ANÁLISE DE PREÇOS DE NAVIOS DE SEGUNDA MÃO ATRAVÉS DE...
Transcript of ANÁLISE DE PREÇOS DE NAVIOS DE SEGUNDA MÃO ATRAVÉS DE...
ANÁLISE DE PREÇOS DE NAVIOS DE SEGUNDA MÃO ATRAVÉS DE
MODELAGEM ECONOMÉTRICA
Ricardo Brito Fiasca
Projeto de Graduação apresentado ao Curso de
Engenharia Naval e Oceânica da Escola
Politécnica, Universidade Federal do Rio de
Janeiro, como parte dos requisitos necessários à
obtenção do título de Engenheiro.
Orientadores: D.Sc. Luiz Felipe Assis e D.Sc.
Floriano Carlos Martins Pires Junior.
Rio de Janeiro
Março de 2015
ANÁLISE DE PREÇOS DE NAVIOS DE SEGUNDA MÃO ATRAVÉS DE
MODELAGEM ECONOMÉTRICA
Ricardo Brito Fiasca
PROJETO DE GRADUAÇÃO SUBMETIDO AO CORPO DOCENTE DO CURSO DE
ENGENHARIA NAVAL E OCEÂNICA DA ESCOLA POLITÉCNICA DA
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO PARTE DOS REQUISITOS
NECESSÁRIOS PARA A OBTENÇÃO DO GRAU DE ENGENHEIRO NAVAL E
OCEÂNICO.
Examinado por:
Prof. Luiz Felipe Assis, D.Sc.
Prof. Floriano Carlos Martins Pires Junior, D.Sc.
Prof. Claudio Luiz Baraúna Vieira, Ph.D.
Prof. Jean-David Job Emmanuel Marie Caprace, Ph.D.
RIO DE JANEIRO, RJ – BRASIL
MARÇO de 2015
i
Fiasca, Ricardo Brito
Análise de Preços de Navios de Segunda Mão através de
Modelagem Econométrica/ Ricardo Brito Fiasca. – Rio de
Janeiro: UFRJ/ Escola Politécnica, 2015.
VIII, 101 p.: il.; 29,7 cm
Orientadores: Luiz Felipe Assis e Floriano Carlos Martins
Pires Junior
Projeto de Graduação – UFRJ/ Escola Politécnica/ Curso
de Engenharia Naval e Oceânica, 2015.
Referências Bibliográficas: p. 70-71.
1. Navios de Segunda Mão 2. Modelagem Econométrica.
3. Preços de Navios. I. Assis, Luiz Felipe et al. II.
Universidade Federal do Rio de Janeiro, Escola Politécnica,
Curso de Engenharia Naval e Oceânica. III. Análise de
Preços de Navios de Segunda Mão através de Modelagem
Econométrica.
ii
Dedicatória
A todos os professores que lutam diariamente para construir uma sala de aula, um
país, um mundo melhor. Educar é um ato de amor.
iii
Agradecimentos
Agradeço a Deus, por proteger a minha família e nos alimentar com forças para
construir o nosso caminho. Aos meus pais e a minha irmã, pelo apoio e amor
incondicionais, essa conquista é nossa. À Fluxo Consultoria, empresa júnior de
engenharia da UFRJ, e a todos os amigos que fiz nesta empresa, pelo ambiente
motivacional e acolhedor permeado pela vontade de fazer bem e certo. Agradeço
também à Promon Engenharia e à Incat Crowther, pelo conhecimento prático, pela
interação com profissionais de reconhecida excelência e pelos horários flexíveis que
permitiram meus estudos. Ao amigo Lucas Lima, engenheiro ambiental pela UFRJ,
cujo conhecimento sobre econometria fez a diferença neste trabalho. Aos meus
professores da graduação por todo o conhecimento construído dentro e fora de sala,
em especial aos professores Luiz Felipe e Floriano, pela orientação, inspiração,
paciência e amizade. A todos os amigos que, mesmo sem notar, fizeram parte desta
história.
iv
Resumo do Projeto de Graduação apresentado à Escola Politécnica/ UFRJ como parte
dos requisitos necessários para a obtenção do grau de Engenheiro Naval e Oceânico.
Análise de Preços de Navios de Segunda Mão através de Modelagem Econométrica
Ricardo Brito Fiasca
Março/2015
Orientadores: Luiz Felipe Assis e Floriano Carlos Martins Pires Junior
Curso: Engenharia Naval e Oceânica
O mercado de compra e venda de navios cumpre o importante papel de realocar as
embarcações entre armadores e aumentar a eficiência da indústria marítima. Os lucros
com as negociações dos navios constituem uma importante fonte de recursos para
investidores da indústria. No presente trabalho, propõe-se um modelo econométrico
para avaliar a influência de determinadas variáveis no preço de revenda de um navio.
