Contribuição CELPA Audiência Pública 029/14 Aprimoramento da ... · celpa – centrais elÉtricas do parÁ audiÊncia pÚblica 029/2014 tema: aprimoramento da metodologia para

CELPA – CENTRAIS ELÉTRICAS DO PARÁ

AUDIÊNCIA PÚBLICA 029/2014

TEMA: APRIMORAMENTO DA METODOLOGIA PARA DEFINIÇÃO DE LIMITES DEC E FEC

1

Contribuição CELPA

Audiência Pública 029/14

Aprimoramento da regulamentação - metodologia de definição de limites

para o DEC e FEC

10 de Setembro de 2014




2

Sumário

1. Introdução ........................................................................................................................................ 3

2. Características da Região Norte do País ........................................................................................... 8

2.1 Características da Área de Concessão da Celpa ...................................................................... 10

2.2 Características do Sistema Elétrico da Celpa ........................................................................... 11

3. Regulação: Ações Vinculadas x Ações Discricionárias .................................................................... 14

4. Compatibilidade da Metodologia para a Celpa .............................................................................. 19

4.1 Conjuntos Comparáveis ........................................................................................................... 19

4.2 Análise de homogeneidade dos agrupamentos dos conjuntos da Celpa ................................ 30

4.3 A representatividade dos atributos escolhidos ....................................................................... 35

4.4 Participação Relativa dos Atributos Escolhidos ....................................................................... 37

4.5 Influência das Características Ambientais ............................................................................... 47

4.5.1 Influência da Sazonalidade das Chuvas nas Compensações ..................................................... 49

4.5.2 Influência da Complexidade Socioeconômica ........................................................................... 54

4.6 Limites para os Indicadores Individuais (DIC, FIC e DMIC) ...................................................... 57

5. Pontos de Aprimoramento da Metodologia ................................................................................... 58

5.1 Flexibilização do Ponto de Partida dos Limites de Indicadores de Continuidade (DEC e FEC) ....... 58

5.2 Trajetória dos Indicadores ....................................................................................................... 66

5.3 Contribuição do Suprimento.................................................................................................... 67

5.4 Tratamento dos Conjuntos Heterogêneos .............................................................................. 69

5.5 Conjuntos em sistemas remotos ............................................................................................. 69

5.6 Seleção de Atributos ................................................................................................................ 76

5.7 Extração de Atributos do SIG-R e Outras Bases Georreferenciadas ........................................ 77

5.8 Definição de Área Urbana e Não Urbana ................................................................................ 77

6. Propostas ........................................................................................................................................ 78

7. Conclusões ...................................................................................................................................... 82




3

1. Introdução

O objetivo precípuo da Regulação objetiva emular as condições de um mercado

competitivo em um monopólio natural. Nesse contexto, a pressão pela eficiência no

que se refere à qualidade, que seria exigida pela força do mercado, se dá

essencialmente pela ação regulatória.

Em um mercado competitivo, os desafios próprios do negócio e da área de atuação

resultam em elevação ou redução de custos, que são repassados para os preços, já

os custos ineficientes são arcados pelos acionistas, com a redução da sua

rentabilidade.

De modo semelhante, a ação regulatória deve se pautar na mesma lógica, definindo

regras equilibradas que não onerem os consumidores com o repasse de custos e

qualidade ineficientes, mas que não prejudique as concessionárias com metas

inexequíveis ou desproporcionais.

Para a definição das metas regulatórias, a ANEEL se baseia em métodos de

eficiência média, yardstick competition. O método de eficiência média mais

comumente empregado para sua aplicação é a estimação de funções de custos e de

qualidade por meio de metodologias econométricas que permitem separar os efeitos

das variáveis exógenas (extensão de redes, quantidade de clientes, potência

máxima, etc…).

No entanto, para que os resultados obtidos na definição das metas sejam justos e

façam sentido, é essencial que a comparação seja feita em igualdade “de

condições”, levando-se em consideração a influência de variáveis ambientais e as

diversidades regionais em que as concessionárias do Brasil estão submetidas.

Assim, a Audiência Pública nº 29/2014, que será analisada nesta contribuição, tem

uma importância essencial tanto do ponto de vista do papel institucional da Agência




4

como da sustentabilidade das concessões de distribuição, já que metas inexequíveis

e desproporcionais resultam na elevação de custos sem a devida contrapartida

tarifária.

Do ponto de vista metodológico, a ANEEL manteve a mesma abordagem do ciclo

anterior com o uso da clusterização dinâmica com algumas alterações. É importante

destacar que todas as alterações propostas pela Agência objetivaram aperfeiçoar a

metodologia vigente e são meritórias, no entanto, em função da complexidade e

importância dos temas, elas devem ser minuciosamente avaliadas, no intuído de se

verificar se o propósito original será realmente alcançado.

Dentre as principais alterações contidas na Nota Técnica nº 059/2014-SRD/ANEEL

(“NT ANEEL”), pode-se destacar a escolha de novos atributos a partir da Base de

Dados Geográficas da Distribuidora (“BDGD”), a minimização da discricionariedade

no tratamento dos conjuntos caracterizados como heterogêneos, a limitação da

velocidade de redução e o tratamento de falhas originadas do suprimento.

A avaliação da Celpa é de que a expansão da quantidade de atributos analisados é

positiva, na medida em que introduz algumas variáveis ambientais, como por

exemplo, índice de precipitação e vegetação remanescente. No entanto, deve-se

entender que por melhor que sejam os atributos, eles representam uma simplificação

da realidade, e não a representam de fato, o que faz com que haja a necessidade de

uma análise de consistência dos resultados.

Outro ponto de alteração metodológica foi o tratamento objetivo da definição das

metas para os conjuntos heterogêneos por meio da criação dos scores ANI. Esse

tratamento visa avaliar se os parâmetros que qualificam os conjuntos como

heterogêneos os beneficiam ou prejudicam, em caso benéfico, definem-se metas

mais rígidas e em caso de prejuízo, definem-se metas mais flexíveis.




5

Se por um lado a criação desse critério disciplina o tratamento e diminui a

subjetividade na definição das metas dos conjuntos heterogêneos, por outro lado,

também minimiza o debate acerca das especificidades e desafios das

particularidades das concessões, que é crucial para segregar ineficiência de

especificidade e garantir o repasse apenas desta última parcela.

A avaliação da Celpa é de que essa visão minimalista sobre a necessidade do

debate prejudica o processo de evolução da regulação, já que priva o Regulador, a

Concessionária e a própria sociedade da oportunidade de conhecer melhor a

realidade.

Ainda que o efeito da assimetria da informação exista, a cada ciclo tarifário este

fenômeno vai sendo mitigado na medida em que a Agência conhece cada vez mais

os agentes regulados e seus resultados alcançados. O próprio track record da

distribuidora serve como referência para a Agência aferir a razoabilidade dos

pedidos.

Assim, é fundamental que haja a abertura para a discussão e tratamento adequando

das situações nas quais a realidade é tão complexa que não possa ser “explicada”

por um conjunto de atributos. Ou seja, é importante que o regulador preserve, no

regulamento, o nível de flexibilidade necessário para fixação dos limites de DEC e

FEC, bem como da própria configuração de conjuntos, de regiões com

especificidades não capturadas via atributos e modelo matemático (tanto para

conjuntos homogêneos como para os conjuntos heterogêneos).

Cabe ressaltar que qualquer modelo teórico, por melhor que seja, representa uma

simplificação da realidade estando passível de imperfeiçoes e distorções oriundas

dessas imperfeições devem ser analisadas e discutidas com vistas à definição de

metas de forma mais coerente. Além das imperfeições naturais dos modelos, a

complexidade do setor de distribuição de energia e o elevado nível de




6

heterogeneidade das concessões aumentam as incertezas sobre o que, de fato, é

especificidade ou ineficiência.

A utilização de métodos estatísticos como ferramenta para a definição dos limites

dos indicadores é oportuna, no entanto, a aplicação determinística desses métodos

pode criar distorções de elevadas proporções.

Assim, o equilíbrio entre a aplicação dos métodos estatísticos e o uso do poder

discricionário deve ser buscado para avaliar se as configurações de conjuntos e as

metas definidas são exequíveis e condizentes com a realidade da concessão.

Logicamente, qualquer flexibilização deve estar condicionada a comprovação das

atipicidades, o que traz maior robustez e embasamento do uso do poder

discricionário.

Outro ponto que não foi abordado na AP Nº29/2014, mas que merece uma

reavaliação por parte da ANEEL, refere-se ao ponto de partida dos limites

regulatórios. Não avaliar os motivos pelos quais a trajetória definida anteriormente

encontra-se distante da realidade atual, perpetua equívocos cometidos no passado

(tanto da Agência como da concessionária).

A visão da Celpa é que este é o momento de corrigir eventuais distorções, seja pelo

fato de o modelo não capturar todas as especificidades das concessões ou por

equívocos ou imprecisões na definição das metas do passado.

Outro item de alteração na metodologia consiste na estipulação de limites de

velocidade de redução. Na visão da Celpa essa alteração é uma evolução, no

entanto, como o valor dos limitadores foram muito elevados (8 horas para o DEC e

de 5 vezes para o FEC) e aplicados sobre o patamar regulatório, a sua aplicabilidade

fica comprometida.




7

Outro tema bastante sensível à concessionária, mas que não foi abordado na AP

Nº29/2014 é o tratamento a ser conferido aos conjuntos presentes nos sistemas

localizados em áreas remotas, onde estão incluídos os sistemas não conectados ao

SIN (sistemas isolados) que exigem logística diferenciada. Por se tratar de uma

especificidade da Celpa, assim entende-se que essa característica deva ser avaliada

individualmente.

Na proposta submetida à Audiência Pública a ANEEL mantém o critério vigente, que

consiste na aplicação do percentil 50 para definição das metas dos conjuntos em

sistemas isolados. Ainda que o percentil 50 seja mais flexível, a Celpa entende que

há um problema de origem, que é comparar conjuntos com diferentes formas e

qualidade de suprimento (por exemplo, sistemas interligados e isolados, ou mesmo

no sistema interligado, quando atendidos por distribuidoras e transmissoras). Assim,

a utilização de qualquer percentil não contornaria o problema de comparar conjuntos

com características tão diferentes, em outras palavras, comparar realidades

totalmente distintas. Para estes casos, a empresa sugere um tratamento caso a

caso.

Assim, a partir desse breve resumo, a Celpa realizou análises da metodologia

proposta pela ANEEL, bem como a adequação/aderência nos limites dos

indicadores coletivos dos conjuntos vis-à-vis os desafios da sua área de concessão.




8

2. Características da Região Norte do País

A Região Norte é a maior das cinco regiões do

Brasil definidas pelo Instituto Brasileiro de

Geografia e Estatística (IBGE), com uma área de

3.869.637 km², cobrindo 45,27% do território

nacional, sendo superior à área da Índia e pouco

inferior a toda União Europeia.

Sua população, de acordo com o IBGE, era de 16,3 milhões de habitantes em 2012,

equivalente à população do Chile, e seu IDH médio, próximo ao da Venezuela, país

com qual faz fronteira ao norte. Em comparação com as outras regiões brasileiras,

tem o segundo menor IDH (em 2005) e o menor PIB (em 2010).

É formada por sete Estados: Acre, Amapá, Amazonas, Pará, Rondônia, Roraima e

Tocantins. Suas maiores e principais cidades são Manaus, Belém e Porto Velho. A

Região está localizada na região geoeconômica da Amazônia, entre o Maciço das

Guianas (ao norte), o planalto Central (ao sul), a Cordilheira dos Andes (a oeste) e o

oceano Atlântico (a nordeste). O clima predominante na região é o equatorial, além

de algumas regiões de clima tropical.

Na região está localizado um importante ecossistema para o planeta: a Amazônia,

além de pequenas faixas de mangue no litoral, alguns pontos de cerrado e também

alguns pontos de matas galerias. Na Região Norte, a latitude e o relevo explicam a

temperatura; a temperatura e os ventos explicam a umidade e o volume dos rios; e o

clima e a umidade, somados, são responsáveis pela existência da mais extensa,

variada e densa floresta do planeta – a Floresta Amazônica.

Também na região Norte estão situados os dois maiores estados do Brasil em

superfície, Amazonas e Pará, e os dez maiores municípios do Brasil em área

territorial, sendo quatro situados no estado do Pará e seis no estado do Amazonas.




9

Porto Velho, que é a capital brasileira com maior área territorial, também se localiza

na região.

A Amazônia equivale a mais de um terço das reservas florestais do mundo. Suas

principais características são as árvores grandes e largas (espécies latifoliadas),

próximas umas das outras e unidas por cipós e epífitas (vegetais que se apoiam em

outros). O clima, quente e chuvoso, favorece o crescimento de plantas e a

reprodução de animais durante todo o ano, fazendo com que a floresta Amazônia

possua a flora mais variada do planeta.

A região possui sete distribuidoras de energia elétrica, que atendem os respectivos

estados: Eletrobrás AM – Eletrobras Amazonas Energia; Celpa – Centrais Elétricas

do Pará; Celtins – Cia. de Energia Elétrica do Estado do Tocantins; Eletrobrás RO –

Eletrobrás Distribuição Rondônia; Eletrobrás AC – Eletrobrás Distribuição Acre; CEA

– Companhia de Eletricidade do Amapá e Eletrobrás RR – Eletrobrás Distribuição

Roraima.

Com estes dados em mente, observa-se que, na base de dados da ANEEL apenas

as concessionárias Celpa, Eletroacre e Celtins possuíam dados apresentados pelas

notas técnicas da Audiência Pública.

Desse modo, passa-se a comentar a seguir os aspectos da metodologia que afetam

esta empresa. É bastante provável que parcela significativa das constatações

apresentadas para os conjuntos da Celpa venham a ser também verificados em

grande parte dos conjuntos das demais distribuidoras da Região Norte.

É importante comentar também que a ausência de outras concessionárias da Região

Norte compromete uma análise mais aprofundada acerca dos resultados das

alterações da metodologia, uma vez que os conjuntos das concessionárias dessas

regiões seriam mais comparáveis aos conjuntos da Celpa.




10

2.1 Características da Área de Concessão da Celpa

O Pará é a porta de entrada da Amazônia pelo oceano atlântico, o que lhe propicia

uma condição geográfica privilegiada para desenvolvimento da pesca e do turismo,

além de possuir uma grande base para extração de recursos minerais e naturais

renováveis.

Dividido em 144 municípios, é o segundo maior Estado brasileiro em área, com uma

extensão territorial de 1.247.689,515 km² que corresponde à aproximadamente 15%

de todo território nacional e 32% da Região Norte, onde vivem 7.969.654 habitantes.

A Centrais Elétricas do Pará - CELPA é a concessionária responsável por distribuir

energia elétrica para o Estado do Pará. A densidade média de consumidores por km²

é de 1,6 e essa grande extensão territorial da região, associada à baixa densidade

habitacional, requer longos sistemas radiais para atendimento, principalmente à

população localizada nas regiões rurais.

Não obstante a dimensão territorial, o Estado possui características particulares que,

se por um lado dificultam em demasia a prestação do serviço de distribuição, por

outro, impedem que as condições reais da operação sejam representadas por um

conjunto de atributos. Os fatores em tela relacionam-se principalmente aos desafios

logísticos, em função das grandes distâncias, e da qualidade do suprimento, este

último ponto sendo particularmente relevante para as regiões atendidas por geração

isolada. As condições citadas (logística e suprimento) são muitas vezes agravadas

pela intensidade e regularidade das chuvas e pela precariedade, ou até mesmo

inexistência, dos acessos terrestres.

Nesse sentido, observa-se que é válido o aprimoramento da proposta em inserir

atributos relacionados às características ambientais (condições de acesso, clima e

vegetação), como descrito na Nota Técnica Nº 59/2014, ainda que é preciso ter claro

que este fato resulta em uma melhoria, mas não trata inteiramente a questão – a




11

realidade em tela dificilmente será representada adequadamente por um modelo

baseados em atributos.

Além disso, há dois fatores cruciais para serem ponderados. O primeiro é que nem

todos os dados que explicam as dificuldades das concessões estão disponíveis e

são confiáveis, por exemplo, tempo de deslocamento das esquipes para o

atendimento ou distância média percorrida pelas equipes.

O outro problema é que modelos matemáticos, quando bem especificados, tendem a

fornecer boas respostas médias, enquanto que concessionárias que apresentam

severidades mais acentuadas são as mais prejudicadas, exatamente por não

estarem na média.

Ressaltamos que os desafios da área da concessão da Celpa são maiores – por

exemplo, as regiões com condição logística diferenciada precisam ser analisadas de

forma particular, pois mesmo com a incorporação de atributos ambientais pela

metodologia, não há como o modelo enxergar adequadamente a complexidade,

dificuldade logística e deseconomias de escala do atendimento de unidades

consumidores localizadas nestas regiões.

Sem prejuízo das informações demonstradas anteriormente, a Celpa relata a seguir

suas contribuições no sentido de propor aprimoramentos aos itens colocados em

discussão através da Audiência Pública nº 029/2014.

2.2 Características do Sistema Elétrico da Celpa

O sistema elétrico da CELPA é dividido em 05 regionais com características muito

peculiares. Estas regionais são a Norte, Nordeste, Sul, Centro-Oeste e Oeste.




12

Figura 1 – Regionais Celpa

O sistema elétrico da Celpa possui 92 subestações, 172 transformadores, 477

alimentadores (401 alimentadores em 13.8 kV e 76 alimentadores em 34.5 kV) e

uma capacidade de 2.627,60 MVA instalados com extensas linhas radiais de

distribuição e com baixa densidade de carga.

Em estudos realizados no âmbito do “Plano Decenal de Transmissão 2014-2023”

avaliou-se como evidente a necessidade que o sistema elétrico da distribuidora

possui de implantação de novos pontos de suprimento.

A seguir será apresentado o mapa elétrico com a identificação dos pontos de

suprimentos existentes (marcado em preto), os previstos (marcados em amarelo), e

os que se encontram em fase estudo (marcados em azul):




13

Figura 2 – Mapa Elétrico Sistema Celpa

Em linhas gerais, os estudos realizados nos pontos de fronteira apresentam o

seguinte diagnóstico:

▪ As subestações apresentam nível de carregamento elevado, e deverão ser

objeto de ampliação, também havendo a necessidade da implantação de 21

novas subestações nos próximos três anos;

▪ As linhas de subtransmissão (69 a 138 kV) apresentam quedas de tensão

elevadas e demandarão complexas obras para reforço;

▪ As subestações demandarão investimentos significativos para compensação

de reativos de forma a garantir a manutenção de fator de potência em valores

acima de 95% (noventa e cinco por cento), conforme recomendado através

dos Procedimentos de Rede do Operador Nacional do Sistema - ONS;

▪ A atual configuração do suprimento para o Estado (caracterizada por poucos

pontos de suprimento e com linhas de transmissão em circuito único) contribui

de forma negativa e substancial para a manutenção dos quesitos de qualidade




14

(continuidade e conformidade do fornecimento), exigindo um maior volume de

investimentos por parte da distribuidora.

