Dados do Trabalho

Título

ANALISE DIAGNOSTICA DOS EFEITOS TARIFA BRANCA UTILIZANDO DATA ANALYTICS

Resumo

A Agência Nacional de Energia Elétrica (ANEEL) definiu por meio da Resolução Normativa nº 464/2011 a modalidade tarifária branca, com o objetivo de tornar a tarifa mais reflexiva aos custos horários e aumentar a eficiência da rede de distribuição. Todavia, passados quase 10 anos, vários são os entraves para a disseminação da modalidade tarifária branca. Uma das maiores críticas apresentadas na Audiência Pública n° 120 pelas concessionárias de distribuição era o fato de a modalidade ser aplicada de modo opcional, e dessa forma o consumidor tomaria a decisão racional pela modalidade com menor custo, resultando na redução geral das receitas. Considerando a prevenção, o regulador deixou a cargo da distribuidora a definição dos parâmetros de relação entre os postos tarifários. Como resultado, atualmente 0,06% do total das unidades consumidoras potenciais aderiram a modalidade tarifária branca. Com a criação do Sistema de Inteligência Analítica do Setor Elétrico (SIASE) a ANEEL constituiu o Cadastro Nacional da Distribuição (CND), que agrega informações das faturas de energia elétrica das cerca de 80 milhões de unidades consumidoras, com fluxo mensal de recebimento. Estão disponíveis 130 registros de informações de cada uma das unidades consumidoras, incluindo os pessoais, que permite a análise detalhada do comportamento do consumidor. A ANEEL conta ainda com sistema em nuvem, com alta capacidade de processamento, que viabiliza a extração de conhecimento e criação de cenários de forma célere. O trabalho apresenta a análise diagnóstica dos efeitos tarifa branca utilizando data analytics, considerando todo o universo dos consumidores atendidos em baixa tensão elegíveis à tarifa branca. Para tanto, mês a mês são selecionadas as unidades consumidoras que migraram para a modalidade tarifária branca limitado aos 12 meses anteriores. Posteriormente, são comparados os consumos da mesma unidade consumidora e titularidade quando na modalidade convencional e branca (ex. jan./2019 como convencional e jan./2020 como branca). É levantada a variação do consumo, de receita e tarifas, além do consumo entre postos tarifários, ciclo de faturamento e localização. Como resultado observa-se que uma redução de consumo e receita de - 4,75% e -1,53% para a classe residencial, e de - 3,97% e - 0,25% para a classe comercial, respectivamente. A receita permaneceu praticamente constante, devido principalmente aos consumidores com baixo consumo, para os quais em geral não é vantajosa a migração. Ademais, são apresentados resultado da elasticidade preço e de comportamento regional dos consumidores.

Palavras Chave

PALAVRAS-CHAVE: Tarifa Branca. Data Analytics. Sistema de Inteligência Analítica do Setor Elétrico. Elasticidade de Curto Prazo. Distribuição de Energia Elétrica.

Introdução/Objetivos

Atualmente existem duas modalidades aplicadas aos consumidores atendidos em baixa tensão: convencional e branca. A modalidade tarifária convencional é compulsória para as classes iluminação pública e baixa renda A principal diferença é que na modalidade convencional existe uma única tarifa aplicada durante todas as horas do ano, enquanto na modalidade branca é aplicada 3 diferentes tarifas nos postos tarifários fora de ponta, intermediário e ponta (LIMA, OLIVEIRA e ZULUAGA; 2020).
A tarifa de ponta é composta pelo período de 3 horas consecutivas de maior demanda para a rede, conforme definido pela distribuidora. O período intermediário corresponde ao período de 1 hora imediatamente anterior e posterior ao período de ponta, ou a critério da distribuidora após aprovação da ANEEL. O período fora de ponta corresponde ao período complementar ao período de ponta e intermediário (BRAIDA, FARRET e SANTOS; 2019). O período de ponta e intermediário não é aplicado no sábado, domingo e feriados nacionais.
A tarifa branca é mais reflexiva aos custos reais com o transporte de energia, seguindo o princípio da causalidade de custos e eficiência (GARFIELD E LEVOJOY; 1964). Todavia, possui aplicação mais complexa, sendo adequada à consumidores com maior suficiência técnica. Nesse sentido, Lazar e outros (2017) sugerem que o regulador defina ao menos uma modalidade tarifária opcional mais aderente aos custos reais da rede (princípio da causalidade de custos), em detrimento do princípio da simplicidade.
Nesse sentido, o objetivo do trabalho é o de realizar avaliação dos efeitos da tarifa branca no comportamento dos consumidores, utilizando ferramentas de data analytics, no sentido de responder os questionamentos: Qual a resposta do consumidor à tarifa branca? Quais os pontos de aprimoramento da política tarifária?

