHICAGO) causa o preço spot da soja e a si mesma e o câmbio (DCAMBIO) só

causa a si mesmo.
 11

3.2. Funções De Impulso-Resposta

A seguir são descritas as variações decorrentes do comportamento das funções

de impulso resposta das variáveis no sistema (VAR) a partir do choque da variação de

um das variáveis determinadas.

3.2.1. Choque Da Variação Do Preço Futuro Da Soja No Brasil (Dfuturo)

Um choque de 1,0 ponto no desvio padrão da variável preço futuro da soja no

Brasil causa no mesmo período um aumento de 0,1 no preço spot no Brasil, um

acréscimo de quase 0,4 no preço em Chicago. No período subsequente o preço spot

continua subindo para cair em seguida, oscila durante 12 dias e estabiliza. O preço

futuro em Chicago cai acentuadamente e estabiliza a partir do 2o dia. O próprio preço

futuro Brasil, após o choque cai no período subsequente e a partir do 4o se estabiliza

(Gráfico 1).

Gráfico 1 – Funções de impulso resposta com choque do preço futuro da soja no Brasil
(DFUTURO).

3.2.2. Choque Da Variação Do Preço Spot Da Soja No Brasil (Dspot)

 12

O mesmo choque de 1,0 no desvio padrão do preço spot da soja no Brasil levou

a um leve aumento no mesmo período para o preço futuro em Chicago, nos períodos

subsequentes houve algumas oscilações e estabilizou-se a partir do 9o dia. O preço

futuro no Brasil subiu até o 2o dia, teve 3 dias seguintes de estabilização e um repique

de alta no 6o dia para em seguida se estabilizar. O próprio preço spot caiu em seguida ao

choque, com um repique de alta no 3o dia e tornando a cair gradualmente, com uma

certa persistência a voltar a se estabilizar o que só ocorreu a partir do 24o dia (Gráfico

2).

Gráfico 2 – Funções de impulso resposta com choque do preço spot da soja no Brasil
(DSPOT).

3.2.3. Choque da variação do preço futuro em chicago (dchicago)

A partir do choque no preço futuro em Chicago o preço spot no Brasil aumentou

de 0,2 no período subsequente, caiu acentuadamente no período seguinte e mais

gradativamente, depois, até estabilizar a partir do 8o dia. O impacto no preço futuro no

 13

Brasil foi menor e só ocorreu a partir do 3o período, com um aumento, e no dia seguinte

se estabilizou. O próprio preço futuro de Chicago a partir do choque sofreu oscilações

acentuadas de aumento e decréscimo até o 8o dia quando se estabilizou (Gráfico 3).

Gráfico 3 – Funções de impulso resposta com choque do preço futuro da soja em

Chicago (DCHICAGO).

3.2.4. Choque Da Variação Do Câmbio (Dcambio)

O choque da variável taxa de câmbio causou impactos reduzidos nos preços.

Tanto no preço futuro em Chicago quanto no preço spot no Brasil, que caminharam

próximos e tiveram reduções no 2o e 3o período, estabilizando no 4º , enquanto o preço

futuro no Brasil acompanhou os outros dois preços, mas estabilizou antes, no 2o

período. O próprio câmbio oscilou entre acréscimos e decréscimos até o 9o período

quando estabilizou (Gráfico 4).

 14

Gráfico 4 – Funções de impulso resposta com choque do câmbio (DCAMBIO).

4. Considerações Finais

Pode-se dizer, a partir dos resultados obtidos, que a taxa de câmbio, tal como foi

utilizada no trabalho, não teve muita influência na formação dos preços considerados. Já

o preço futuro da soja na BM&F tem uma influência considerável na formação dos

preços spot no Brasil, com a existência de uma relação direta entre essas variáveis. O

sistema estimado mostra ainda que há um impacto simultâneo do preço futuro do Brasil

e o preço futuro de Chicago, mas que não perdurou ao longo do tempo.

O preço spot da soja no Brasil influencia o peço futuro na BM&F de forma

direta e tem com ele uma trajetória semelhante, só que a um nível inferior. O preço

futuro em Chicago sofreu quase a mesma influencia que o preço futuro no Brasil, só que

a um nível menor a esse último.

O preço futuro da soja em Chicago influencia o preço spot no Brasil de forma

inversa para um período de curto prazo. O preço futuro no Brasil é influenciado pelo
 15

preço em Chicago de forma direta e tem uma trajetória semelhante ao longo do tempo

com a defasagem de um período.

Assim, percebe-se que a formação de preços para uma comódite tão negociada

em todo o mundo e para um país que detém uma parcela considerável do mercado

internacional, como o Brasil, é de certa forma um sistema complexo de relações de

feedback, de simultaneidade e de uma considerável estrutura de defasagens.

5. Bibliografia

Box, G. E. P., Jenkins, G. M. e Reinsel, G. C. Time Series Analysis, Forecast and

Contral. 3a ed., Prentice Hall, 1994.

Câmara, S. F. & Lima, R. C. O impacto da crise asiática de 1997 no mercado futuro de

comódites agrícolas no brasil: uma análise de intervenção do caso da soja. Anais do

37o Congresso Brasileiro de Economia e Sociologia Rural. Foz do Iguaçu, 1999.

Enders, W. Applied Econometric Time Series. John Wiley & Sons, 1995.

Greene, W. H. Econometric analisys. 3 ed. Prentice Hall, New Jersey, 1997.

Margarido, M. A. & Sousa, E. L. de. Formação de preços da soja no Brasil. Anais do

36o Congresso Brasileiro de Economia e Sociologia Rural, Vol, p. 773-784, 1998.

Mills, T. C. Time Series Techniques for Economists. Cambridge University Press, 1990.

Pankratz, Alan. Forecasting With Univariate Box-Jenkins Models. John Wiley &

SONS, New York, 1983.

Pindick, R. S. & Rubinfeld, D. L. Econometric models and economic forecasts. New

York, McGrawl-Hill, 1976.