O citado acima trata, essencialmente, da questão do suprimento, e resultará, num

horizonte de até 10 anos, na interligação de várias regiões do Pará, que hoje tem o

suprimento com base em geração local. Ainda assim, algumas regiões

permanecerão com suprimento baseado em geração local.

Vale notar que os pontos citados acima são de fundamental importância para a

qualidade do serviço de distribuição, pois afetam fortemente a qualidade do

suprimento, mas certamente não são refletidos nos atributos selecionados pela

ANEEL para suportar o processo de fixação dos limites dos indicadores de

continuidade. Neste contexto, e conforme citado anteriormente, o Regulador deve

manter, no âmbito da regulação, o nível adequado de discussão e flexibilização,

para tratar as situações peculiares não refletidas nos atributos.

3. Regulação: Ações Vinculadas x Ações Discricionár ias

No exercício da função decisória, a atuação do Regulador é caracterizada por dois

tipos de ações. A primeira é a denominada ação vinculada, ou seja, a ação que está

respaldada por um regulamento previamente estabelecido. A segunda é a

denominada ação discricionária, neste caso, a ação é tomada para enfrentar uma

particularidade não prevista nos regulamentos, ou seja, a possibilidade de emanar

juízos discricionários no campo da sua competência legal.

Um conceito apresentado pela ANEEL como fundamental para o estabelecimento do

escopo metodológico para as revisões tarifárias das concessionárias de distribuição

de energia elétrica é o afastamento da possibilidade do uso da ação discricionária. A

Agência argumenta que o afastamento da discricionariedade permite às

concessionárias estimar os ganhos de seu esforço gerencial e permite aos

consumidores estimar como esses ganhos serão revertidos à modicidade tarifária.




15

Argumenta que regras objetivas e exaustivas com reduzido poder discricionário

favorecem a transparência e a previsibilidade, tanto para os consumidores quanto

para os investidores, como assim explicita:

“As regras de revisão tarifária devem ser as mais exaustivas possíveis, com

pouco espaço para discricionariedade nos processos específicos de revisão

tarifária.” (Nota Técnica no 184/2014 – SRE/ANEEL)

“(...) um menor espaço para decisões discricionárias também é um elemento de

incentivo à eficiência, porque garante aos consumidores que as empresas não

conseguirão repassar suas ineficiências com se fatores ambientais fossem e,

ao mesmo tempo, dá segurança às empresas de que não haverá repasse

oportunista de seus ganhos aos consumidores. (...) A análise caso a caso

conduz a um risco de subjetividade, fazendo com que as regras percam valor.

A regra bem elaborada reduz a discricionariedade do regulador e facilita a

tomada de decisão do regulado.” (Nota Técnica no 452/2013-SRE/ANEEL)

Com essa concepção, a ANEEL, a cada ciclo tarifário, vem perseguindo o objetivo

de mitigação de ações regulatórias discricionárias, a ponto de eliminar todas as

possibilidades dessas ações nas propostas metodológicas para o 4º CRTP. Quanto

a isto, importa destacar que atualmente o ciclo de fixação dos indicadores de

continuidade está concatenado com os de revisões tarifárias, e que também neste

quesito nota-se um esforço no sentido de eliminar as ações regulatórias

discricionárias.

Nesse contexto, se não forem capturadas pelos métodos paramétricos e não

paramétricos utilizados, as especificidades das concessões, que as diferenciam e

afetam custos, investimentos, qualidade e perdas não técnicas, serão tratadas como

ineficiências e, portanto, desconsideradas das tarifas. E no caso dos quesitos de

qualidade, tais problemas podem resultar na fixação de limites incompatíveis com a

realidade, resultando em aparente ineficiência, que se reflete no pagamento de

compensações aos consumidores.




16

Obviamente, o ideal seria, tanto para o Regulador quanto para as concessionárias e

para os consumidores, a existência de medições objetivas para todos os fenômenos

que afetam a prestação do serviço de distribuição de energia elétrica. Porém, isso

não é possível.

Não há dúvida que existe uma intercessão de características entre as concessões,

mas resta fora dessa intercessão uma série de fenômenos que impõem acentuadas

diferenças e especificidades às concessões, e são justamente estes fenômenos que

não são “vistos” pelos atributos ou pelos critérios de definição dos conjuntos.

O Brasil é um país de dimensões continentais (8,5 milhões km²), onde existem 64

concessões de distribuição de energia elétrica. Há simultaneamente concessões do

tamanho de um pequeno município (com 2,7 mil consumidores localizados em uma

área de 263 km2), do tamanho de um estado (com 1.775 mil consumidores

localizados em uma área de 1.247.703 km2) e do tamanho de uma grande metrópole

(com 6.102 mil consumidores concentrados em uma área de 4.526 km2).

Do ponto de vista socioeconômico, histórico e comportamental, as heterogeneidades

são ainda maiores. Essas decorrem do processo de formação da sociedade e da

economia em cada parte do país, iniciado em momentos distintos e com

características também próprias.

Tendo em vista que o objetivo de ferramentas e técnicas de benchmarking é buscar

variáveis que expliquem grande parte do fenômeno em estudo para permitir a

comparação, é intrínseco a qualquer método a perda de informação da realidade.

Essa perda se torna mais crítica à medida que aumenta o nível de heterogeneidade

entre as concessionárias e que as particularidades específicas de determinada

concessão são mais contundentes.




17

Dessa Forma, o grande desafio da regulação é dar o tratamento adequado para

essa heterogeneidade.

Nesse sentido, deve-se reconhecer o esforço da ANEEL em buscar variáveis que

capturem as especificidades das concessionárias de distribuição. Entretanto, a

realidade mostra-se tão complexa e multidimensional que não é possível atingir

completamente o objetivo apenas por meio da consideração de variáveis nos

modelos de benchmarking. Consequentemente, nas metodologias usadas na fixação

dos limites para indicadores de continuidade, acaba-se perdendo informação

relevante sobre as particularidades de algumas concessionárias, e essa perda

acaba punindo a detentora da particularidade não capturada.

A ANEEL enfatiza que os resultados apurados por seus modelos refletem a

eficiência/ineficiência de gestão das concessionárias. Entretanto, considerando os

objetivos das empresas notadamente as privadas, não faz sentido uma ação

deliberada que resulte na magnitude de ineficiência observada, medida a partir dos

valores das compensações pagas por algumas distribuidoras.

As concessionárias privadas visam constantemente, dentre outros objetivos, a

rentabilidade. Cabe lembrar que essa maximização não pode piorar a qualidade do

serviço, pois há um conjunto de mecanismos penalizadores em caso de

descumprimento das metas regulatórias definidas pela ANEEL, tais como multas,

penalidades e ressarcimentos. Uma gestão ineficiente da concessionária levaria a

reduções nas margens de lucro ou até mesmo a prejuízos, uma vez que as receitas

regulatórias definidas pela ANEEL estariam reduzidas pela identificação por parte do

Regulador da referida ineficiência.

Portanto, não é razoável supor que alguns níveis observados de compensações

pagas, em função da violação de indicadores de continuidade, seja objeto de

ineficiência das empresas. Isso leva a concluir que parte dessa suposta ineficiência




18

medida é decorrente, na realidade, de fatores heterogêneos não dimensionados

adequadamente pelos modelos regulatórios.

Nesse contexto, é temerária a utilização das metodologias propostas para fixação

dos limites dos indicadores de forma determinística por parte do Regulador, sem

uma visão crítica dos resultados, não comparando-os com a realidade. Portanto, é

fundamental para a regulação o uso de ferramentas complementares de avaliação

do desempenho das distribuidoras e de um espaço de discussão das

particularidades com a concessionária.

Assim, as decisões regulatórias para casos excepcionais devem ser estabelecidas

com discricionariedade, em um processo no qual os resultados das metodologias

propostas e as informações adicionais trazidas pelas concessionárias ou levantadas

pelo Regulador (em processos de fiscalização, por exemplo), sejam utilizadas de

forma complementar, transformando-se em objetos para uma discussão que resulte

na fixação de parâmetros mais compatíveis com a realidade.

Nesses casos, os resultados do benchmarking passam a ser a referência que vai

nortear o processo de discussão com a empresa. Além disso, para a concessionária,

seria permitido aportar argumentos e estudos que identificassem e comprovassem a

necessidade de valor regulatório diferenciado e adequado àquela concessão, a ser

determinado discricionariamente.

A concessionária entende as dificuldades que cercam as decisões tomadas

complementarmente com base no poder discricionário do Regulador. Entretanto, a

realidade do segmento de distribuição é tão complexa e diferenciada que utilizar

apenas modelos determinísticos de benchmarking causa, em algumas situações,

distorções nas decisões regulatórias que são maiores e mais imprevisíveis que

aquelas tomadas em um espaço de discussão com a concessionária, seguida da

decisão discricionária da ANEEL.




19

4. Compatibilidade da Metodologia para a Celpa

4.1 Conjuntos Comparáveis

Uma importante premissa que deve ser adotada para realização de benchmarking é

a comparabilidade do que se deseja comparar. Na base de dados apresentada pela

ANEEL, verificou-se que a Celpa era a única concessionária da Região Norte

(Região reconhecidamente particular pela urbanização mais tardia, forte influência

de fatores geográficos e climáticos, áreas com elevadas dimensões, presença de

áreas remotas com condição de logística diferenciada, suprimento a partir de

geração local, dentre outras características). Nesse sentido, como não há

concessionárias comparáveis a Celpa, entende-se que há uma perda de informação

relevante para que o benchmarking seja feito, o que pode prejudicar a

concessionária.

Assim, os resultados mostrados a seguir e ilustrados nos gráficos para os conjuntos

selecionados confirmam a elevada disparidade nos indicadores de qualidade dos

conjuntos da Celpa quando comparados aos conjuntos selecionados das demais

distribuidoras do país, na composição dos conjuntos semelhantes. Mesmo depois de

23 meses de ação intensa da nova gestão e de relevantes resultados, há um

elevado distanciamento entre o mundo real e o regulatório e que certamente não

pode ser solucionado apenas com investimentos e melhoria na gestão.

Observa-se que a distribuição dos valores dos conjuntos semelhantes apresenta

faixa de variação do indicador DEC muito abaixo e não superposta com a

distribuição dos conjuntos da Celpa.

Para a apresentação dos resultados, foram selecionados os 48 conjuntos – do total

de 134 conjuntos da Celpa – que representam 71% das compensações pagas, em

decorrência do não cumprimento dos limites dos indicadores de qualidade, em 2013.




20

Os 48 conjuntos selecionados, apresentados no Quadro 1 a seguir, encontram-se

segredados em: conjuntos atendidos pelo SIN (39 conjuntos) e conjuntos de

sistemas isolados (9 conjuntos). No quadro encontram-se apresentados também os

valores de DEC dos conjuntos e de seus conjuntos “benchmark”.

Quadro 1 – Conjuntos Celpa x Conjuntos Definidores de Meta

Conjuntos críticos da Celpa (*)

Celpa Definidor de Meta Proporção (Celpa/Definidor) Conjunto DEC Conjunto DEC

ALTAMIRA I 114,25 ITAJAÍ ITAIPAVA 9,08 1258,00%

ALTAMIRA III 295,39 BRASNORTE 26,89 1099,00%

CARAJÁS I 66,42 VENANCIO AIRES 17,21 386,00%

URUARÁ 227,42 PRAINHA 24,62 924,00%

TERRA ALTA 122,4 AUGUSTO MONTENEGRO 23,34 524,00%

VILA CONCÓRDIA I 151,45 ENTRE RIOS DO SUL 28,59 530,00%

NOVO REPARTIMENTO 203 SAPEZAL_34,5KV 39,11 519,00%

ABAETETUBA II 332,52 GURUPÁ 81,4 409,00%

BRAGANÇA 99,74 CANDELÁRIA 22,11 451,00%

ITAITUBA II 289,26 CONFRESA 33,14 873,00%

SANTA MARIA DO PARÁ 108,6 CHAPECÓ II 19,9 546,00%

PARAGOMINAS II 208,18 NOVA PETRÓPOLIS 21,27 979,00%

VILA DO CONDE 79,41 AUGUSTO MONTENEGRO 23,34 340,00%

SANTARÉM 29,8 JARAGUÁ DO SUL 9,01 331,00%

TAPAJÓS II 328,49 BRASNORTE 26,89 1222,00%

XINGUARA II 321,92 ENCRUZILHADA 13,75 2341,00%

CAMETÁ I 96,94 JOINVILLE VILA NOVA 25,63 378,00%

TAILÂNDIA II 380,83 TERRA DE AREIA 27,85 1367,00%

TAILÂNDIA III 351,04 COMODORO 53,41 657,00%

CASTANHAL 41,89 HORIZONTINA 23,87 175,00%

RIO VERMELHO 117,33 TANGARA DA SERRA 13,65 860,00%

ELDORADO II 144,22 SANTA CRUZ 2 16,34 883,00%

CAPANEMA II 209,36 COLINAS TOCANTINS 17,97 1165,00%

TUCURUÍ I 35,16 PASSO FUNDO 1 10,96 321,00%

CONCEIÇÃO DO ARAGUAIA 77,93 RIO PARANAÍBA 16,61 469,00%

SANTA IZABEL (**) 60,99 AUGUSTO MONTENEGRO 23,34 261,00%

ALTAMIRA II 256 ENCANTADO 16,83 1521,00%




21

Celpa Definidor de Meta Proporção (Celpa/Definidor) Conjunto DEC Conjunto DEC

MARABÁ II 195,43 COUTO MAGALHAES 39,96 489,00%

JURUTÍ I 13,76 MARAU 10,68 129,00%

RONDON DO PARÁ 66,79 SANTA CRUZ 2 16,34 409,00%

MARITUBA II (**) 221,92 COQUEIRO 28,18 788,00%

ABAETETUBA I 62,67 JUINA 20,26 309,00%

SÃO MIGUEL DO GUAM 87,75 ENTRONCAMENTO ARARUAMA 12,35 711,00%

MOJÚ 148,62 PONTAL DO SUL 28,78 516,00%

NOVO PROGRESSO II 183,81 INDAIAL 17,21 1068,00%

PARAGOMINAS III 224,56 COUTO MAGALHAES 39,96 562,00%

COQUEIRO (**) 28,18 CREMAÇÃO 15,39 183,00%

CAPANEMA I 71,64 PALMEIRA DAS MISSÕES 17,64 406,00%

MIRAMAR (**) 28,93 JURUTÍ I 13,76 210,00%

Sistemas Isolados

MONTE ALEGRE I 72,68 ALMEIRIM 21,33 341,00%

ÓBIDOS I 81,57 JARAGUÁ CHICO DE PAULA 14,62 558,00%

SANTANA DO ARAGUAIA II 212,47 JUARA 18,54 1146,00%

ORIXIMINÁ 59,55 GURUPÁ 81,4 73,00%

MONTE ALEGRE II 348,65 MAMBUCABA 63,66 548,00%

ÓBIDOS II 555,66 TARAUACÁ 73,81 753,00%

ALENQUER I 59,2 JOINVILLE IRIRIÚ 11,01 538,00%

GURUPÁ 81,4 FARO 49,14 166,00%

ALENQUER II 289,28 PCH_PARANATINGA II 58,61 494,00%

(*) representam 71% das compensações pagas em 2013;

(**) conjuntos identificados pela cor azul pertencem à área metropolitana de

Belém.

Chama a atenção o indicador denominado “Proporção Celpa/Definidor” – última

coluna do quadro 1 – que apresenta o quanto o DEC da Celpa ultrapassa o valor do

DEC do conjunto benchmark.

Além da reduzida quantidade de conjuntos comparáveis aos da Celpa (não foram

apresentados outros conjuntos de outras concessionárias da Região Norte), os

atributos escolhidos para caracterizar os conjuntos semelhantes no país não são




22

adequados para o caso da distribuidora, pois vários dos atributos adotados explicam

menos do que 10% das distâncias, carecendo, por isso, de representatividade para

os conjuntos críticos da empresa.

A figura 3 a seguir ilustra a faixa de variação dos valores de DEC para os conjuntos

selecionados de outras distribuidoras do país e os conjuntos da Celpa, que

compõem os conjuntos semelhantes adotados para a definição do conjunto definidor

(“benchmark”).

Figura 3 – Faixa de variação dos valores de DEC par a os conjuntos CELPA

(*) os dois pontos extremos do gráfico, identificados pelas cores diferentes,

correspondem ao “conjunto da Celpa (Uruará)”, identificado em vermelho e o

conjunto benchmark, no caso, Prainha, da própria Celpa (azul escuro).

A figura 3 apresentou, ordenados em ordem crescente, os valores dos DEC dos

alimentadores que compõem os conjuntos semelhantes – no caso, do alimentador




23

Uruará (na região Sudoeste do estado do Pará). Os conjuntos que são da própria

Celpa encontram-se, também ordenados, do lado direito do eixo das abcissas.

Como pode ser observado, os valores de DEC dos conjuntos da Celpa apresentam

uma faixa de variação extremamente mais ampla do que aquela observada para os

conjuntos das outras distribuidoras presentes na composição dos conjuntos

semelhantes.

A seguir são apresentados os Boxplots de comparação dos subgrupos da Celpa e

não-Celpa para os conjuntos críticos da Celpa.




24




25




26




27




28




29

Figura 4 – Faixa de variação dos valores de DEC par a os conjuntos CELPA




30

A análise estatística de comparação entre os conjuntos da Celpa e os conjuntos não

Celpa apresentada, mostra que os valores de DEC da Celpa são estatisticamente

diferentes dos valores de DEC dos demais conjuntos que compõem os conjuntos

semelhantes, o que é um forte indício de que os conjuntos não são comparáveis. É

importante destacar que o elevado distanciamento ocorre mesmo depois da

expressiva melhora dos indicadores de DEC da Celpa com a atuação do novo

controlador.

Esta discrepância pode originar-se de pelo menos dois fatores: (i) ou os atributos

não conseguem representar adequadamente os conjuntos da Celpa; ou (ii) os

próprios critérios para fixação dos conjuntos podem estar inadequados. E, de fato, o

mais provável é que uma combinação destes dois fatores, e de outros não listados,

estejam presentes. De todo modo, o problema evidencia a necessidade de que seja

preservado o adequado grau de flexibilidade na metodologia, para o devido

tratamento dos casos discrepantes, como os apresentados.