Esse modelo é estudado quanto a sua significância global, a significância de suas
variáveis explicativas, a presença de multicolinearidade e de heteroscedasticidade.
Foram utilizados dados de compra e venda de graneleiros, petroleiros e porta-
contentores obtidos da base de dados da empresa Clarksons. As regressões são
feitas para cada tipo de navio, mas agregando portes e idades. As segmentações por
porte e idade também são abordadas a fim de validar as macroanálises. Por fim, o
modelo é testado quanto à hipótese de que o país de construção também influencia o
preço. Os resultados indicam que graneleiros japoneses e sul coreanos tendem a ter
um preço maior que os construídos nos demais países. Porta-contentores sul
coreanos também. Quanto a petroleiros, nenhuma conclusão significativa foi obtida.
Palavras-chave: mercado de navios de segunda mão; precificação de navios;
modelagem econométrica.
v
Abstract of Undergraduate Project presented to POLI/UFRJ as a partial fulfillment of
the requirements for the degree of Engineer.
Secondhand Ship Price Analysis through Econometric Modeling
Ricardo Brito Fiasca
March/2015
Advisors: Luiz Felipe Assis and Floriano Carlos Martins Pires Junior
Course: Naval and Ocean Engineering
The sale and purchase market has an important role of relocating vessels between
shipowners and increasing maritime industry efficiency. Profits from negotiations are an
important source of income for shipping investors. In this paper, an econometric model
is proposed in order to evaluate the influence of some variables in resale price of a
ship. The model overall significance is studied as well as the significance of its
explanatory variables, the presence of multicollinearity and heteroscedasticity. Data
was collected from Clarksons database to bulk carriers, tankers and container vessels.
Regressions were made for each type of ship, with different sizes and ages integrated.
The segmentation by size and age were also addressed in order to validate the
macroanalysis. Finally, the model was tested for the assumption that the country of the
shipyard also influence price. The results indicate that Japanese and South Korean-
built bulk carriers tend to have a higher price than those built in other countries.
Container vessels from South Korea too. For tankers, no significant result was
obtained.
Keywords: second hand market; vessel pricing; econometric modeling.
vi
Sumário
1. Introdução ............................................................................................................................ 1
2. Objetivo ................................................................................................................................ 2
3. Os Quatro Mercados da Indústria Marítima ................................................................... 3
3.1. O Mercado de Fretes ................................................................................................. 4
3.2. O Mercado de Construção Naval ............................................................................. 5
3.3. O Mercado de Sucata ................................................................................................ 6
3.4. O Mercado de Navios Usados .................................................................................. 7
4. A Modelagem Econométrica do Mercado de Segunda Mão ....................................... 9
4.1. Revisão Bibliográfica................................................................................................ 11
4.2. Especificação do Modelo ........................................................................................ 15
5. A Obtenção e a Preparação dos Dados ....................................................................... 18
6. Análises sobre o Modelo de Regressão ....................................................................... 25
6.1. A Multicolinearidade e a Significância Global ...................................................... 25
6.2. A Heteroscedasticidade ........................................................................................... 34
6.3. Porte Bruto e Idade .................................................................................................. 40
6.3.1. Segmentação por Porte de Graneleiros ....................................................... 43
6.3.2. Segmentação por Porte de Petroleiros ......................................................... 43
6.3.3. Segmentação por Porte de Porta-Contentores ........................................... 45
6.3.4. Segmentação por Idade .................................................................................. 46
6.4. A Influência do Preço do Bunker ............................................................................ 47
7. Os Testes de Hipótese com as Variáveis Dummies e a Análise dos Resultados . 51
8. Conclusões ........................................................................................................................ 66
9. Sugestões para Trabalhos Futuros ............................................................................... 68
10. Obras Citadas ............................................................................................................... 70
11. Anexos ........................................................................................................................... 72
11.1. Regressões Auxiliares do Teste Geral de Heteroscedasticidade de White 72
11.1.1. Graneleiros .................................................................................................... 72
11.1.2. Navios Tanque .............................................................................................. 75
11.1.3. Porta-Contentores ........................................................................................ 78
11.2. Regressões Auxiliares de Portes ....................................................................... 81
11.2.1. Graneleiros .................................................................................................... 81
11.2.2. Navios Tanque .............................................................................................. 82
vii
11.2.3. Porta-contentores ......................................................................................... 84
11.3. Regressões Auxiliares de Idades....................................................................... 86
11.3.1. Graneleiros .................................................................................................... 86
11.3.2. Navios Tanque .............................................................................................. 87
11.3.3. Porta-Contentores ........................................................................................ 89
11.4. Regressões com Países de Construção ........................................................... 90
11.4.1. Graneleiros .................................................................................................... 90
11.4.2. Navios Tanque .............................................................................................. 93
11.4.3. Porta-Contentores ........................................................................................ 97
viii
Lista de Variáveis
Age Idade do navio (anos)
BDI Baltic Exchange Dry Index
DWT Porte bruto do navio (toneladas)
Earnings Receita (US$/Dia)
LIBOR London Interbank Offered Rate
NB Preço de um navio novo (US$/DWT)
K Intercepto da equação
P Preço de revenda do navio por porte bruto (US$/DWT)
’ Refere-se ao preço deflacionado
QD Quantidade de demanda
QO Quantidade de oferta
TC Time charter (US$/dia)
α Elasticidade do P em relação ao porte bruto (DWT)
β Elasticidade do P em relação à idade (age)
δ Elasticidade do P em relação ao preço de nova construção (NB)
ζ Elasticidade do P em relação ao custo de capital (LIBOR)
η Elasticidade do P em relação à receita (earnings)
γ Variável binária (0 ou 1) de decisão de país de origem
λ Fator de variação do P’ dependente da variável binária (γ)
1
1. Introdução
A natureza dos negócios na indústria marítima é similar ao que os economistas
clássicos tinham em mente quando foi desenvolvida a teoria da competição perfeita.