Metodologia

Segundo Krieger, Drews e Velte. (2021) o objetivo de data analytics é extrair informações dos dados, visualizações, estatísticas, que por sua vez podem ser utilizadas na tomada de decisões. Kezunovic e outros (2020) em síntese afirmam que o objetivo final do data analytics aplicado à distribuição é de extrair valor dos dados, no sentido de tomar melhores decisões e definir políticas relacionadas à distribuição de energia. Reguladores, empresas e pesquisadores se concentram em explorar fontes de dados emergentes em uma escala maior buscando melhorias no planejamento e nas operações da rede elétrica (KEZUNOVIC et al.; 2020).
Com a implementação do Sistema de Inteligência Analítica do Setor Elétrico (SIASE), estão disponíveis em nuvem informações de todas as unidades consumidoras do país, com 130 registros para cada uma das cerca de 80 milhões de unidades. Os dados são resultado do processo de medição e faturamento das concessionárias de distribuição. A ANEEL conta ainda com sistema de prospecção de dados baseado em ambiente T-SQL e Enterprise SAS Miner e Guide.
Para a análise são selecionadas as unidades consumidoras que migraram da modalidade convencional para a modalidade tarifária branca, limitado aos 12 meses anteriores, com período de avaliação de abril de 2018 a março de 2020. Posteriormente, são comparados os consumos da mesma unidade consumidora e titularidade quando na modalidade convencional e branca (ex. jan./2019 como convencional e jan./2020 como branca). São levantados a variação do consumo, de receita e tarifas, além do consumo entre postos tarifários, ciclo de faturamento e localização.
De posse da base de dados dos consumidores optantes pela modalidade tarifária branca nas condições de pós e pré migração, é realizado a higienização dos dados, excluindo os que não obedeçam a regras previamente definidas pela Resolução Normativa ANEEL nº 414/2010. Por fim são descartados os outliers por meio da aplicação do método de Tukey (ROUSSEEUW; HUBERT, 2017).
Para a retirada dos efeitos de crescimento/redução de mercado e receitas adota-se como grupo de controle os consumidores convencionais que não optaram pela migração, e realizado o mesmo procedimento descrito anteriormente. Posteriormente, os efeitos do grupo de controle são retirados dos consumidores que realizaram a migração da modalidade convencional para a branca.

Resultados e Discussão

Como resultado observa-se que uma redução de consumo e receita de -4,75% e -1,53% para a classe residencial, e de -3,97% e -0,25% para a classe comercial, respectivamente. As Figuras 1 e 2 apresentam os resultados da classe residencial e comercial por faixa de consumo. Os resultados coadunam com os encontrados em ANEEL (2020). Como contribuição propiciam um maior nível de análise por ser possível a análise por faixa de consumo e região.


Figura 1 – Variação do Consumo, Receita e Tarifa Média da Classe Residencial. Figura 2 – Variação do Consumo, Receita e Tarifa Média da Classe Comercial.

Com os resultados é calculada uma elasticidade consumo tarifa de -7,94 para a classe residencial e de -6,53 para a classe comercial, o que demonstra alta resposta à sinalização de preço ofertada pela tarifa branca. O trabalho define indicador com o objetivo de avaliar o percentual de consumidores que modulam efetivamente o consumo do período de ponta. Para tanto, é computado o percentual de consumidores da modalidade tarifária branca que apresentam potência média no posto de ponta inferior à potência média no período complementar (fora de ponta e intermediário). Como resultado 24,71% de consumidores utilizam a energia de modo menos intenso no período de ponta.
Nagle e Holden (1995) afirmam que os consumidores nem sempre avaliam os preços de forma racional. O comportamento de compra dos consumidores é influenciado não apenas pela diferença absoluta de preços, mas pela diferença em relação ao preço base. Todavia, para o caso da tarifa branca não é possível para o consumidor uma avaliação objetiva dos benefícios da tarifa branca, uma vez que a variação das faturas é influenciada por outros fatores, tais como a variação da tarifa decorrente das revisões e reajustes tarifários, bandeiras tarifárias e a própria variação do consumo.