4.2 Análise de homogeneidade dos agrupamentos dos c onjuntos da Celpa

A NT 0059/2014-SRD/ANEEL apresenta a metodologia de cálculo dos indicadores

regulatórios de continuidade DEC e FEC dos conjuntos das distribuidoras de

energia. De forma sucinta, após o levantamento das principais variáveis associadas

aos índices de continuidade, uma análise fatorial associada a uma análise de

regressão do tipo STEPWISE são aplicadas para a seleção de variáveis. Essas

variáveis são posteriormente utilizadas para definir grupos semelhantes, a partir do

cálculo de distâncias euclidianas. Conjuntos que apresentam distâncias próximas

são, a princípio, semelhantes.

Na definição dos grupos semelhantes para o cálculo do indicador regulatório dos

conjuntos da Celpa, em média, 45% dos próprios conjuntos da empresa entram na

constituição de seus grupos semelhantes. A mínima proporção de participação da

Celpa nos grupos semelhantes é de 10% e a máxima proporção é de 92%. Portanto,




31

os conjuntos de unidades consumidoras da concessionária apresentam uma

característica extremamente peculiar, uma vez que os grupos semelhantes são

formados por conjuntos da própria distribuidora. Vale notar que este fato pode ser

parcialmente explicado pela ausência de outras distribuidoras da região norte nos

estudos realizados.

Considerando que conjuntos da própria Celpa participam na formação de seus

grupos semelhantes, é esperado um alto grau de homogeneidade entre os valores

de DEC dos conjuntos da distribuidora, neste caso a Celpa, e os valores de DEC das

demais empresas que participam no grupo semelhante. Dessa forma, o indicador

regulatório dos conjuntos semelhantes, definido pelo percentil 20 dos elementos do

grupo, deve alternar aleatoriamente entre valores da própria Celpa e valores das

demais empresas que formam os grupos semelhantes.

Este relatório apresenta uma análise estatística comparativa dos elementos dos

grupos semelhantes. Os conjuntos para cada grupo semelhante foram inicialmente

separados conforme a participação, ou não, nos conjuntos da Celpa. Dessa forma,

foram criados o subgrupo “não CELPA” de conjuntos que não pertencem à

distribuidora, e o subgrupo “CELPA” de conjuntos pertencentes à própria Celpa. Os

subgrupos foram então comparados para verificar estatisticamente a

homogeneidade de seus elementos com relação ao indicador de continuidade DEC.

Foram utilizados os testes de comparação das médias entre dois grupos (teste-t), e

o teste de comparação das distribuições de probabilidade (teste Kolmogorov-

Smirnov para comparação de duas amostras). Os resultados foram aplicados para

cada um dos 39 conjuntos críticos, sendo cada conjunto definido a partir da

metodologia de clusterização dinâmica.

Os resultados mostram que, embora as variáveis de clusterização dinâmica tenham

sido selecionadas em um modelo genérico para estimação do DEC,

desconsiderando a relação entre conjuntos e a distribuidora a que pertence, tal

formulação gerou grupos semelhantes inconsistentes para a Celpa. Existe uma




32

diferença estatisticamente significativa entre os valores de DEC dos conjuntos da

Celpa e os valores de DEC dos conjuntos das demais empresas que formam os

grupos semelhantes.

A análise estatística mostra que para os conjuntos que pertencem ao Sistema

Interligado Nacional (SIN), os valores de DEC da Celpa são estatisticamente mais

elevados que os valores das demais empresas. Como consequência, os valores

regulatórios de DEC são extremamente baixos, se comparados com os valores

praticados pelos conjuntos da Celpa e que, a princípio, deveriam ser semelhantes

aos valores praticados pelos demais conjuntos do grupo semelhante.

Metodologia

Para cada um dos 39 conjuntos críticos da CELPA, foram formados os subgrupos:

(A) dos conjuntos pertencentes à CELPA e (B) dos conjuntos não pertencentes à

CELPA. Para o subgrupo A foi definido o vetor XA com os respectivos valores de

DEC, e o vetor XB com os valores de DEC do grupo B.

Teste-t

O teste-t (Casella et al, 2002) é um procedimento de comparação de médias entre

dois grupos a partir da estatística de teste �: � = �� − ��

onde �� = �� + ��, este teste é aplicado no teste da hipótese nula de que as

médias dos grupos A e B são iguais: H0: µA=µB. A este teste é associado um nível

descritivo ou valor-P. Caso o valor-P esteja abaixo de 0,05 (5%), é dito que a

hipótese nula é rejeitada ao nível de confiança de 5%. Então, há evidência de que a

hipótese alternativa (H0: µA≠µB) é verdadeira. Maiores detalhes são apresentados em

Casella et al (2002).




33

Teste de Kolmogorov-Smirnov

Diferente do teste-t que têm como objetivo avaliar se duas amostras provêm de

distribuições com a mesma média, o teste de Kolmogoriv-Smirnov (Conover et al.,

1980) procura avaliar se duas amostras provêm da mesma distribuição de

probabilidade. Dessa forma, o teste de Kolmogorov-Smirnov é mais abrangente. Ou

seja, caso haja evidência de que duas amostras provêm de uma mesma distribuição,

então os momentos das amostras (média, variância, etc.) são iguais.

A formulação da estatística de teste está associada à definição das distribuições

empíricas para as amostras dos grupos comparados:

�� (�) = 1��

�� (�) = 1��

onde �� é a função indicadora. A estatística de teste é definida por:

�,�� = "#$�%�� (�) − �� (�)%

A hipótese nula de igualdade entre as duas distribuições é rejeitada ao nível de

confiança α se:

�,�� = &(')(�� + �� × ��

onde c(α) é uma constante. Maiores detalhes são apresentados em Conover et al.

(1980). Semelhante ao resultado do teste t, ao valor observado da estatística de

teste é associado um nível descritivo ou valor-P. Caso o valor-P esteja abaixo de

0,05 (5%), é dito que a hipótese nula é rejeitada ao nível de confiança de 5%. A

rejeição da hipótese nula indica que os grupos A e B possuem distribuições de

probabilidade distintas.




34

Resultados

Para cada um dos conjuntos críticos da CELPA selecionados, foram formados os

subgrupos: (A) dos conjuntos pertencentes à CELPA e (B) dos conjuntos não

pertencentes à CELPA. Os valores de DEC para cada subgrupo foram comparados

utilizando os testes-t e de Kolmogorov-Smirnov. O teste-t verifica se as médias dos

dois grupos são iguais e o teste de Kolmogorov-Smirnov verifica se as distribuições

de probabilidade para o DEC dos subgrupos A e B são iguais. O quadro 2, a seguir,

apresenta os resultados.

As colunas teste-t e teste.KS apresentam os níveis descritivos dos testes.

Sucintamente, valores abaixo de 5% indicam que a hipótese nula foi rejeitada, ou

seja, os subgrupos A e B são distintos. Neste caso todos os níveis descritivos estão

abaixo de 5% o que indica que os grupos críticos formados para os conjuntos da

CELPA, existem dois subgrupos com características distintas: os conjuntos CELPA e

os conjuntos não CELPA. Tal comportamento é visualmente demonstrado na

comparação dos boxplots.




35

Quadro 2 – Resultado dos teste-t e do teste de Kolm ogorov –Smirnov de comparação de dois grupos

4.3 A representatividade dos atributos escolhidos

Adotando-se a análise de regressão múltipla, o método stepwise e bestsubsets para

a seleção de atributos, detalhadamente apresentados no Anexo, foram identificados

os atributos que melhor explicassem o comportamento do indicador de qualidade

DEC para todos os conjuntos da Celpa (e não apenas os anteriormente

IDCONJ conjunto teste.T teste.KS não CELPA CELPA Total comparável

15459 ABAETETUBA I 0,00001 0,00001 14 36 50

15505 ABAETETUBA II 0,00001 0,00000 14 36 50

15461 ALTAMIRA I 0,00002 0,00000 78 22 100

15507 ALTAMIRA II 0,00000 0,00000 62 36 98

15508 ALTAMIRA III 0,00000 0,00000 33 17 50

14450 BRAGANÇA 0,00000 0,00000 25 27 52

15464 CAMETÁ I 0,00000 0,00001 12 38 50

15465 CAPANEMA I 0,00000 0,00000 31 19 50

15511 CAPANEMA II 0,00000 0,00000 67 33 100

15466 CARAJÁS I 0,04576 0,00037 89 11 100

15542 CASTANHAL 0,00000 0,00002 14 36 50

14460 CONCEIÇÃO DO ARAGUAIA 0,00003 0,00000 81 19 100

15468 COQUEIRO 0,00007 0,03213 4 46 50

15514 ELDORADO II 0,00019 0,00000 87 13 100

15515 ITAITUBA II 0,00000 0,00000 29 21 50

15477 JURUTÍ I 0,00001 0,00000 59 20 79

15517 MARABÁ II 0,00000 0,00000 36 14 50

15518 MARITUBA II 0,00000 0,00130 7 43 50

14485 MIRAMAR 0,00007 0,02063 6 44 50

14486 MOJÚ 0,00001 0,00015 10 40 50

15481 NOVO PROGRESSO II 0,00004 0,00005 26 24 50

14493 NOVO REPARTIMENTO 0,00027 0,00000 41 9 50

15522 PARAGOMINAS II 0,00012 0,00000 82 18 100

15523 PARAGOMINAS III 0,00004 0,00000 37 13 50

14507 RIO VERMELHO 0,00139 0,00000 71 8 79

14508 RONDON DO PARÁ 0,02466 0,00113 89 11 100

15526 SANTA IZABEL 0,00001 0,00011 12 38 50

14514 SANTA MARIA DO PARÁ 0,00000 0,00000 29 21 50

14516 SANTARÉM 0,00000 0,00000 30 20 50

14518 SÃO MIGUEL DO GUAM 0,00000 0,00000 70 30 100

15530 TAILÂNDIA II 0,00000 0,00000 18 32 50

15531 TAILÂNDIA III 0,00000 0,00000 28 23 51

15532 TAPAJÓS II 0,00000 0,00000 36 21 57

15543 TERRA ALTA 0,00001 0,00002 14 36 50

15494 TUCURUÍ I 0,00002 0,00000 82 18 100

14527 URUARÁ 0,00000 0,00000 35 24 59

15495 VILA CONCÓRDIA I 0,00000 0,00000 22 28 50

14530 VILA DO CONDE 0,00001 0,00033 11 39 50

15536 XINGUARA II 0,00013 0,00000 83 17 100




36

selecionados conjuntos críticos), seja para ter uma maior representatividade

estatística, seja para que representem os parâmetros a escolher para um eventual

modelo ad hoc para a Celpa.

Com isso foram identificados – para fins de comparabilidade foram escolhidos

modelos com 7 atributos, número escolhido pela Aneel para compor o conjunto de

atributos explicativos – os atributos apresentados na quadro abaixo, relacionados

contra os atributos escolhidos pela Aneel.

Como pode ser observado no quadro 3, apenas três dos sete atributos são

coincidentes.

Quadro 3 – Atributos selecionados para a metodologi a comparativa 1

(ANEEL e esta proposta)

Atributo

ANEEL NOME DO ATRIBUTO (unidade)

Atributo

CELPA NOME DO ATRIBUTO (unidade)

PC_VRAM

PERCENTUAL DE ÁREA COM

VEGETAÇÃO REMANESCENTE ALTA

OU MÉDIA (%)

AA ÁREA DE ATUAÇÃO (km2)

PLUV PRECIPITAÇÃO PLUVIOMÉTRICA

MÉDIA ANUAL (mm) PC_VRB

PERCENTUAL DE ÁREA COM VEGETAÇÃO

REMANESCENTE BAIXA (%)

ERMT_NURB EXTENSÃO DE REDE NÃO URBANA

(km) PC_VRAM

PERCENTUAL DE ÁREA COM

VEGETAÇÃO REMANESCENTE ALTA OU

MÉDIA (%)

CM_NUC_COM CONSUMO MÉDIO POR UC CLASSE

COMERCIAL (MWh) PC-VR

PERCENTUAL DE ÁREA COM VEGETAÇÃO

REMANESCENTE (%)

NUC_OU NUC OUTRAS CLASSES AREA ÁREA (km2)

1 Tabela XXXVIII da Nota Técnica n° 0067/2014-SRD/ANEEL




37

Atributo

ANEEL NOME DO ATRIBUTO (unidade)

Atributo

CELPA NOME DO ATRIBUTO (unidade)

PC_NUC_COM PERCENTUAL DE NUC COMERCIAL

(%) PLUV

PRECIPITAÇÃO PLUVIOMÉTRICA MÉDIA

ANUAL (mm)

NUC_TD NUC POR TRANSFORMADOR ERMT_1F EXTENSÃO DE REDE MT POR FASES

MONOFÁSICA (km)

Obs.:

1. os atributos estão apresentados em ordem de importância;

2. os atributos “comuns” entre as duas modelagens encontram-se marcados

em negrito .

Isso, per se, já indicaria a inadequação da aplicação, para o caso da Celpa, da

metodologia – ou, pelo menos, dos parâmetros (atributos) – escolhida pela Aneel

para a aplicação sobre as outras distribuidoras do país.

4.4 Participação Relativa dos Atributos Escolhidos

Porém, ainda mais grave, é a identificação que se segue, que mostra que, na

escolha dos conjuntos semelhantes, os atributos que contribuíram para a seleção

dos conjuntos foram justamente aqueles que não constam do conjunto de atributos

do modelo da Celpa. Isto encontra-se documentado no Anexo I deste documento.

Dito de outra maneira: há um conjunto de atributos que se aplica à maioria dos

conjuntos das outras distribuidoras do país. Ao ser aplicado o modelo com esses

atributos, para a Celpa, os mesmos são semelhantes, justamente pelo fato de que

eles não explicam os valores de DEC dos conjuntos.

Com isso, ao se verificar o comportamento dos atributos que constam em ambos os

modelos, estes explicam entre 75% e 90% das distâncias euclidianas encontradas

nos conjuntos semelhantes. Ou seja, existem atributos que são utilizados para definir




38

os conjuntos semelhantes – que são aqueles atributos que não diferenciam os

conjuntos, por serem praticamente inexistentes ou de valores muito baixos – e os

outros conjuntos, estes sim que explicam o valor da variável dependente (DEC), que

são muito distantes do conjunto de referência.

Assim, passa-se a uma situação contraditória, que é aquela aonde um grupo de

conjuntos que não têm nenhuma representatividade é escolhido – complementado

por um conjunto de atributos da própria Celpa, apenas para compor a

obrigatoriedade do número de conjuntos para fins de análise estatística – do qual é

retirado um conjunto de DEC irrealista para a situação ambiental da Celpa, o qual

passa a ser o benchmark a ser buscado.

O fato de os valores de DEC reais (observados, e isso já após a atuação do novo

controlador, que derrubou esses valores em proporções significativas como 25% ou

mais) encontrarem várias ordens de grandeza (4, 5, 6 ou mais vezes) superior ao

valor do benchmark sinaliza que há algo que não foi capturado corretamente pela

metodologia proposta para a referência dos indicadores de qualidade a serem

perseguidos por esta concessionária.

O Quadro 4, a seguir, ilustra, para o conjunto de alimentadores críticos o quanto

cada parcela do modelo adotado – com os atributos escolhidos pela Aneel – é

explicativa em termos de participação na distância euclidiana para seu conjunto

definidor (benchmark).

Como definido pela metodologia aprovada pela Aneel, o que define os conjuntos que

constituem os conjuntos semelhantes de um dado conjunto é a menor distância

euclidiana total. Portanto, são aqueles conjuntos para os quais os atributos que (em

termos médios ponderados) são “mais próximos”.

A partir da observação do quadro 4 a seguir e do quadro 5, seguinte, que apresenta

o cálculo para todos os conjuntos do exemplo do gráfico apresentado anteriormente




39

– Uruará – observa-se que quatro dos atributos (colunas CM_NUC_COM, NUC_OU,

PC_NUC_COM e NUC_TD) respondem por 19,4% da distância. Ou seja, esses

atributos foram os que contribuíram para que os conjuntos fossem selecionados para

compor os “conjuntos semelhantes”.

Ocorre que os atributos: CM_NUC_COM (CONSUMO MÉDIO POR UC CLASSE

COMERCIAL (MWh)), NUC_OU (NUC OUTRAS CLASSES), PC_NUC_COM

(PERCENTUAL DE NUC COMERCIAL (%)) não são representativos para explicar o

comportamento dos indicadores de qualidade da Celpa – diferentemente do que

ocorre para o restante do país.

Assim, ao ser calculada a distância euclidiana de todos os conjuntos que compõem

os conjuntos semelhantes, as demais variáveis: PC_VRAM, PLUV e ERMT_NURB,

que respondem por 80,6% da distância (no caso deste conjunto Uruará), são valores

extremamente elevados, o que mostra que estes atributos não seriam fatores

explicativos para a seleção dos conjuntos semelhantes. Ou, em outras palavras,

esses conjuntos não guardam semelhança com o conjunto da Celpa, em análise,

nos principais atributos que explicam os indicadores de qualidade.

Como pode ser observado, os valores destacados em cor vermelha são não

representativos, enquanto que quanto mais clara a cor (próxima ao amarelo) maior o

valor da contribuição.