Conclusão

O trabalho demonstra que no geral a tarifa branca tende a reduzir o consumo de energia elétrica, tanto para a classe residencial ou comercial. Todavia, ao se avaliar os resultados por faixa de consumo, observa-se que consumidores com consumo inferior a 300 kWh na classe residencial e 500 kWh na classe comercial tendem a aumentar seu consumo, contribuindo para mitigar a perda de receita da concessionária de distribuição. Os resultados coadunam com a decisão da ANEEL de tornar compulsória a modalidade convencional para consumidores com baixo consumo, tal como a subclasse baixa renda. Como forma de proteção dos consumidores é razoável o enquadramento compulsório na tarifa convencional.
Os resultados demonstram que apesar do baixo sinal de preço a resposta dos consumidores tende a ser alta, consubstanciados pela alta elasticidade consumo preço.
Como aprimoramentos para a política tarifária sugere-se que consumidores com alto consumo sejam enquadrados compulsoriamente na modalidade tarifária branca, o que poderia proporcionar o uso mais eficiente da rede, além de significativa redução do consumo de energia, contribuindo para a segurança energética do Brasil. Ademais, sugere-se formas de indicar o real benefício para consumidores, segundo comportamento específico de consumo, seja por meio de pesquisas com consumidores, análise diagnóstica ou projetos pilotos, de modo a propiciar uma abrangente comunicação dos potenciais benefícios da tarifa branca.

Referências Bibliográficas

ANEEL. Relatório de Análise de Resultado Regulatório nº 001/2020-SGT/SRM/ANEEL. Obtido do site: https://www.aneel.gov.br/tomadas-de-subsidios. Acesso em 17/07/2021.
V. Braida, F. A. Farret and L. L. C. Santos, "Analysis of the Economic Viability of the White Tariff in Conjunction with the Distributed Generation for Rural Consumers," 2019 IEEE PES Innovative Smart Grid Technologies Conference - Latin America (ISGT Latin America), 2019, pp. 1-6, doi: 10.1109/ISGT-LA.2019.8895508.
Delberis A. Lima, Marilia Z.C. Oliveira, Estiven O. Zuluaga, Non-intrusive load disaggregation model for residential consumers with Fourier series and optimization method applied to White tariff modality in Brazil, Electric Power Systems Research, Volume 184, 2020, 106277, ISSN 0378-7796, https://doi.org/10.1016/j.epsr.2020.106277.
Felix Krieger, Paul Drews, Patrick Velte, Explaining the (non-) adoption of advanced data analytics in auditing: A process theory, International Journal of Accounting Information Systems, Volume 41, 2021, 100511, ISSN 1467-0895, https://doi.org/10.1016/j.accinf.2021.100511.
GARFIELD, P. J.; LOVEJOY, W. F. Public utility economics. New Jersey: Prentice Hall, 1964.
J Lazar, Linvill C, M Dupuy, J Shipley, and D Brutkoski. 2017. Smart Non-Residential Rate Design – Optimizing Rates for Equity, Integration, and DER Deployment. December 2017. Obtido de http://www.cpuc.ca.gov/uploadedFiles/. Accesso em 27/08/2019.
Mladen Kezunovic, Pierre Pinson, Zoran Obradovic, Santiago Grijalva, Tao Hong, Ricardo Bessa, Big data analytics for future electricity grids, Electric Power Systems Research, Volume 189, 2020, 106788, ISSN 0378-7796, https://doi.org/10.1016/j.epsr.2020.106788.
T. T. Nagle and R. K. Holden, “The Strategy and Tactics of Pricing A Guide of Profitable Decision Making,” 2nd Edition, Prentice-Hall, Englewood Cliffs, 1995.
ROUSSEEUW, Peter J.; HUBERT, Mia. Anomaly detection by robust statistics. WIREs Data Mining and Knowledge Discovery. Lovaina, Belgium, p. 3-4, nov. 2017.