Quadro 4 – Participação na distância euclidiana par a seu conjunto definidor (conjuntos críticos)

Conjunto PC_VRAM PLUV ERMT_NURB CM_NUC_COM NUC_OU PC_NUC_COM NUC_TD

ALTAMIRA I 26,90% 45,50% 23,60% 0,50% 0,00% 1,50% 2,10%

ALTAMIRA III 26,60% 53,70% 4,30% 0,50% 1,30% 12,70% 0,90%

CARAJÁS I 2,80% 0,00% 79,90% 2,50% 0,00% 5,20% 9,50%

URUARÁ 84,60% 0,70% 8,50% 0,00% 0,50% 1,40% 4,30%

TERRA ALTA 6,60% 2,30% 77,50% 0,20% 4,30% 0,00% 9,20%

VILA CONCÓRDIA I 8,60% 86,40% 4,10% 0,00% 0,10% 0,30% 0,60%

NOVO REPARTIMENTO

47,20% 16,10% 20,90% 1,60% 1,20% 13,00% 0,00%




40


ABAETETUBA II 76,40% 2,90% 6,40% 0,00% 0,30% 9,00% 5,00%

BRAGANÇA 1,90% 35,20% 53,50% 0,00% 4,10% 0,80% 4,50%

ITAITUBA II 23,70% 70,20% 0,80% 0,10% 0,10% 3,80% 1,40%

SANTA MARIA DO PARÁ 0,40% 71,20% 25,10% 0,10% 0,60% 1,90% 0,60%

PARAGOMINAS II 14,10% 3,50% 80,20% 0,00% 0,60% 0,50% 1,10%

VILA DO CONDE 1,30% 55,40% 4,50% 0,20% 0,90% 5,60% 32,10%

SANTARÉM 15,10% 78,20% 1,70% 0,00% 1,00% 3,40% 0,80%

TAPAJÓS II 19,50% 52,20% 3,50% 0,50% 0,10% 23,80% 0,40%

XINGUARA II 2,50% 63,30% 12,60% 0,10% 0,10% 7,30% 14,00%

CAMETÁ I 7,90% 76,90% 0,10% 0,00% 0,50% 14,60% 0,00%

TAILÂNDIA II 0,10% 62,40% 23,60% 0,00% 0,80% 10,30% 2,80%

TAILÂNDIA III 0,00% 75,50% 3,70% 0,30% 0,00% 19,70% 0,70%

CASTANHAL 2,10% 51,60% 42,40% 0,00% 0,20% 0,00% 3,70%

RIO VERMELHO 8,30% 1,70% 84,50% 0,20% 0,10% 2,90% 2,40%

ELDORADO II 2,50% 0,00% 88,50% 0,10% 0,70% 4,50% 3,50%

CAPANEMA II 0,60% 56,60% 0,50% 0,20% 0,10% 31,10% 11,00%

TUCURUÍ I 4,30% 40,10% 45,50% 0,20% 0,10% 3,00% 6,70%

CONCEIÇÃO DO ARAGUAIA

28,10% 54,60% 0,50% 0,00% 0,20% 16,60% 0,00%

SANTA IZABEL 44,20% 19,50% 0,70% 0,40% 0,60% 2,90% 31,70%

ALTAMIRA II 1,50% 20,30% 63,10% 0,10% 1,00% 10,30% 3,80%

MARABÁ II 90,90% 7,90% 0,30% 0,00% 0,00% 0,50% 0,40%

JURUTÍ I 67,50% 14,60% 12,30% 0,00% 0,20% 1,20% 4,20%

RONDON DO PARÁ

1,60% 9,20% 80,70% 0,20% 1,10% 7,30% 0,00%

MARITUBA II 1,50% 2,40% 79,50% 0,60% 0,00% 0,00% 15,90%

ABAETETUBA I 3,00% 90,30% 4,80% 0,10% 0,10% 0,60% 1,10%

SÃO MIGUEL DO GUAM 3,60% 8,10% 73,60% 0,00% 0,40% 11,60% 2,50%

MOJÚ 32,60% 38,80% 0,00% 0,10% 0,30% 0,40% 27,80%

NOVO PROGRESSO II 8,40% 21,20% 45,70% 0,00% 0,30% 21,40% 2,90%

PARAGOMINAS III

0,30% 98,70% 0,10% 0,10% 0,40% 0,10% 0,30%

COQUEIRO 25,30% 0,00% 55,80% 0,10% 0,00% 8,50% 10,20%

CAPANEMA I 3,70% 55,30% 37,20% 0,00% 2,80% 0,50% 0,60%

MIRAMAR 34,90% 55,70% 2,20% 0,30% 0,00% 5,70% 1,20%

MONTE ALEGRE I

69,20% 7,40% 5,10% 0,00% 0,00% 18,20% 0,10%

ÓBIDOS I 22,10% 40,50% 3,70% 0,00% 0,10% 11,40% 22,20%

SANTANA DO ARAGUAIA II 46,20% 7,40% 14,40% 0,10% 0,30% 28,60% 2,90%

ORIXIMINÁ 84,30% 0,90% 0,50% 0,00% 0,00% 0,20% 14,00%

MONTE ALEGRE II 15,20% 2,70% 74,70% 0,10% 0,20% 0,10% 7,00%

ÓBIDOS II 65,20% 0,00% 1,20% 0,00% 0,10% 31,20% 2,30%




41


ALENQUER I 0,00% 0,10% 59,50% 0,10% 0,00% 15,90% 24,30%

GURUPÁ 27,00% 9,70% 0,10% 0,00% 0,00% 61,30% 1,80%

ALENQUER II 17,70% 50,20% 0,30% 0,30% 0,00% 31,50% 0,00%

O quadro a seguir ilustra o cálculo para o conjunto Uruará.

Quadro 5 – Participação na distância euclidiana par a seu conjunto definidor (Uruará)


TANGARA DA SERRA

77,3% 9,0% 2,8% 0,0% 0,3% 3,4% 7,3%

GUARAI I 49,6% 24,9% 0,2% 0,7% 0,8% 10,9% 12,8%

CAMPO NOVO PARECIS - NOVA

7,6% 0,8% 57,8% 0,3% 0,0% 31,0% 2,5%

SINOP_CENTRO 23,2% 0,0% 10,6% 63,6% 1,2% 0,4% 1,0%

SORRISO 7,8% 1,1% 71,6% 1,3% 0,3% 16,1% 1,8%

SINOP 96,6% 0,0% 0,1% 0,2% 0,5% 0,6% 2,1%

JUARA 73,1% 0,4% 23,3% 0,1% 0,0% 2,5% 0,6%

MORRETES 7,7% 50,1% 20,3% 2,9% 2,5% 16,6% 0,0%

DIAMANTINO 79,7% 1,7% 14,7% 1,0% 0,1% 2,3% 0,4%

COLIDER 84,6% 0,7% 8,5% 0,0% 0,5% 1,4% 4,3%

PRAINHA 4,0% 38,2% 46,3% 0,6% 3,7% 6,2% 0,9%

BRASNORTE 42,1% 0,6% 49,8% 0,1% 2,6% 4,5% 0,2%

TERRA NOVA DO NORTE

9,6% 75,5% 12,1% 0,1% 2,3% 0,2% 0,3%

CONFRESA 90,0% 1,6% 6,9% 0,2% 1,1% 0,2% 0,0%

COMODORO 2,0% 75,1% 19,5% 0,0% 1,3% 1,4% 0,6%

MINERADORA 11,4% 8,2% 75,4% 0,3% 0,5% 0,3% 3,8%

MARABÁ I 65,7% 1,5% 23,3% 1,1% 2,5% 4,2% 1,6%

CLAUDIA 40,8% 51,1% 0,6% 0,1% 0,8% 6,5% 0,1%

CHAPADA 9,0% 12,7% 6,2% 1,8% 5,0% 56,7% 8,6%

JUARA_34,5KV 49,9% 8,3% 30,4% 4,4% 2,0% 3,4% 1,5%

SAPEZAL_34,5KV 12,9% 4,7% 49,3% 0,3% 3,3% 27,1% 2,4%

NOVA CANAA 11,1% 65,1% 1,5% 0,4% 0,9% 20,8% 0,2%

QURENCIA DO NORTE

20,3% 13,3% 48,3% 5,9% 4,7% 3,3% 4,3%

LUCAS DO RIO VERDE_34,5KV

72,0% 9,0% 10,1% 0,3% 1,0% 7,1% 0,4%

GUARANTA 4,5% 19,9% 65,1% 0,5% 0,0% 5,8% 4,3%

REDENÇÃO I 89,8% 8,9% 0,0% 0,2% 0,2% 0,6% 0,3%

SANTA CARMEM 72,7% 7,9% 16,9% 0,1% 1,0% 0,7% 0,6%

UT_SAO JOSE RIO CLARO_34,5KV

28,1% 30,4% 33,6% 0,3% 1,8% 5,0% 0,7%




42


PCH_PARANATINGA II

0,2% 19,8% 31,1% 0,0% 1,7% 44,2% 3,0%

JUINA_34,5KV 0,2% 87,4% 2,5% 0,0% 1,1% 4,2% 4,5%

RONDON DO PARÁ

27,8% 27,4% 16,8% 0,1% 0,9% 26,0% 1,0%

NOVA ROSALANDIA

1,7% 22,9% 36,0% 0,4% 3,8% 28,2% 6,9%

ALTA FLORESTA_34,5KV

0,2% 76,8% 15,6% 1,0% 2,6% 0,1% 3,7%

BOA ESPERANÇA 0,2% 23,5% 8,9% 0,1% 3,1% 64,2% 0,0%

MORADA NOVA 45,1% 6,2% 40,0% 4,2% 2,2% 0,1% 2,1%

ITANORTE 8,5% 59,6% 27,9% 0,1% 2,3% 0,9% 0,5%

LAGOA DA CONFUSAO

22,0% 62,1% 10,3% 0,1% 0,9% 3,2% 1,3%

CONCEIÇÃO DO ARAGUAIA

16,9% 20,5% 26,7% 0,0% 1,2% 33,6% 1,1%

VILA RICA_NOVA_34,5KV

51,5% 23,3% 17,7% 0,0% 0,8% 6,3% 0,3%

NOVA PINHEIROPOLIS

79,6% 1,7% 7,6% 0,0% 0,3% 10,5% 0,2%

GOV. PARIGOT DE SOUZA

67,7% 0,1% 30,2% 0,0% 1,6% 0,3% 0,1%

RURÓPOLIS 2,6% 2,5% 30,7% 0,0% 2,0% 60,3% 1,8%

GOIANÉSIA II 0,0% 10,0% 8,3% 24,2% 5,1% 52,3% 0,1%

URUARÁ 39,7% 0,8% 16,2% 0,0% 0,6% 41,7% 1,0%

ITUPIRANGA II 0,7% 63,9% 33,0% 0,1% 1,9% 0,3% 0,1%

PARAGOMINAS II 9,8% 28,0% 32,4% 0,0% 2,8% 25,2% 1,8%

ALTAMIRA II 57,6% 7,0% 21,1% 0,0% 0,9% 13,0% 0,4%

ALENQUER II 33,6% 9,4% 44,7% 0,0% 2,7% 5,6% 3,9%

TUCUMÃ II 80,3% 6,0% 5,5% 0,0% 0,3% 7,8% 0,0%

JURUTÍ II 62,4% 0,6% 30,7% 0,0% 0,9% 1,1% 4,2%

ALTAMIRA III 87,9% 0,1% 6,3% 0,0% 0,3% 5,4% 0,0%

MONTE ALEGRE II 26,7% 21,9% 37,1% 0,0% 2,4% 9,8% 2,0%

ITAITUBA II 45,8% 11,6% 37,8% 0,0% 3,6% 0,0% 1,2%

SÃO FELIX II 25,2% 5,5% 33,3% 0,0% 2,0% 32,7% 1,3%

TAPAJÓS II 57,0% 23,3% 11,5% 0,0% 0,6% 7,0% 0,5%

TAILÂNDIA III 45,5% 6,3% 11,9% 0,0% 0,7% 34,9% 0,7%

TUCURUÍ II 37,0% 4,8% 18,2% 0,0% 1,0% 37,8% 1,2%

CARAJÁS II 24,0% 19,4% 26,3% 0,0% 1,5% 28,2% 0,5%

Uma maneira de desenvolver uma estatística que mostra a inadequação dos

atributos indicados é retirá-los da análise e determinar novamente os clusters dos

conjuntos semelhantes.




43

Aplicando a metodologia da Aneel obtém-se, para os conjuntos críticos da Celpa, o

seguinte quadro, que mostra o número de conjuntos que constituem os conjuntos

semelhantes para cada alternativa: os 7 atributos da metodologia, os 4 atributos

mais explicativos e, finalmente, os 3 atributos que não são responsáveis pela

explicação das distâncias, como ilustrado anteriormente.

Adicionalmente, foram apresentados a participação de conjuntos da Celpa e a

heterogeneidade de cada cluster que compõem os conjuntos semelhantes dos

conjuntos críticos da Celpa. O quadro 6 apresenta os resultados para todos os

conjuntos da Celpa.

Quadro 6 – Resumo dos Modelos Comparados

Conjunto

Modelo ANEEL com 7 (sete) atributos Modelo com 4 (quatro) atributos Modelo com 3 (três)

atributos

Heterogeneidade Tamanho Heterogeneidade Tamanho Heterogeneidade Tamanho

ABAETETUBA I 21,14% 49 26,46% 49 2,52% 100

ABAETETUBA II 23,28% 49 29,19% 49 1,37% 100

AFUÁ 31,04% 49 39,63% 49 1,64% 100

ALENQUER I 20,24% 49 24,38% 49 3,38% 100

ALENQUER II 22,50% 49 25,56% 49 1,89% 100

ALMEIRIM 25,10% 49 28,22% 49 1,63% 100

ALTAMIRA I 18,11% 100 19,95% 92 3,90% 100

ALTAMIRA II 19,98% 99 19,82% 52 1,07% 100

ALTAMIRA III 24,34% 49 29,33% 49 1,39% 100

ANAJÁS 41,00% 49 51,04% 49 4,14% 100

ANANINDEUA 29,71% 49 37,15% 49 1,43% 100

AUGUSTO MONTENEGRO 29,47% 49 36,33% 49 1,98% 100

AVEIRO 30,72% 49 35,71% 49 3,84% 100

BAGRE 34,04% 49 41,78% 49 3,82% 100

BARREIRA DO CAMPO 19,98% 79 19,97% 61 3,83% 100

BENEVIDES 26,68% 49 34,28% 49 1,19% 100

BENGUÍ 34,87% 49 44,28% 49 1,96% 100

BRAGANÇA 19,91% 49 23,56% 49 6,04% 100

BREU BRANCO I 16,37% 100 19,39% 100 1,38% 100

BREU BRANCO II 19,98% 62 20,19% 49 4,22% 100

BREVES 28,71% 49 35,76% 49 2,74% 100

CACHOEIRA DO ARARÍ 43,61% 49 55,33% 49 3,83% 100

CAMETÁ I 22,60% 49 28,98% 49 1,44% 100




44

Conjunto


atributos


CAMETÁ II 25,21% 49 28,92% 49 4,29% 100

CAPANEMA I 20,30% 49 25,57% 49 4,17% 100

CAPANEMA II 19,96% 98 20,10% 49 1,94% 100

CARAJÁS I 13,98% 100 16,86% 100 2,35% 100

CARAJÁS II 21,02% 49 22,82% 49 4,11% 100

CASTANHAL 22,38% 49 26,42% 49 4,04% 100

CASTELO DOS SONHOS 26,68% 49 22,70% 49 9,62% 100

CHAVES 22,94% 49 26,99% 49 4,15% 100

CIDADE NOVA 14,98% 100 17,61% 100 2,32% 100

CONCEIÇÃO DO ARAGUAIA 19,06% 100 19,98% 66 1,27% 100

COQUEIRO 29,94% 49 37,67% 49 2,36% 100

COTIJUBA 31,63% 49 39,21% 49 2,40% 100

CREMAÇÃO 38,48% 49 48,70% 49 4,65% 100

CURIÓ 35,29% 49 44,79% 49 2,51% 100

CURRALINHO 33,31% 49 41,64% 49 2,48% 100

CURUÁ 19,99% 71 23,17% 49 1,44% 100

DOM ELISEU 15,30% 100 18,53% 100 0,94% 100

ELDORADO I 13,29% 100 15,77% 100 1,61% 100

ELDORADO II 19,63% 100 20,50% 49 0,95% 100

FARO 24,38% 49 26,64% 49 1,41% 100

GOIANÉSIA I 16,62% 100 19,26% 100 1,62% 100

GOIANÉSIA II 19,94% 66 20,11% 49 3,82% 100

GUAMÁ 38,49% 49 49,61% 49 1,46% 100

GURUPÁ 24,55% 49 27,12% 49 4,04% 100

ICOARACI 32,73% 49 42,11% 49 1,02% 100

INDEPENDÊNCIA 37,27% 49 45,40% 49 8,23% 100

ITAITUBA I 17,20% 100 19,42% 100 2,51% 100

ITAITUBA II 21,56% 49 24,33% 49 1,26% 100

ITUPIRANGA I 14,75% 100 17,19% 100 1,11% 100

ITUPIRANGA II 21,59% 49 19,95% 53 7,65% 100

JACAREACANGA 22,98% 49 24,20% 49 4,05% 100

JACUNDÁ I 14,89% 100 17,33% 100 0,91% 100

JACUNDÁ II 19,90% 66 19,98% 74 7,68% 100

JURUNAS 36,33% 49 45,99% 49 4,41% 100

JURUTÍ I 20,00% 91 20,66% 49 3,54% 100

JURUTÍ II 21,59% 49 23,38% 49 3,82% 100

MÃE DO RIO 19,65% 58 23,73% 49 2,41% 100

MARABÁ I 16,91% 100 19,64% 100 3,79% 100

MARABÁ II 22,19% 49 28,12% 49 1,23% 100




45

Conjunto


atributos


MARCO 36,26% 49 46,91% 49 3,56% 100

MARITUBA I 28,57% 49 35,90% 49 1,10% 100

MARITUBA II 29,07% 49 35,53% 49 5,84% 100

MELGAÇO 47,51% 49 60,55% 49 4,12% 100

MIRAMAR 36,45% 49 47,12% 49 2,87% 100

MOJÚ 23,31% 49 29,14% 49 1,25% 100

MONTE ALEGRE I 19,99% 51 22,04% 49 3,31% 100

MONTE ALEGRE II 19,99% 52 20,34% 49 1,30% 100

MORADA NOVA 17,36% 100 19,99% 84 0,96% 100

MOSQUEIRO 26,40% 49 33,84% 49 0,96% 100

MUANÁ 26,54% 49 31,64% 49 1,36% 100

NOVA IPIXUNA 19,41% 100 19,98% 76 3,22% 100

NOVO PROGRESSO I 20,30% 49 19,97% 78 9,38% 100

NOVO PROGRESSO II 26,65% 49 24,09% 49 8,16% 100

NOVO REPARTIMENTO 31,65% 49 40,70% 49 1,52% 100

ÓBIDOS I 18,36% 100 19,96% 77 1,65% 100

ÓBIDOS II 21,28% 49 23,74% 49 1,88% 100

OEIRAS DO PARA 42,20% 49 55,00% 49 2,30% 100

ORIXIMINÁ 31,27% 49 36,85% 49 1,41% 100

OURÉM I 18,76% 100 19,97% 51 1,98% 100

OURÉM II 19,19% 100 19,93% 59 1,65% 100

OUTEIRO 29,03% 49 35,27% 49 3,82% 100

PARAGOMINAS I 12,08% 100 12,09% 100 2,74% 100

PARAGOMINAS II 18,80% 100 19,97% 72 1,01% 100

PARAGOMINAS III 22,46% 49 27,74% 49 1,17% 100

PEDREIRA 36,58% 49 47,31% 49 2,81% 100

PONTA DE PEDRAS 29,13% 49 35,11% 49 4,11% 100

PORTEL 29,32% 49 36,10% 49 1,96% 100

PORTO DE MOZ 21,79% 49 22,44% 49 4,04% 100

PRAINHA 19,80% 71 19,91% 63 3,82% 100

REDENÇÃO I 17,90% 100 19,98% 72 1,53% 100

REDENÇÃO III 19,99% 56 24,92% 49 1,20% 100

REDUTO 52,09% 49 45,09% 49 34,87% 49

RIO MARIA I 13,19% 100 13,77% 100 4,05% 100

RIO MARIA II 18,90% 100 19,84% 52 1,20% 100

RIO VERMELHO 19,99% 78 22,18% 49 1,06% 100

RONDON DO PARÁ 16,15% 100 19,54% 100 1,40% 100

RURÓPOLIS 19,69% 80 19,93% 64 1,78% 100

SALINÓPOLIS 27,29% 49 33,58% 49 1,45% 100




46

Conjunto


atributos


SALVATERRA I 26,49% 49 32,91% 49 1,26% 100

SALVATERRA II 28,15% 49 33,33% 49 3,82% 100

SANTA CRUZ DO ARARI 29,86% 49 36,20% 49 1,70% 100

SANTA IZABEL 24,38% 49 31,04% 49 1,28% 100

SANTA MARIA DAS BARREIRAS 19,83% 86 19,64% 71 3,84% 100

SANTA MARIA DO PARÁ 26,70% 49 34,06% 49 4,57% 100

SANTANA DO ARAGUAIA I 17,31% 100 18,11% 100 3,60% 100

SANTANA DO ARAGUAIA II 19,98% 54 19,99% 89 8,15% 100

SANTARÉM 20,95% 49 22,30% 49 7,73% 100

SÃO FELIX I 13,09% 100 11,45% 100 4,97% 100

SÃO FELIX II 19,90% 51 20,03% 49 2,29% 100

SÃO MIGUEL DO GUAM 19,88% 100 21,29% 49 1,77% 100 SÃO SEBASTIÃO DA BOA VISTA 26,08% 49 32,09% 49 3,82% 100

SOSSÊGO 13,55% 100 15,03% 100 2,26% 100

SOURE 29,98% 49 38,13% 49 1,52% 100

TAILÂNDIA I 17,45% 100 19,93% 77 1,30% 100

TAILÂNDIA II 22,03% 49 26,68% 49 1,56% 100

TAILÂNDIA III 19,85% 50 24,36% 49 1,14% 100

TAPAJÓS I 19,73% 100 20,68% 49 0,99% 100

TAPAJÓS II 19,60% 53 21,26% 49 1,71% 100

TERRA ALTA 30,71% 49 38,72% 49 6,22% 100

TERRA SANTA 29,27% 49 37,21% 49 2,18% 100

TUCUMÃ I 13,55% 100 13,95% 100 3,95% 100

TUCUMÃ II 19,99% 63 22,38% 49 1,49% 100

TUCURUÍ I 18,52% 100 19,99% 72 1,21% 100

TUCURUÍ II 23,00% 49 23,80% 49 7,65% 100

URUARÁ 19,80% 59 22,63% 49 1,55% 100

UTINGA 29,26% 49 38,20% 49 1,04% 100

VILA CONCÓRDIA I 26,28% 49 34,14% 49 3,87% 100

VILA CONCÓRDIA II 24,96% 49 29,88% 49 3,83% 100

VILA DO CONDE 21,63% 49 27,55% 49 1,25% 100

XINGUARA I 12,74% 100 14,63% 100 2,79% 100

XINGUARA II 17,53% 100 19,84% 87 1,43% 100

Como pode ser observado no quadro 6, ao serem retirados os atributos não

explicativos, observa-se uma elevação – da ordem de 20% – em praticamente todos

os conjuntos críticos.




47

E, mais relevante, observa-se que heterogeneidade do modelo ao serem adotados

os três atributos não explicativos “despenca” para menos de 1/5 dos valores da

alternativa com 7 atributos.

4.5 Influência das Características Ambientais

Conforme destacado anteriormente, a proposta metodológica da ANEEL apresenta

alguns aperfeiçoamentos com relação à metodologia vigente, na medida em que

incorpora algumas variáveis ambientais, como chuva e vegetação.

Ainda que haja evolução, a Celpa entende que a abordagem submetida à Audiência

Pública ainda não incorpora algumas especificidades relevantes de cada concessão,

especificidades estas que comprovadamente afetam significativamente a qualidade

do serviço, como por exemplo, a sazonalidade do regime de chuvas e a

complexidade socioeconômica do estado.

Assim, a ausência de outras variáveis ambientais explica, em grande medida,

porque as concessionárias conseguem cumprir com folga as metas regulatórias em

alguns conjuntos, mas apresentam uma distância relevante entre outros conjuntos.

A despeito das limitações metodológicas na captura das especificidades, entende-se

a necessidade de a ANEEL estabelecer uma metodologia do tipo Top Down para

embasar uma proposta inicial e uma referência para os limites dos indicadores de

continuidade. Também é importante que seja flexibilizada o próprio processo de

formação dos conjuntos, haja vista o tipo de particularidade existente na concessão

da Celpa.

Por outro lado, a aplicação pura e simples de métodos estatísticos, que comparam o

desempenho dos conjuntos com base apenas em atributos físico-elétricos e poucos

fatores ambientais criam severas distorções. Sendo que estas distorções tendem

privilegiar algumas concessionárias em detrimento de outras.




48

Nesse sentido, na definição dos limites devem-se levar em consideração algumas

características que afetam os indicadores de continuidade e que tendem a ser mais

representativas em algumas concessões do que em outras, sobretudo nas que estão

presentes em regiões onde há maiores dificuldades operacionais.

Outro ponto de destaque é que essas concessionárias que apresentam os maiores

desafios estão localizadas na região norte do país, que corresponde a uma parcela

praticamente desprezível quando comparado ao total de conjuntos do Brasil. Como

há problemas de apuração nos indicadores e nos atributos da maioria das

concessionárias do Norte, a Celpa praticamente é a única representante dessa

região, o que compromete os resultados do Benchmarking, dada a ausência de

pares sujeitos às mesmas condições adversas.

Mesmo com os resultados positivos já alcançados pela Celpa, essa comparação

desigual tende a manter o abismo entre o mundo real e o mundo regulatório.

Um dos pontos de destaque característico da região Norte e que afeta, sobretudo a

quantidade de interrupções e consequentemente o volume de compensações,

consiste no regime pluviométrico do estado do Pará.

É simplista afirmar que estes empecilhos levantados pela distribuidora são parte dos

desafios de uma concessão de distribuição de energia elétrica e que a existência de

aglomerados subnormais e violência urbana se configuram um problema presente

em várias outras capitais do país. De fato, é mais prudente afirmar que estes fatores

influenciam de maneira muito diferenciada as concessões brasileiras e de maneira

mais diferenciada ainda os seus conjuntos elétricos.

Deste modo, o foco do trabalho realizado pela Celpa concentrou-se em mostrar a

elevada relação entre compensações e o regime pluviométrico das mesorregiões do

estado do Pará.




49

A outra análise teve como objetivo demonstrar a elevada relação entre a

complexidade socioeconômica do estado com os níveis de DEC e FEC. Cabe

ressaltar que o índice de complexidade é amplamente utilizado pela ANEEL para

definição dos níveis de Perdas Não Técnicas.

Resumidamente, o modelo de complexidade socioeconômica tem por objetivo

explicar a parcela não gerenciável das Perdas Não Técnicas por meio de variáveis

socioeconômicas como pobreza, desigualdade, domicílios subnormais. Assim, foram

utilizadas as mesmas variáveis do modelo de complexidade para explicar o nível de

qualidade.

Com relação ao ranking de complexidade socioeconômica utilizado para determinar

o nível de Perdas Não Técnicas, é importante destacar que a área de concessão da

Celpa é a mais complexa do país, o que corrobora com o agravamento das

dificuldades para melhoria da qualidade.

4.5.1 Influência da Sazonalidade das Chuvas nas Com pensações

O benchmarking utilizado pela ANEEL para definição dos limites de continuidade

compara o desempenho entre conjuntos semelhantes, segundo atributos físicos e

elétricos. A medida de desempenho adotada é o próprio indicador anual de

continuidade (DEC e FEC).

No entanto, os indicadores médios anuais não refletem fielmente a dinâmica da

operação e manutenção da distribuidora, pois os ativos estão expostos às

intempéries climáticas e questões sazonais podem distorcer os valores anuais.

Não são raros os casos da ocorrência de um descompasso entre a definição dos

limites individuais anuais dos indicadores com a definição dos indicadores individuais




50

mensais e trimestrais. Este descompasso causa um maior gravame para empresas

sujeitas a fatores sazonais mais intensos.

Na área de concessão da Celpa, a principal adversidade à redução dos indicadores

de continuidade, essencialmente o DEC, está associada à elevada extensão

territorial, péssimas condições de acesso e influências climáticas advindas de uma

área típica de floresta. Em outras palavras, a urbanização no estado do Pará não

chegou no mesmo momento dos outros estados da federação, o que impõe uma

maior restrição no atendimento.

Assim, no caso da Celpa e Distribuidoras da região norte, em períodos de

severidade climática mais acentuada, há uma potencialização dessas externalidades

negativas, onde os ventos, algumas vezes associado à vegetação, provocam as

falhas e a chuva deteriora ainda mais as condições de trafegabilidade nas precárias

vias.

Conforme verificado no gráfico abaixo, a rede de distribuição da Celpa está mais

sujeita às ocorrências no primeiro semestre do ano.




51




52

Figura 5 – Pluviometria

Os dados mensais de índice pluviométrico e compensações pagas para as 6

mesorregiões do Pará foram utilizados para verificar a correlação entre as

compensações e o índice pluviométrico. Foram considerados somente os dados

referentes ao ano de 2013, para minimizar o efeito de mudança de gestão ocorrida

no período 2012/2013 e considerar somente a gestão atual que teve início em 2013.

Além disso, os dados da mesorregião “Marajó – PA” foram excluídos da análise por

apresentarem um comportamento peculiar, característico da própria mesorregião,

conforme pode ser verificado na figura apresentada anteriormente.




53

A figura abaixo apresenta o gráfico de dispersão das compensações pagas (eixo-y)

em função do índice pluviométrico (eixo-x). É possível observar uma correlação

linear positiva entre o índice pluviométrico e os valores pagos em compensações.

Figura 6 – Dispersão das Compensações Pagas em Funç ão do Índice

Pluviométrico

Para avaliar, estatisticamente, a relação entre compensações e índice pluviométrico,

foi calculado o coeficiente de correlação linear (Pearson) e foi realizado um teste de

hipótese. Com relação ao teste de hipótese, a hipótese nula representa a ausência

de correlação linear entre as variáveis de interesse.

O coeficiente de correlação de Pearson foi estimado em 0,4161 (41,61%) e o teste

de hipótese obteve um p-valor = 0.00094. Neste caso, é possível afirmar que ao

nível de confiança de 5%, a hipótese nula foi rejeitada. Ou seja, há evidência

estatística de correlação entre as compensações pagas e o índice pluviométrico.

Como os efeitos climáticos sazonais têm efeitos mais acentuados nos indicadores

mensais em períodos já conhecidos pelas distribuidoras, entende-se como

pertinente reconhecer estes efeitos para determinação dos limites mensais dos

indicadores, o que não ocorre na metodologia vigente.




54

Outro ponto a ser observado é que o aumento da quantidade de equipes em

períodos mais críticos não surtiria os efeitos desejados, já que o ponto crítico no

atendimento das metas advém da combinação de ocorrências com causas na

severidade climática.

A proposta da Celpa para reduzir estes efeitos é a definição de dois ou mais

períodos no ano, a serem propostos pela distribuidora para a definição dos limites

dos indicadores individuais. Ou seja, nos períodos mais críticos haveria uma

tolerância maior para os indicadores individuais mensais e, em período(s) menos

crítico(s), haveria uma exigência maior para os indicadores individuais.

É importante destacar que a tolerância e exigência devem ser simétricas, ou seja,

entende-se, por exemplo, que uma tolerância de 30% a mais nos indicadores

individuais num determinado período, exigiria uma contrapartida de uma exigência

de 30% a mais nos indicadores individuais em outro(s) período(s).

4.5.2 Influência da Complexidade Socioeconômica

Conforme mencionado no início do capítulo, a incorporação de algumas variáveis

ambientais é positiva para o aprimoramento da metodologia. No entanto, a

quantidade de variáveis ambientais utilizadas ainda é incipiente para uma explicação

dos níveis de qualidade.

As variáveis utilizadas no modelo da ANEEL abrangem apenas as dimensões físico-

elétricas e algumas geográficas, que são chuva e vegetação. Mas a influência de

variáveis socioeconômicas também são determinantes, sobretudo a ocorrência de

domicílios subnormais.

A influência dessa dimensão de variáveis já foi utilizada pela Agência para definição

dos níveis de Perdas Não Técnicas. O principal desafio da atuação das




55

concessionárias nessas áreas complexas consiste em entrar e atuar, dado o elevado

nível de violência e condições de acesso.

É importante destacar que a Celpa foi classificada como a concessionária que atua

na área de concessão com a mais elevada complexidade socioeconômica, o que é

uma característica ambiental que afeta a atuação da concessionária de forma não

gerenciável.

O presente estudo tem como objetivo avaliar a influência de fatores

socioeconômicos nos níveis de qualidade. O quadro abaixo apresenta as variáveis

socioeconômicas testadas.

Quadro 7 – Atributos Socioeconômicos

Código Descrição

Vio Violência - Óbitos por Agressão

vio.ac Violência Acumulada (5 anos) - Óbitos por Agressão

coba.u Cobertura de água - urbano

coba.t Cobertura de água - total

lixo.u Coleta de lixo - urbano

lixo.t Cobertura de lixo - total

lixo.sl.u Coleta de lixo direta (serviço de limpeza) - % de domicílios com coleta de lixo - urbano

lixo.sl.t Coleta de lixo direta (serviço de limpeza) - % de domicílios com coleta de lixo - total

pob/pob2 1/2 sm - % de pessoas com renda per capita inferior a ½ salário mínimo

sub2 Precariedade - % de pessoas em domicílios subnormais (Censo 2010)

Como as variáveis socioeconômicas estão disponíveis para toda área de concessão,

não sendo segmentada por conjunto, a regressão linear apresentada utilizou como

variável explicada o DEC Global das concessionárias e como variável explicativa os

indicadores socioeconômicos descritos no quadro 7. O período analisado foi de 2003

até 2012. O quadro a seguir apresenta o resultado da estatística.




56

Quadro 8 – Resultado da análise desenvolvida

Conforme pode ser verificado nos parâmetros estatísticos da regressão linear, os

indicadores socioeconômicos das áreas de concessão explicam suficientemente o

DEC das concessionárias.

O R2 ajustado encontrado nessa regressão foi de 0,55, valor este muito próximo do

que foi obtido pela ANEEL nos modelos de regressão utilizados para selecionar os

atributos da proposta analisada. Cabe destacar também que os P-Valores das

variáveis da regressão são todos muito próximos de zero.

O que se comprova nesta análise é que, além das variáveis físico-elétricas e

ambientais geográficas (chuvas e vegetação), variáveis socioeconômicas também

afetam a qualidade do serviço.

Ainda que as variáveis socioeconômicas comprovadamente afetem à qualidade do

serviço, elas não foram consideradas nos modelos da ANEEL. Evidentemente que




57

há uma dificuldade para incorporar essas variáveis por conjuntos. No entanto, o fato

de existir a dificuldade operacional não quer dizer que o vetor deva ser

desconsiderado. A solução para este problema é reconhecer o problema, sobretudo

em caso como o da Celpa (maior complexidade socioeconômica) e abrir uma

oportunidade para a concessionária apresentar as suas especificidades.

4.6 Limites para os Indicadores Individuais (DIC, F IC e DMIC) Até dezembro de 2008, a violação dos limites globais de DEC e FEC implicava no

pagamento de multas pela distribuidora à ANEEL. A partir de janeiro de 2009, o

sistema passou de penalidade para compensação diretamente aos consumidores

afetados.

Assim, quando há violação dos limites de continuidade individual DIC, FIC, DMIC, e

DICRI em relação aos períodos de apuração mensal, trimestral, anual ou por

interrupção (no caso do DICRI), a empresa prestadora do serviço deverá calcular a

compensação e ressarcir o consumidor por meio de crédito na fatura.

Embora a Nota Técnica nº 059/2014-SRD/ANEEL não tenha abordado a redefinição

de metas para os indicadores individuais, a Celpa entende que a AP nº29/2014 é um

momento oportuno para que este assunto seja trazido à discussão.

As tabelas dispostas no módulo 8 do PRODIST (Anexo), que contém os limites

mensais dos indicadores individuais, foram obtidas por intermédio de estudo

estatístico realizado pela ANEEL no ano de 2009, que considerou a evolução dos

indicadores para 36 distribuidoras - período de 2007 a 2008 (Nota Técnica nº

092/2009 SRD-ANEEL)

No referido estudo todos os registros mensais dos indicadores individuais de um

determinado conjunto foram agrupados em intervalos de horas (para os indicadores

DIC e o DMIC) e em quantidade de interrupções (para o indicador FIC).




58

Com os dados agrupados e ordenados, foram obtidos os histogramas de frequência

relativa acumulada dos referidos indicadores, para cada conjunto de unidades

consumidoras, classificando-os por nível de Tensão (MT e BT) e localização (Urbana

e Rural).

Posteriormente, foi feita uma regressão linear dos pontos calculados, onde as retas

da regressão representavam as metas dos indicadores individuais em função dos

coletivos.

De uma maneira geral, os resultados das regressões apresentaram um baixo R2,

podendo ter como origem problemas na especificação do modelo ou a baixa

confiabilidade dos dados que geraram as regressões.

Assim, foi arbitrado pela ANEEL que os consumidores a serem ressarcidos pela

violação dos limites dos indicadores individuais seriam aqueles cujos registros

mensais fossem englobados nos 10% com pior qualidade anual no atendimento

pelas distribuidoras.

A Distribuidora entende que há fragilidades no modelo de relacionamento das metas

globais com individuais e que o estudo precisaria ser atualizado. O entendimento

também é que o critério de 10% adotado deveria ser mais flexível para as

concessionárias que ainda se encontram distantes da meta, o que tornaria o volume

de compensações pagas mais aderente e que não drenaria os recursos necessários

para melhoria dos níveis de qualidade.

5. Pontos de Aprimoramento da Metodologia

5.1 Flexibilização do Ponto de Partida dos Limites de Indicadores de

Continuidade (DEC e FEC)

Entre os anos de 2000 e 2009, período da vigência da Resolução Normativa nº

024/2000, os conjuntos de unidades consumidoras eram definidos apenas pelo




59

critério de contiguidade. Grande parte das distribuidoras utilizava como critério para

formação dos conjuntos os municípios que constituíam a sua área de concessão.

Esse critério pouco restritivo conferia as distribuidoras uma elevada flexibilidade na

formação de seus conjuntos. Com o passar dos anos, esse critério de formação

pouco rígido fez com que os conjuntos se tornassem muito distintos e quase

incomparáveis (intraconcessão e interconcessões). Um exemplo bastante

emblemático foi dado pela própria ANEEL, onde CEMIG, com 48 conjuntos,

6.920.162 unidades consumidoras e mais de 800 municípios; e a COSERN, com 340

conjuntos, 1.090.174 unidades consumidoras e menos de 200 municípios (dados de

maio de 2010).

Na regulação por comparação, que vem sendo cada vez mais utilizada pela ANEEL,

a padronização e uniformidade dos dados é condição sine qua non para que se

garanta a comparabilidade do que se deseja comparar. Ou seja, só é possível definir

metas de qualidade de conjuntos por meio benchmarking quando se garante que

estes conjuntos realmente sejam comparáveis em termos de atributos.

Assim, em 2009 a ANEEL realizou um estudo para o estabelecimento de um critério

para formação dos conjuntos buscando homogeneizá-los e melhorar os resultados

do método de análise comparativa de desempenho.

O novo critério foi aprovado pela Revisão 1 do PRODIST, e consta do Módulo 8,

Seção 8.2, item 2, e vincula os conjuntos à rede elétrica da seguinte forma:

“2.1 O conjunto de unidades consumidoras é definido por subestação que

possua primário em AT e secundário em MT.

2.1.1 A abrangência do conjunto deve ser as redes MT a jusante da

subestação e de propriedade da distribuidora.




60

2.2 Para as redes MT das distribuidoras que não possuam subestação com

primário em AT, o conjunto deve ser composto pelas redes em MT de sua

propriedade até o ponto de conexão com o agente supridor.

2.3 Todas as unidades consumidoras atendidas em BT e MT deverão estar

classificadas no mesmo conjunto da subestação que as atendam.

2.4 A ANEEL, a qualquer momento, poderá solicitar à distribuidora a revisão

da configuração dos conjuntos de unidades consumidoras.

2.5 Havendo alteração permanente na configuração do sistema que acarrete

mudança nos conjuntos, a distribuidora deverá propor revisão da configuração

dos conjuntos de unidades consumidoras, quando do estabelecimento dos

limites anuais dos indicadores de continuidade disposto no item 5.10.1 desta

seção.

2.6 Casos particulares em que a aplicação da regra definida no item 2.1 crie

conjuntos desuniformes serão avaliados pela ANEEL.”

Em que pese às deficiências que ainda existem no critério de subestação para

definição dos conjuntos, este novo critério melhorou a padronização dos conjuntos

vis à vis seus atributos e reduziu as distorções até então existentes.

Superado o critério de definição dos conjuntos, o passo seguinte consistiu em definir

limites de continuidade de partida para os novos conjuntos. É importante destacar

que até as mudanças de critério de formação de conjuntos, os indicadores de

continuidade e os seus respectivos limites estavam associados aos conjuntos que

obedeciam ao critério de formação vigente à época (áreas contíguas). Ou seja, havia

uma relação de coerência entre os limites dos conjuntos e a sua realidade, dado o

critério utilizado.

Assim, a ANEEL abriu Consulta Pública apresentando uma proposta para os novos

limites dos novos conjuntos baseando-se na manutenção dos limites globais já

estabelecidos para as distribuidoras até as próximas revisões tarifárias. Neste

momento, os limites globais deveriam ser ajustados aos novos conjuntos, o que




61

provocou, inevitavelmente, algumas alterações nos limites individuais para os

consumidores, para mais ou para menos.

Ainda que a padronização dos critérios seja meritória e que se tenha buscado a

manutenção dos indicadores de DEC e FEC globais, a mudança instituída trouxe um

risco adicional, pois não era possível se saber, a priori, qual a meta que deveria ser

atribuída aos novos conjuntos. Em outras palavras, não era possível mensurar o

impacto da definição das novas metas às novas configurações de conjuntos.

Não era possível se ter essa informação simplesmente porque o novo critério valeria

dali em diante, não sendo possível realizar simulações do passado em tempo hábil

que indicasse qual seriam os limites que garantiriam a condição de equilíbrio

existente anteriormente. Mesmo buscando a manutenção dos limites globais, não

era possível dizer, a priori, que as novas metas estariam sendo bem definidas.

Todas essas mudanças ocorreram entre o 2º e o 3º ciclo de revisões tarifárias. No 3º

ciclo a ANEEL utilizou o método dinâmico para definir as novas trajetórias. O ponto

de partida utilizado baseou-se nas metas definidas no momento da revisão de

critério de definição dos conjuntos, metas estas que já traziam uma elevada

incerteza quanto à adequação à nova realidade de configuração dos conjuntos.

Com isso, o que tem se verificado no decorrer dos anos é um elevado

distanciamento entre os limites de DEC e FEC e os valores apurados para alguns

conjuntos. Notadamente, não há interesse de a concessionária descumprir as metas

regulatórias, ainda mais quando este descumprimento é de 3 a 4 vezes os

patamares regulatórios. Esses descumprimentos elevam o volume de

compensações, reduzem a capacidade de investimento e desgastam a imagem da

distribuidora, gerando um círculo vicioso e destrutivo.

Assim, não é razoável que a elevada distância verificada nesses conjuntos advenha

apenas de leniência ou ineficiência da concessionária. Há que se ponderar se os




62

limites realmente guardam coerência com a realidade da distribuidora. Deve ser

ponderado também se os investimentos necessários para que as metas sejam

atingidas são justificáveis, razoáveis e prudentes, já que os investimentos realizados

e os gastos operacionais adicionais se reverterão em maiores tarifas posteriormente.

A concessionária entende que o momento para a discussão desses aspectos é na

revisão das metodologias e na revisão tarifária periódica da concessionária. Criar

uma restrição que define que o ponto de partida atual deve ser o ponto de chegada

anterior é contraproducente, empobrece o debate e pode gerar distorções e

iniquidades.

Além da incerteza das metas definidas no momento da reconfiguração dos

conjuntos, as próprias consequências dos aperfeiçoamentos metodológicos pode

apontar que as novas metas deveriam ser superiores as atuais, o que torna

incoerente manter sempre o passado como referência para definição do ponto de

partida. A revisão da metodologia e dos limites constitui oportunidade para tornar as

metas compatíveis com a realidade de cada concessão.

Para tanto, há que se abrir um espaço para discussão de aspectos que tiveram

como origem metas mal definidas no passado, ou mesmo alguma limitação no

modelo que distorça a definição das metas.

Nesse sentido, deve-se buscar um equilíbrio entre a utilização objetiva de métodos e

o uso do poder discricionário, desde que devidamente fundamentados. O

regramento excessivo pode gerar um engessamento nefasto da Agência, o que traz

prejuízos para os Agentes e para a sociedade.

O quadro 9 abaixo apresenta os dez conjuntos da Celpa que apresentam as maiores

distâncias entre o DEC real e o DEC regulatório.




63

Quadro 9 – Distância entre Metas Regulatórios e Res ultados Auferidos de DEC

em 2013

NOME DO CONJUNTO DEC 2013 (LIM) [1] DEC 2014 (REAL) [2] Relação [2]/[1]

CELPA ÓBIDOS II 40 556 14

CELPA MONTE ALEGRE II 30 349 12

CELPA TUCUMÃ II 30 299 10

CELPA ALENQUER II 30 289 10

CELPA TUCURUÍ II 58 543 9

CELPA BREU BRANCO II 40 328 8

CELPA XINGUARA II 40 322 8

CELPA URUARÁ 30 227 8

CELPA ITAITUBA II 40 289 7

CELPA SANTANA DO ARAGUAIA II 30 212 7

O conjunto Óbidos II possui um limite de DEC de 40 horas, mas o DEC apurado é de

556 horas, ou seja, uma diferença de 516 horas ou de 1290%. Conforme destacado

anteriormente, não é razoável que um descumprimento desta magnitude tenha

apenas origem na ineficiência da concessionária, mas também em fatores não

explicados pelo modelo ou em metas mal definidas anteriormente.

A Celpa possui atualmente 94 conjuntos com distanciamento elevado quando

comparados as metas definidas, mesmo a empresa conquistando reduções

expressivas nos seus indicadores de DEC, melhoria em 28% do DEC em 2013 e

projeção de melhoria de 30% do DEC em 2014, esses conjuntos com metas

desproporcionais prosseguem sem muita evolução, mesmo com todas as ações

empreendidas pela concessionária.

O gráfico abaixo apresenta a quantidade de conjuntos da Celpa que apresentam

distâncias entre relevantes do DEC real quando comparado ao DEC regulatório

(Resultados do ano de 2013):




64

Figura 7 – Conjuntos com Relevante Distanciamento d as Metas Propostas

De forma a corroborar com o entendimento exposto, do limitado poder de explicação

do modelo e da inadequação das metas, transcreve-se a seguir a visão dos

Diretores José Jurhosa Júnior e André Pepitone da Nóbrega sobre processo Nº

48500.000228/2013-18.

Este processo tratou do pedido de reconsideração da Escelsa sobre a sua Revisão

Tarifária Periódica. A apreciação em tela se refere ao modelo de Perdas Não

Técnicas, mas a essência do que foi discutido pode ser expandido para a definição

dos limites dos indicadores de continuidade.

Romeu Rufino: Viu Reive. Concordando com você, acho que o sinal

regulatório tem que ser mesmo desafiador para a emp resa reverter.

Agora, ele também não pode ultrapassar a barreira d o que seja razoável/

possível. Uma metodologia não pode impor uma situaç ão em que não

bate com a realidade. Claro que o sinal do desafio, da busca da

eficiência, tem que existir.

Agora, sabemos que em alguns casos tem um certo des leixo da

concessionária no combate a essas perdas. Não há dú vida disso. Mas o

grande desafio está nisso: dar o sinal com a intens idade que seja

necessária, mas que não ultrapasse essa barreira do que seja possível.

Reconhecer uma realidade como a Escelsa aqui reclam a de que de

94

40Conjunto comrelevantedistanciamento dasmetas de DEC

Conjunto com metasaderentes de DEC




65

repente nós usamos uma referência em termos de dado s que não estava

correta. Desde o processo da revisão, ela vinha tra zendo esse tipo de

argumento e nós não fomos talvez capaz, quer dizer, nós ficamos muito

preso, na minha maneira de ver, de uma certa forma exagerada, à

metodologia. Tanto é que na Light e na Ampla, a gen te evoluiu em

relação a isso e que, no meu modo de ver, fizemos o que deveria ser

feito, que é reconhecer uma situação diferenciada n aquela concessão

que a metodologia não foi capaz de abarcar. Esse é o ponto que, no

próximo ciclo, realmente tem que debruçar um pouco mais.”

José Jurhosa Júnior: Eu entendo que, por mais que v amos tentar

aperfeiçoar a metodologia de perdas para o outro ci clo, nós vamos

tentar melhorar o máximo possível. Mas eu não acred ito que vai

conseguir atender a todos os casos, porque é uma me todologia para um

país que tem uma diversidade enorme. Está se fazend o diferenciações,

mas está se buscando mais argumentos para que a gen te possa inserir

dentro da metodologia que em um caso ou outro ele p ossa ser

diferenciado.

Mas eu entendo que é muito difícil conseguir abarca r todos os casos.

André Pepitone da Nóbrega: Eu tenho defendido nas c onversas técnicas

que uma vez estabelecida a metodologia é importante que a

metodologia, ao contrário do que aconteceu no 3º ci clo, deixe um

espaço para que seja identificado e conferido trata mento a casos

excepcionais. É importantíssimo que a metodologia a ser estabelecida

no 4º ciclo tenha essa previsão.

José Jurhosa Júnior: Exatamente isso que iria compl ementar, mas você

já antecipou. Eu concordo com isso. Isso foi a gran de dificuldade do 3º

ciclo que no final da história a diretoria teve que assumir no caso da

Light e da Ampla uma forma um pouco diferenciada e fora da

metodologia. A gente tem que ter uma válvula de esc ape até para

agencia poder fazer, em casos excepcionais, comprov adamente que a




66

metodologia não consegue abarcar, a gente poder ter uma forma de

analisar diferente.

O que se depreende dos comentários dos Diretores é sobre a necessidade de uma

avaliação das razões que levam ao elevado distanciamento entre os patamares de

perdas regulatórias e os patamares de perdas reais. A mesma reflexão caberia para

os níveis de qualidade.

Assim, é imprescindível a necessidade de se avaliar detalhadamente os fatores que

influenciam o elevado distanciamento das metas para alguns conjuntos. É

necessário avaliar se as metas do passado foram definidas adequadamente, se a

metodologia não está capturando especificidades dos conjuntos que afetam a

qualidade ou mesmo se há ineficiência da concessionária. Com relação ao segundo

ponto deve-se destacar que modelos matemáticos e econométricos podem ser úteis

para criar referências, dar explicações médias, ou de relação de causa e efeito entre

variáveis, mas não para definição determinística de metas.

Assim, com o intuito de contribuir para o aprimoramento da metodologia, propõe-se

a previsão no regulamento de um espaço para discussão de flexibilização do ponto

de partida e de metas para os conjuntos que apresentam elevado distanciamento

com relação às metas regulatórias. A concessionária entende que as metas devam

ser ao mesmo tempo, desafiadoras e alcançáveis, o que não tem se verificado em

conjuntos onde há um elevado distanciamento.

5.2 Trajetória dos Indicadores

A ANEEL propôs limitadores anuais para a redução dos limites de DEC (8 horas por

ano) e FEC (5 interrupções por ano). O estabelecimento destes limites visou

ameniza o impacto de reduções elevadas.




67

A proposta tem efeito apenas para os conjuntos cujos limites atuais estão distantes

dos limites obtidos pelo benchmarking. Segundo a Agência, o principal motivador da

instituição desses limitadores foi a mitigação de impacto tarifário para que o objetivo

fosse alcançado.

O entendimento da Celpa é que o aprimoramento é bem-vindo, mas que traz pouco

efeito prático, já que o principal problema da concessionária é a elevada distância

entre o apurado dos indicadores e os seus respectivos limites.

Ademais, a estimativa do limitador está superestimada, uma vez que levou em

consideração o percentil 90 das maiores reduções de DEC e FEC com relação aos

indicadores apurados. Ou seja, os melhores desempenhos (percentil 90) podem

estar gerando esses elevados limitadores simplesmente porque os valores apurados

de DEC e FEC são muito elevados.

A Celpa entende que seria mais correto avaliar os melhores desempenhos apenas

dos conjuntos que estão cumprindo as metas regulatórias. Esta medida mitigaria a

superestimação de limitador, uma vez que as maiores reduções são, via de regra,

conjuntos com elevados indicadores de DEC e FEC e que, mesmo com esses bons

resultados, ainda estão descumprindo as exigências regulatórias. Alternativamente,

poder-se-ia adotar uma medida de desempenho mais conservadora, como por

exemplo, o percentil 80%, que já é a medida utilizada para definição dos

benchmarks.

5.3 Contribuição do Suprimento

Com a intenção de mitigar os efeitos de situações onde a participação do suprimento

nos indicadores de continuidade é muito relevante, a ANEEL propõe uma

flexibilização dos limites, caso o valor do indicador proveniente do suprimento supere

em 50% o valor do limite.




68

A flexibilização consiste na soma de valores associados a uma “trajetória de redução

da interrupção do suprimento” aos limites da trajetória do conjunto resultante do

modelo.

A trajetória de redução do suprimento é o valor determinado pela diferença entre o

valor anual do histórico do conjunto referência e a média do histórico dos conjuntos

que participaram de seu agrupamento, devendo tal diferença reduzir-se a zero no 5º

ano (V5).

A Celpa entende como uma evolução importante a flexibilização nesses casos, mas

também é preciso ponderar que o percentual de 50% é muito restritivo e distorce os

resultados do benchmarking. Há de se destacar que a premissa dos modelos da

ANEEL é que conjuntos semelhantes devem apresentar desempenho semelhantes,

mas nesse caso o desempenho da concessionária é afetado por outro Agente e este

fator é totalmente não gerenciável.

Se o regulador entende que devem ser considerados os efeitos das interrupções

provenientes do suprimento, subtende-se que a forma mais correta de se comparar

os desempenhos consiste em mitigar os efeitos destas interrupções, o que torna o

critério proposto excessivamente restritivo e injusto.

Diante deste contexto, entende-se que um dos caminhos a ser seguido é a

segregação dos padrões de duração e frequência de desligamento do suprimento,

objetivando que cada agente seja responsável estritamente pelas interrupções que

tenha dado causa.

Dessa forma, entende-se que o critério mais justo é o que atua na segregação dos

impactos do suprimento e que os efeitos dessas interrupções sejam neutralizados,

independente do percentual estipulado pela Agência.




69

5.4 Tratamento dos Conjuntos Heterogêneos

Com o objetivo de reduzir a subjetividade para definição dos limites de continuidade,

a ANEEL propõe a utilização do escore ANI. A função deste escore é qualificar se a

heterogeneidade dos conjuntos advém de características que beneficiam as

concessionárias, ou que as prejudicam.

Com essa medida de agravo ou desagravo, classifica-se os conjuntos heterogêneos

como mais ou menos complexos e isso determina se adotará um critério mais

restritivo ou menos restritivo na definição do conjunto formador das metas.

Embora haja pontos positivos no novo critério, a Celpa entende que a sua utilização

traz algumas externalidades negativas que é importância da discussão com o

regulador para a definição mais justa de limites de DEC e FEC, dado que há

especificidades que não são capturadas pelo modelo matemático.

A Celpa acredita que o escore ANI pode ser utilizado como uma referência para

embasar uma primeira proposta, mas que isso não elimine a possibilidade do diálogo

e a flexibilização de metas para os casos que comprovadamente se apresentem

como atípicos.

5.5 Dificuldades dos Conjuntos em Sistemas Remotos

Além de todas as particularidades já demonstradas na área de concessão da

CELPA, os conjuntos em sistemas remotos possuem a maior peculiaridade.

Antes de avançar, porém, faz-se necessário esclarecer o conceito de “Sistemas

remotos”, o qual não deve ser confundido com os chamados sistemas isolados

(caracterizados por geração local, não conectada ao SIN), ainda que muitas destes

sistemas tenham suprimento baseado em geração localizada, tampouco devem ser




70

confundidos com as “regiões remotas” a que se refere o art. 3º, §2º da Lei nº 12.111,

de 2009, as quais já tem tratamento especifico na regulamentação.

De fato, o que se busca caracterizar aqui são municípios ou localidades muito

distantes dos grandes núcleos urbanos ou bases operacionais da distribuidora e nas

quais a prestação do serviço de distribuição de energia elétrica se dá por rede

convencional, independente do suprimento (geração local, ou sistema interligado),

mas as condições de acesso (logísticas) são limitadas ou precárias – em geral, o

acesso somente pode ser feito por via fluvial ou por via área, e mesmo quando há

acesso terrestre este apresenta condições extremamente ruins, sendo fortemente

influenciado pela sazonalidade das chuvas –, e, ao mesmo tempo, não se verifica

um número mínimo de consumidores necessários para a justificar, do ponto de vista

de eficiência econômica, uma base operacional completa e autônoma.

Esses conjuntos são configurados pelo atendimento a clientes em regiões remotas,

que em geral não são interligados ao Sistema Interligado Nacional – SIN, ou seja, a

geração da energia ocorre através de usinas a diesel. Todavia, ainda que a

qualidade do suprimento (via geração local) seja crítica em vários casos, grande

parte do problema (e dos desafios associados) reside na logística de acesso à

própria localidade, independentemente do tipo de suprimento.

Devido ao extenso território do estado do Pará, existem muitos sistemas remotos, os

quais encontram-se principalmente na região do Tocantins-Marajó, Belém, Baixo

Amazonas e Sudeste do Estado, conforme demonstra a figura a seguir.




71

Figura 8 – Sistemas Remotos

Na área de concessão da CELPA existem 30 usinas diesel que fornecem energia a

mais de 130 mil consumidores, que representam a maioria dos sistemas remotos

Os conjuntos elétricos localizados nos sistemas remotos contribuem de forma

bastante expressiva com relação aos indicadores de DEC e FEC da empresa, visto

que representam 25% dos conjuntos elétricos da CELPA e são onde encontram-se

as principais dificuldades de atendimento.

Figura 9 – Conjuntos Interligados x Conjuntos Siste mas Remotos




72

Devido à grande dificuldade logística de acesso a essas regiões, que possuem um

acesso dificultoso durante o período seco e praticamente ficam sem acesso no

período das fortes chuvas amazônicas. Os indicadores nessas regiões destoam

totalmente dos demais conjuntos da Celpa, visto que em determinados casos, para

chegar até a esses sistemas é necessário até 03 meios de transportes, sendo o

meio de locomoção predominante as embarcações.

A figura 10 demonstra o quanto os indicadores nessas regiões comportam-se de

maneira particular, o que já justifica por si só, que seu tratamento no âmbito do

estabelecimento dos limites para DEC e FEC seja estabelecido de forma

diferenciada e condizente com a realidade da região, visto que o modelo matemático

utilizado para estabelecimento dos limites não consegue capturar importantes

variáveis que implicam diretamente no cumprimento das metas estabelecidas pelo

Regulador, principalmente o DEC.

Figura 10 – Realizado DEC x Metas DEC (Sistemas Rem otos)

Como citado anteriormente, a dificuldade logística aos sistemas remotos é fator

preponderante para o atendimento as interrupções de energia. A seguir




73

demonstramos imagens da dificuldade logística de algumas destas regiões, que hoje

tem suprimento por meio de geração local.

Anajás (Acesso por barco ou avião)

Aveiro (Acesso por barco ou por avião)

Barreira dos Campos (Acesso por avião ou estrada)




74

Santa Cruz do Arari (Acesso por barco)

Figura 11– Sistemas Remotos

Não obstante ao exposto com relação as dificuldades para alcance ao DEC

(Duração da Interrupção), o indicador FEC também possui uma importante

peculiaridade nesses sistemas remotos, visto que os programas de manutenção

para garantir a continuidade da energia não devem somente ocorrer nas redes de

distribuição, como ocorre nos conjuntos situados no sistema convencionais, são

necessárias também, ações direcionadas a manutenção dos motores geradores das

usinas a diesel, para os casos dos sistemas remotos que possuem geração (UDEs).

Aliás, as interrupções ocasionadas oriundas de problemas na geração contribuem

de forma negativa para o FEC nesses conjuntos. No quadro a seguir demonstramos

a relevância dessa questão visto que no mês avaliado (Julho de 2014) existem

conjuntos com até 43% das interrupções ocasionadas por problemas na geração.




75

Quadro 10 – Contribuição dos Problemas nas Usinas p ara o Indicador FEC dos

Conjuntos

NOME DO CONJUNTO Qtd de

Interrupções JULHO/14

Interrupções com origem na Geração JULHO/2014

% de Contribuição da Geração

CACHOEIRA DO ARARÍ 23 10 43% CHAVES 8 3 38% AVEIRO 3 1 33% GURUPÁ 11 3 27% ANAJÁS 20 5 25% BARREIRA DO CAMPO 16 4 25% AFUÁ 24 4 17% PRAINHA 35 5 14% ALENQUER II 43 6 14% ALMEIRIM 39 4 10%

Portanto, por se tratar de uma situação quase que exclusiva dos conjuntos de

empresas que atuam na Região Norte, os conjuntos em sistemas remotos merecem

um tratamento específico, com metas condizentes com o real desafio de atuar em

áreas com estas especificidades. A utilização do percentil 50 não é razoável, uma

vez que se está definindo como meta para estes conjuntos o desempenho mediano

dos conjuntos comparáveis.

Negligenciando-se a incomparabilidade entre os sistemas remotos e os conjuntos

com uma condição normal de acesso, sugerir como meta desempenho mediano dos

conjuntos “comparáveis”, per si, já não seria razoável, já que os desafios dessas

áreas são tantos que nem mesmo estão interligadas ao Sistema Interligado

Nacional. Vale notar que em muitos casos mesmo a interligação ao SIN não

resolverá a questão, ainda que este fato possa trazer melhorias no que se refere ao

FEC, como indicado acima, as dificuldades de acesso irão permanecer, com os seus

fortes impactos no DEC.




76

Assim, a Celpa reitera o entendimento de que conjuntos pertencentes aos sistemas

remotos devem ter metas compatíveis com os seus desafios e que sejam definidas

individualmente, dado a condição atípica de não possuírem benchmarks.

5.6 Seleção de Atributos

Para a seleção dos atributos, após a aplicação de diversas análises fatoriais para

buscar inter-relações entre as variáveis dos atributos, utilizou-se uma técnica de

regressão linear a qual seleciona as variáveis com maior poder de explicação dos

indicadores DEC e FEC, tendo como resultado os seguintes atributos:

� PERCENTUAL DE ÁREA COM VEGETAÇÃO REMANESCENTE ALTA OU

MÉDIA (%) – representando a influência da vegetação.

� PRECIPITAÇÃO PLUVIOMÉTRICA MÉDIA ANUAL (mm) - representando a

influência do clima.

� EXTENSÃO DE REDE MT EM LOCALIZAÇÃO NÃO URBANA -

representando as características não urbanas do conjunto.

� CONSUMO MÉDIO POR UC CLASSE COMERCIAL (MWh) – caracteriza o

mercado comercial.

� NUC OUTRAS CLASSES - caracteriza o grau de presença de UCs das

classes do poder público, iluminação pública, serviço público e consumo

próprio.

� PERCENTUAL DE NUC COMERCIAL (%) – representa o grau de unidades

comerciais no mercado total.

� NUC POR TRANSFORMADOR - representa a urbanização e a densidade de

consumidores.

Observa-se pelo resultado apresentado que das variáveis ambientais citadas na

Nota Técnica 494/2013-SRE-ANEEL como variáveis que podem, em maior ou menor

grau, influenciar os resultados, apenas 02 (duas) permaneceram como atributos

selecionados, ou seja, variáveis ambientais importantes, como: condições das




77

rodovias e estradas e descargas atmosférica, não foram selecionados como

atributos finais, enquanto outros atributos como NUC OUTRAS CLASSES, que do

ponto de vista da concessionária possuem baixo poder de explicação do indicador,

serão utilizados nos cálculos para definição dos limites.

Ante o exposto, a CELPA propõe que todas as variáveis ambientais, como

possibilidade de obtenção de dados e fontes seguras, como é o caso de (i)

vegetação, (ii) precipitação pluviométrica, (iii) densidade de descargas atmosféricas

e (iv) rodovias e arruamento, sejam considerados na metodologia

independentemente dos resultados encontrados após análises fatoriais, visto que é

notória a influência desses fatores nos indicadores.

5.7 Extração de Atributos do SIG-R e Outras Bases G eorreferenciadas

Conforme citado anteriormente, as variáveis ambientais interferem diretamente no

alcance dos indicadores de continuidade, no entanto, apesar da previsão de

utilização dessas variáveis pela nova metodologia, quais sejam, área de atuação,

vegetação, precipitação pluviométrica, densidade de descargas atmosféricas,

rodovias e arruamento, que por si só possuem elevado poder de explicação para os

indicadores, ainda existem atributos e/ou características ambientais importantes não

contempladas e que devem ser consideradas em uma avaliação final para

estabelecimento dos limites.

Na ausência destes indicadores sugere-se que a concessionária possa aportar

contribuições específicas para conjuntos com características comprovadamente

diferenciadas e que haja a possibilidade de flexibilização de metas para estes casos.

5.8 Definição de Área Urbana e Não Urbana

A Celpa entende que a definição da classificação de urbana e não urbana para as

redes de Média Tensão, através de uma metodologia objetiva, é um importante

aprimoramento, no entanto, utilizou-se para o cálculo e estabelecimento da regra de




78

classificação, (que prever que se a densidade da quadricula foi superior a 60

Unidades/km² a rede deve ser classificada como urbana e se inferior a esse valor

classificada como rural), apenas o BDGD de 08 (oito) Distribuidoras, as quais em

muitos casos, não representam a maior concessionária em número de consumidores

de suas regiões, nesse sentido o resultado obtido por provocar certa distorção

quando aplicado a realidade das demais Distribuidoras.

Outro ponto importante a ser observado é o fato de que os dados dos BDGDs das

Distribuidoras não apresentam ainda a consistência necessária das informações

para servirem de principal entrada de dados para determinação da alteração desse

importante conceito, que impacta não só no estabelecimento das metas de

continuidade como para fins de compensações.

Outro ponto observado é que, após validação dos dados do BDGD, novos testes de

correlação deverão ser feitos para se avaliar a influência da extensão de rede

urbana e rural no DEC e FEC, dado que o critério está sendo reavaliado.

Como as realidades das concessionárias são muito distintas, sugere-se que a

avaliação de densidade seja mais ampla em termos de concessionárias e que

abranja pelo menos uma concessionária de cada região do país.

6. Propostas

Tendo em vista os argumentos anteriormente apresentados, a Celpa acredita haver

comprovado que sua área de atuação exige um tratamento diferenciado para que as

metas de DEC regulatório sejam consistentes com a realidade e de valores

alcançáveis a partir de uma gestão eficiente, em prazo compatível com as melhores

práticas.

Assim, visando aproveitar o máximo possível todos os passos e resultados obtidos

pela aplicação da metodologia em vigor, sugere o que se segue:




79

i. Base de dados a ser adotada

Ainda que os atributos escolhidos pela Aneel para aplicação na seleção dos

conjuntos semelhantes não correspondam aos que melhor explicam os

conjuntos da Celpa, a sugestão é que se mantenham os conjuntos selecionados.

Porém, dentro da lógica de que esses conjuntos possuem maior semelhança

com os demais conjuntos da Celpa, do que com os das outras distribuidoras.

Com isso, haveria uma espécie de “busca dentro de casa”, na qual os melhores

conjuntos, com alguma semelhança, conforme apurado pela metodologia

vigente, seriam referência para os conjuntos críticos.

Dessa maneira, haveria uma base que, ao longo do tempo, seguindo a lógica da

metodologia aprovada pela Aneel: busca de melhoria contínua, visando chegar a

um valor benchmark.

ii. Valor do DEC regulatório

Como as bases passam a ser reduzidas, abrir-se-ia mão das “dimensões” dos

conjuntos semelhantes. Tenham os elementos que possuírem.

Uma boa métrica para uma situação dessas seria o estabelecimento de um

“quartil”; ou seja, o DEC regulatório passaria a ser aquele correspondente ao

primeiro quartil de qualquer dos conjuntos.

No caso das RDAs, em função de sua particularidade, poderia ser adotada o 2o.

quartil (ou seja, o ponto médio da dispersão).

A trajetória, a ser apresentada a seguir, seria o incentivo para a “chegada” ao

benchmark.




80

iii. Trajetória

Visando observar o mais próximo possível o que a Aneel sugeriu em sua NT

0028/2010-SRD/ANEEL2 (figura a seguir), sugere-se o mesmo intervalo de

tempo – dois ciclos tarifários – para a meta desejada.

Figura 12 – Convergência Limites apurados

Porém, tendo em vista que não é razoável, à luz da magnitude dos valores de

DEC vigentes nos conjuntos críticos da Celpa, sugere-se uma “razão” de

decréscimo anual. Este valor, que poderia ser evolutivo no tempo, deverá ser

negociado entre a Celpa e a Aneel, dado que cada conjunto poderá requerer um

tratamento diferenciado.

Assim, sugere-se – diferentemente do que se encontra apresentado acima – que

haja valores percentuais estabelecidos a cada ano, devendo estabilizar após

alguns anos (por exemplo, 25% no primeiro, 15% no segundo e 10% daí até o 8o

ano).

2 Revisão da Metodologia de Estabelecimento dos Limites dos Indicadores Coletivos de Continuidade [Documento Anexo à Nota Técnica n° 0028/2010-SRD/ANEEL, de 30/06/20100]

DEC DECMAX

DECMIN

CONJX

DEC50%

LIMITE i =

Distribuição Estatística do Histórico de DEC dos Conjuntos do cluster i

LIMITE

DEC 20%

t 0 AN AN AN O

0 O1 O

8




81

Naturalmente, em razão de haver um “ritmo” evolutivo do valor do DEC, é

possível que a meta não seja atingida no horizonte estabelecido.

A razoabilidade da trajetória e sua evolução real seriam monitorados pela

Agência após o primeiro ciclo, prevendo-se que, após os dois ciclos,

possivelmente esses conjuntos – com a possível exceção dos Sistemas

Remotos – já venha a se caracterizar como um “conjunto normal”, a partir de

quanto, ou seja, a partir do 3o. ciclo, os conjuntos que perfizerem essa trajetória

passarão a ser considerados “normais”.

Figura 13– Proposta de convergência Limites e apura dos

Observar, da figura, que os compromissos têm a ver com as metas estabelecidas

pela Agência, a cada ano, e não com os valores “fixos” da metodologia vigente.

A ideia é que sejam adequados para a realidade local, revistas e ajustadas a cada

ciclo, em função do cumprimento das metas pela distribuidora.




82

7. Conclusões

Do ponto de vista metodológico, a ANEEL manteve a mesma abordagem do ciclo

anterior com o uso da clusterização dinâmica com algumas alterações pontuais. É

importante destacar que todas as alterações propostas pela Agência objetivaram

aperfeiçoar a metodologia vigente e são meritórias, no entanto algumas delas

merecem uma análise mais aprofundada.

Conforme apresentado no decorrer do relatório, verificou-se que a ANEEL evoluiu na

tentativa de agregar mais variáveis no benchmarking, incluindo algumas variáveis

ambientais, que são as que realmente diferenciam no nível de qualidade dos

conjuntos.

No entanto, as únicas variáveis incluídas foram o nível anual de precipitação e a

vegetação remanescente, o que é insuficiente para explicar os principais desafios

das concessionárias. Faltam variáveis que descrevam o desafio logístico de

atendimento, as condições de trafegabilidade e as questões de mobilidade.

É importante destacar que a omissão de variáveis críticas para concessionárias

sujeitas às condições mais severas, como é o caso da Celpa, tende a prejudicá-las,

pois estas não são explicadas pelo comportamento médio das outras

concessionárias.

Outro ponto de alteração metodológica foi o tratamento objetivo da definição das

metas para os conjuntos heterogêneos por meio da criação dos scores ANI. Se por

um lado, a criação desse critério disciplina o tratamento e diminui a subjetividade na

definição das metas dos conjuntos heterogêneos, por outro lado, também minimiza o

debate acerca das especificidades e desafios das particularidades das concessões,

que é crucial para segregar ineficiência de especificidade e garantir o repasse

apenas desta última parcela.




83

Nesse sentido, a Celpa entende que esta visão minimalista sobre a necessidade do

debate prejudica essencialmente concessionárias submetidas às condições

ambientais diferenciadas, como é o caso da Celpa.

A utilização de métodos estatísticos como ferramenta para a definição dos limites

dos indicadores é oportuna, no entanto a aplicação determinística desses métodos

pode criar distorções.

Outro tema bastante sensível à Celpa, mas que não foi abordado na AP Nº29/2014 é

o tratamento a ser conferido aos conjuntos presentes nos sistemas remotos. Por se

tratar de uma especificidade da Celpa, entende-se que essa característica deva ser

avaliada individualmente, já que a instituição do percentil 50 (no caso dos sistemas

isolados) não contorna o problema de origem, que é a ausência de comparabilidade

entre conjuntos dos sistemas remotos e do sistema interligado.

Identificou-se também a necessidade de readequação do ponto de partida dos

limites regulatórios, dado que houve fatos supervenientes como a alteração da

metodologia de definição de conjuntos, a alteração metodologia de definição das

metas e a ocorrência de uma realidade muito distinta da que foi prevista pelo

modelo.

Por fim, identificou-se a inadequação da metodologia de definição dos limites para

alguns conjuntos da Celpa, o que motiva a uma análise individual acerca do elevado

distanciamento entre meta e o apurado. Cabe destacar que o elevado

distanciamento permanece mesmo com o elevado volume de investimentos

realizados e com a melhoria comprovada da gestão da concessionária.

Portanto, a Celpa entende que o equilíbrio entre a aplicação dos métodos

estatísticos e o uso do poder discricionário deve ser buscado para avaliar se as

metas definidas são exequíveis e condizentes com a realidade da concessão.

Logicamente, qualquer flexibilização deve estar condicionada a comprovação das




84

atipicidades fáticas dos conjuntos, o que traz maior robustez, segurança e

embasamento do uso do poder discricionário. Esta flexibilização deve alcançar não

só os indicadores coletivos, mas também os individuais e até a configuração dos

conjuntos.




85

ANEXO I

Aplicação do modelo de regressão linear múltipla, m étodo stepwise e bestsubsets para a seleção ótima de atributos forte mente associados ao DEC

A Nota Técnica (NT) 59/2014-SRD/ANEEL apresenta a revisão da metodologia de

definição de limites para os indicadores de continuidade DEC e FEC das

distribuidoras. De forma sucinta, partindo de uma base de dados com 133 atributos

(ou variáveis) é realizado uma seleção de atributos representativos por meio de uma

análise estatística de seleção de variáveis. Em um primeiro passo, 18 atributos são

selecionados utilizando análise fatorial (maiores detalhes podem ser encontrados na

NT 67/2014-SRD/ANEEL). Em um segundo passo, aplica-se uma análise de

regressão onde a variável resposta é definida como o DEC (ou FEC), e as variáveis

preditoras são o logarítmo natural das variáveis selecionadas na etapa anterior, com

exceção da variável "precipitação pluviométrica média anual (PLUV)", à qual não é

aplicada nenhuma transformação.

“Segundo NT 59/2014 (Fl. 22, parágrafo 52), "Na última etapa

de seleção de atributos, uma técnica de regressão linear foi

aplicada para selecionar as variáveis com maior poder de

explicação dos indicadores DEC e FEC, sendo esses os

atributos propostos para utilização no método de análise

comparativa de desempenho entre os conjuntos".

Como resultado final da seleção de atributos, sete variáveis foram selecionadas, a

saber:

Quadro 11 – Atributos selecionados para a metodolog ia comparativa

Atributo Nome do atributo

PC_VRAM Percentual de área com vegetação remanescente alta ou média (%)

PLUV Precipitação pluviométrica média anual (mm)

ERMT_NURB Extensão de rede não urbana (km)

CM_NUC_COM Consumo médio por UC classe comercial (MWh)

NUC_OU NUC outras classes

PC_NUC_COM Percentual de NUC comercial (%)

NUC_TD NUC por transformador




86

As sete variáveis são posteriormente utilizadas na construção dos conjuntos

heterogêneos, aplicando-se distâncias euclidianas às variáveis padronizadas

(subtrai-se a média e divide-se pelo desvio padrão). Sucintamente, para cada

conjunto, define-se os 100 conjuntos mais próximos e calcula-se a heterogeneidade.

Caso a heterogeneidade máxima, dentre os 100 conjuntos, seja maior que 20%

então avalia-se somente os 50 conjunto mais próximos. O limite de DEC e FEC é

definido pelo percentil 20 dos desempenhos dos conjuntos do agrupamento.

Justificativa

A análise de regressão tem como objetivo identificar os atributos mais

correlacionados ao DEC. Neste sentido, a seleção de atributos pode ser realizada

com o objetivo de selecionar, dentre os 133 atributos iniciais, aqueles mais

associados ao DEC/FEC. Mesmo diante de multicolinearidade entre os 133 atributos

iniciais, existem metodologias e algoritmos estatísticos capazes de selecionar

atributos minimizando a multicolinearidade. Como resultado, serão selecionados,

dentre os 133 atributos, aqueles mais associados ao DEC. Uma vez selecionados os

atributos mais associados ao DEC, então seria possível aplicar uma análise fatorial

para reduzir o número de atributos ou mesmo eliminá-los.

Dentre as variáveis selecionadas para o modelo de regressão, serão consideradas

somente as sete variáveis mais importantes. Para isso será utilizada a técnica de

Best subsets que irá selecionar dentre as variáveis consideradas mais relevantes

para o DEC, as sete mais importantes. Esta análise irá comparar as sete variáveis

selecionadas com as 7 variáveis apresentadas na NT 67/2014.

Modelo de Regressão na Seleção de Variáveis

O Modelo de regressão linear múltiplo é escrito na forma:

* = +, + +�� + +-�- +⋯+ +/�/ + 0




87

onde ��, … , �/ são as variáveis preditoras ou independentes e * é a variável resposta

ou dependente. A estimação dos parâmetros do modelo (+,, … , +/) é feita utilizando

o método de mínimos quadrados:

+2,, … , +2/ = arg67,…,689:��;*� − (+, + +�� + +-�- +⋯+ +/�/)<-��

No ajuste do modelo de regressão múltipla é possível também realizar a seleção de

variáveis. O método Stepwise, por exemplo, aplica um teste F parcial para a inclusão

ou exclusão de variáveis no modelo de regressão. Também é possível avaliar o

melhor modelo com um número fixo e pré-estabelecido de variáveis. Por exemplo, o

método Best subsets permite ajustar o melhor modelo com k variáveis.

Multicolinearidade

Multicolinearidade ocorre quando um ou mais preditores em um modelo de

regressão apresentam uma alta correlação linear. Neste caso, a inferência com

relação à significância estatística do estimador pode ser comprometida. Mas, uma

alto grau de multicolinearidade pode ainda impossibilitar o cálculo dos estimadores

de mínimos quadrados. Nos casos de alta multicolinearidade ainda é possível obter

estimativas dos coeficientes de regressão aplicando metodologias de pseudo-

inversa ou algoritmos mais sofisticados de estimação como decomposição QR.

Maiores detalhes podem ser encontrados em Seber et al (2012).

Seleção de atributos utilizando o modelo de regress ão linear múltipla Utilizando a base de dados disponibilizada pela ANEEL com 2540 conjuntos das

distribuidoras de energia elétrica, foi caracterizada inicialmente a distribuição

empírica da variável resposta DE. A Figura 14 mostra os histogramas do DEC

médio (2010-2013) e do logaritmo do DEC médio mais um. ( log(DEC + 1) ). A

Figura 14 (a) mostra que existe um número reduzido de conjuntos com valores de




88

DEC médio extremamente elevados. Estes poucos valores podem exercer grande

influência nas estimativas do modelo de regressão linear, pois o procedimento de

minimização dos erros pode viciar a análise indicando atributos que caracterizam

melhor as empresas com grandes valores de DEC. Para minimizar este efeito,

propõe-se o uso do logaritmo (natural) do DEC médio como variável resposta. Como

mostrado na Figura 14 (b) a variável transformada apresenta um comportamento

mais suave, sem caudas pesadas. A título de comparação serão mostrados os

resultados com e sem transformação da variável resposta.

(a) Histograma do DEC médio (2010-

2013).

(b) Histograma do Logaritmo Natural do

DEC médio (2010-2013) + 1.

Figura 14 – Comparação dos Histogramas do DEC Médio e do Logaritmo

Natural do DEC médio (+1).

Seleção de atributos sem a transformação da variáve l resposta Inicialmente foram eliminados da análise todos os conjunto com elementos faltantes

em pelo menos um dos 133 atributos, resultando em um banco de dados com 1.988

conjuntos. Utilizando o software R e a função lm(), foi possível ajustar o modelo

linear múltiplo com 133 atributos. O modelo apresentou um valor de R2adj = 65,41%.




89

No modelo, vários coeficientes foram estimados como "NA", em função da

multicolinearidade. Dessa forma, o modelo final resultou na seleção de 124 atributos

(9 atributos apresentaram forte multicolinearidade e foram estimados como NA).

A partir do modelo com 124 atributos, foi utilizado o procedimento stepwise para a

exclusão de variáveis. Ou seja, foi aplicada a função step() no software R. O modelo

resultante contém 40 variáveis e apresentou um valor de R2adj = 65,1%. O resultado

do ajuste do modelo encontra-se nos anexos.

Utilizando as variáveis do modelo anterior (40 atributos e R2adj = 65,1%) foram

selecionadas os 15 melhores modelos de regressão contendo 7 variáveis. Este

procedimento foi realizado utilizando a função regsubsets() do pacote leaps. Os 15

melhores modelos são apresentados no quadro a seguir.




90

Quadro 12 – Melhores modelos de 7 variáveis, utiliz ando a variável DEC como resposta

Modelos selecionados R2adj

AREA + AA + PLUV + PC_VRA + PC_NUC_URB + NUC_RUR + COMP_M_ALIM 56.90%

AREA + AA + PLUV + PC_VRAM + PC_NUC_URB + NUC_RUR + COMP_M_ALIM 56.77%

AREA + AA + PLUV + PC_VRAM + VR + PC_NUC_URB + COMP_M_ALIM 56.73%

AREA + AA + PLUV + PC_VRA + VR + PC_NUC_URB + COMP_M_ALIM 56.59%

AA + PLUV + PC_VRA + VR + PC_NUC_URB + NUC_RUR + COMP_M_ALIM 56.57%

AREA + AA + PLUV + PC_VRA + PC_VRAM + PC_NUC_URB + COMP_M_ALIM 56.49%

AREA + AA + PLUV + VR + PC_VR + PC_NUC_URB + COMP_M_ALIM 56.49%

AREA + EST + PLUV + PC_VRA + PC_NUC_URB + NUC_RUR + COMP_M_ALIM 56.48%

AREA + AA + PLUV + PC_VRA + PC_VRM_AA + PC_NUC_URB + COMP_M_ALIM 56.47%

AREA + AA + PLUV + PC_VRA + PC_NUC_URB + PC_NUC_IND + COMP_M_ALIM 56.45%

AREA + PLUV + VRM + PC_VRAM + PC_NUC_URB + NUC_RUR + COMP_M_ALIM 56.44%

AREA + AA + PLUV + PC_VRA + PC_NUC_URB + CM_NUC_RES + COMP_M_ALIM 56.42%

AREA + AA + PLUV + PC_VR_AA + PC_VR + PC_NUC_URB + COMP_M_ALIM 56.42%

PLUV + PC_VRA + PC_VRM_AA + VR + PC_NUC_URB + NUC_RUR + COMP_M_ALIM 56.41%

AREA + AA + PLUV + PC_VRA + PC_NUC_URB + CM_NUC_RUR + COMP_M_ALIM 56.38%

O Quadro 13 apresenta a frequência dos atributos nos 15 melhores modelos de 7

variáveis. Três variáveis foram consistentemente selecionadas: PLUV,

PC_NUC_URB e COMP_M_ALIM. Duas variáveis que expressam área foram

identificadas: AREA e AA. A variável PC_VRA que indica vegetação também

apresentou grande frequência nos 15 melhores modelos. As demais variáveis

apresentaram baixa frequência.

Quadro 13 – Frequência dos Atributos nos 15 Melhore s Modelos de 7 Variáveis

Atributo Descrição frequência

PLUV Precipitação pluviométrica média anual (mm) 15

PC_NUC_URB Percentual de NUC urbano (%) 15

COMP_M_ALIM Comprimento médio MT por alimentados 15

AREA Área (Km2) 13

AA Área de atuação 12

PC_VRA Percentual de área com vegetação remanescente 10

NUC_RUR NUC por classe rural 6

VR Área com vegetação remanescente 5

PC_VRAM Percentual de área com vegetação remanescente alta ou média 4

PC_VRM_AA Percentual de área de atuação com vegetação remanescente média (%) 2




91


PC_VR Percentual de área com vegetação remanescente (%) 2

EST Rodovias (Km) 1

VRM Área com vegetação remanescente média 1

PC_VR_AA Percentual de área de atuação com vegetação remanescente (%) 1

PC_NUC_IND Percentual de NUC industrial (%) 1

CM_NUC_RES Percentual de NUC residencial 1

CM_NUC_RUR Percentual de NUC rural 1

Seleção de atributos com variável resposta transfor mada: log(DEC médio + 1)

Utilizando o software R e a função lm(), foi possível ajustar o modelo linear múltiplo

com 133 atributos. O modelo apresentou um valor de R2adj = 73,43%. No modelo,

vários coeficientes foram estimados como "NA", em função da multicolinearidade.

Dessa forma, o modelo final resultou na seleção de 124 atributos (9 atributos

apresentaram forte multicolinearidade e foram estimados como NA).



resultante contém 45 variáveis e apresentou um valor de R2adj = 72,96%. O

resultado do ajuste do modelo encontra-se nos anexos.


selecionadas os 15 melhores modelos de regressão contendo 7 variáveis. Os 15

melhores modelos são apresentados na Quadro 14 .

Quadro 14 – Melhores modelos de 7 variáveis, utiliz ando a variável log(DEC +

1) como resposta


AREA + PLUV_AA + PC_VRAM_AA + PC_NUC_URB + NUC_RUR + PNI_TD + TD_ERMT 62.80%

PLUV_AA + PC_VRAM_AA + PC_NUC_URB + NUC_RUR + PC_NUC_IND + PNI_TD + TD_ERMT 62.36%

PLUV_AA + PC_VRA + PC_NUC_URB + NUC_RUR + PC_NUC_IND + PNI_TD + TD_ERMT 62.19%

PLUV_AA + PC_VRAM_AA + PC_NUC_URB + NUC_RUR + COMP_M_ALIM + PNI_TD + TD_ERMT 62.18%

AREA + PLUV_AA + PC_VRAM_AA + PC_NUC_URB + NUC_RUR + CM_NUC_RES + PNI_TD 62.16%

PLUV_AA + VRA + PC_VRAM_AA + PC_NUC_URB + NUC_RUR + PNI_TD + TD_ERMT 62.14%




92


AREA + PLUV_AA + PC_VRAM_AA + PC_NUC_URB + PC_NUC_RUR + PNI_TD + TD_ERMT 62.03%

AREA + PLUV_AA + PC_NUC_URB + NUC_RUR + PC_NUC_IND + PNI_TD + TD_ERMT 62.03%

AREA + PLUV_AA + PC_VRAM_AA + PC_NUC_URB + NUC_RUR + PC_NUC_IND + PNI_TD 61.95%

PLUV_AA + PC_VRAM_AA + PC_NUC_URB + PC_NUC_RUR + COMP_M_ALIM + PNI_TD + TD_ERMT 61.95%

PLUV_AA + PC_VRA + PC_VRAM_AA + PC_NUC_URB + NUC_RUR + PNI_TD + TD_ERMT 61.94%

PLUV_AA + PC_VRAM_AA + PC_NUC_URB + NUC_RUR + CM_NUC_RES + PNI_TD + TD_ERMT 61.92%

PLUV_AA + PC_VRAM_AA + PC_NUC_URB + NUC_RUR + PC_TD_3F + PNI_TD + TD_ERMT 61.89%

AREA + PLUV_AA + PC_VRAM_AA + PC_NUC_URB + NUC_RUR + PC_NUC_IND + PNI_ERMT 61.81%

AREA + PLUV_AA + PC_VRAM_AA + PC_NUC_URB + NUC_RUR + COMP_M_ALIM + PNI_TD 61.81%

O Quadro 15 apresenta a frequência dos atributos nos 15 melhores modelos de 7

variáveis. Duas variáveis foram consistentemente selecionadas: PLUV_AA,

PC_NUC_URB. Mas, neste caso, a precipitação por área de atuação foi preterida

em relação a precipitação média anual. Essas duas variáveis são consistentes com

variáveis selecionadas para o modelo utilizando DEC como resposta. As demais

variáveis de grande frequência (freq ≥ 11) são distintas se comparadas às variáveis

de grande frequência para o modelo utilizando DEC como resposta. Como esperado,

o modelo utilizando a variável log(DEC + 1) como resposta tende a minimizar o

efeito de conjuntos com valores de DEC muito elevados.

Quadro 15 – Frequência dos atributos nos 15 melhore s modelos de 7 variáveis


PLUV_AA Precipitação pluviométrica média anual na área de atuação (mm) 15


PNI_TD Potência nominal média por transformador 14

PC_VRAM_AA Percentual de área de atuação com vegetação remanescente média (%) 13

NUC_RUR NUC por classe rural 13

TD_ERMT Densidade de transformadores por extensão de rede MT (TD/km) 11

AREA Área (Km2) 7

PC_NUC_IND Percentual de NUC industrial (%) 5

COMP_M_ALIM Comprimento médio MT por alimentados 3

PC_VRA Percentual de área com vegetação remanescente 2

PC_NUC_RUR Percentual de NUC rural (%) 2

CM_NUC_RES Percentual de NUC residencial 2

VRA Área com vegetação remanescente alta (km2) 1

PC_TD_3F Percentual de transformadores trifásicos 1




93


PNI_ERMT Densidade de potência nominal instalada por km de rede MT (kVA/km) 1

Seleção de atributos com variável resposta transfor mada DEC considerando somente os dados da CELPA

Para avaliar a representatividade dos atributos apresentados na NT 59/2014 para a

caracterização da CELPA, foi aplicado o procedimento de seleção de atributos,

descrito anteriormente, considerando somente os conjuntos CELPA.

Neste caso, a base de dados possui 114 conjuntos. Utilizando o software R e a

função lm(), foi possível ajustar o modelo linear múltiplo com 133 atributos. O modelo

apresentou um valor de R2adj = 54,19%. No modelo, vários coeficientes foram

estimados como "NA", em função da multicolinearidade. Dessa forma, o modelo final

resultou na seleção de 110 atributos.



resultante contém 87 variáveis e apresentou um valor de R2adj = 93,06%. O

resultado do ajuste do modelo encontra-se nos anexos.


selecionadas os 15 melhores modelos de regressão contendo 7 variáveis. A

frequência dos atributos selecionados nos 15 melhores modelos de 7 variáveis é

apresentada na Quadro 16 . É interessante observar que, para a CELPA, variáveis

que expressam área de atuação e percentual de área de vegetação remanescente

são os atributos mais frequentes nos modelos.




94

Quadro 16 – Frequência dos atributos nos 15 melhore s modelos de 7 variáveis

Atributo Descrição frequencia

AA Área de atuação 15

PC_VRB Percentual de área com vegetação remanescente baixa (%) 15

PC_VRAM Percentual de área com vegetação remanescente alta ou média (%) 15

PC_VR Percentual de área com vegetação remanescente (%) 15

AREA Área (Km2) 8

ERMT_1F Extensão de rede MT por fase monofásica (km) 8


PC_NUC_RUR Percentual de NUC rural (%) 5

TD_2F Transformadores de distribuição por fase bifásicos 5

PC_NUC_RES Percentual de NUC residencial (%) 4

ERMT_NURB Extensão de rede por localização não urbana (km) 4

ERMT Extensão de rede MT (km) 3

PC_PNI_1F Percentual da potência instalada em transformadores monofásicos 2

Documents

Contribuição CELPA Audiência Pública 029/14 Aprimoramento da ... · celpa – centrais elÉtricas do parÁ audiÊncia pÚblica 029/2014 tema: aprimoramento da metodologia para