Mais de 5.500 companhias com cerca de 37.000 navios [1] atuam em um mercado em
que as barreiras contra a livre concorrência como tarifas aduaneiras, vantagens
geográficas e diferenciação entre produtos por marcas praticamente não existem.
Também é fácil para os armadores se manterem informados sobre as atividades e
desenvolvimentos se comparado com as situações encontradas em outras indústrias
[2], e os custos de saída do mercado tendem a ser relativamente baixos.
Entretanto, embora a indústria marítima atue como uma unidade econômica para
alguns propósitos, existem importantes subdivisões. Os serviços de linhas regulares
para transporte de containers e o mercado spot1 para transporte de granéis possuem
aspectos totalmente diferentes, por exemplo. O mercado de frete de porta-contentores
pode ser considerado uma exceção a esse modelo próximo de uma competição
perfeita [3,4].
Além das diferenças relacionadas ao tipo de serviço que o navio oferece, a
indústria marítima pode ser organizada em quatro segmentos de mercado bastante
característicos que negociam diferentes commodities.
o O mercado de fretes, que negocia o transporte marítimo;
o O mercado de navios de segunda mão;
o O mercado de construção naval, que negocia novos navios;
o E o mercado de sucata, que negocia navios para desmonte.
O foco deste trabalho é o mercado de navios de segunda mão. Graças a este
mercado, as barreiras de entrada e saída da indústria marítima são mínimas.
Entretanto, trata-se de um mercado bastante especulativo, em que as respostas às
variações da economia mundial podem ser dramáticas.
Essas variações criam séries históricas de preços de navios de segunda mão
riquíssimas, muitas análises podem ser feitas sobre a indústria marítima e,
consequentemente, sobre a história do comércio entre os países do mundo. Neste
1 Mercado onde se negocia o transporte de uma carga específica entre dois portos, a taxa de frete é
acordada por unidade de carga (toneladas, metros cúbicos, etc.).
2
trabalho, os esforços são concentrados em tentar definir as principais variáveis que
influenciam a formação dos preços de revenda destes navios, para que, em um
segundo momento, uma hipótese específica seja testada: a de que o país de
construção influencia no preço de um navio de segunda mão.
2. Objetivo
O presente trabalho tem o objetivo de analisar comparativamente a qualidade dos
navios produzidos pelos principais países e regiões construtores. Utilizando a
premissa de que os valores dos navios usados não são fixados por nenhuma
instituição ou agente governamental e que os preços são determinados pura e
simplesmente pela convergência entre demanda por parte de afretadores e oferta por
parte de fretadores, acredita-se que se for constatado que os preços de navios usados
construídos em um país/região “X” forem sistematicamente maiores do que os de
navios usados construídos em um país/região “Y”, ceteris paribus, isso pode ser um
indício de que o mercado reconhece maior qualidade nos navios construídos no
país/região “X” do que os navios construídos no país/região “Y”.
Para isso, foram utilizados dados de revenda de navios graneleiros, petroleiros e
porta-contentores que ocorreram entre Dezembro de 2002 e Junho de 2014. Para
chegar às conclusões, primeiro foi feito uma revisão bibliográfica sobre modelos
econométricos já utilizados, depois um modelo foi especificado e realizaram-se
algumas preparações e testes sobre os dados para que um modelo consistente,
significante, sem multicolinearidade, heteroscedasticidade, ou vieses de especificação
pudesse ser utilizado. Por fim, o modelo pôde ser testado quanto à hipótese central
deste trabalho. O passo-a-passo realizado é muito rico em conceitos de econometria,
e o autor acredita que a jornada para a preparação do modelo tenha tanta importância
quanto o resultado final, assim, o caminho através dos capítulos é essencial para que
o leitor possa usufruir de todo aprendizado aqui registrado.
A razão da diferente avaliação pelos agentes do mercado sobre os navios que são
construídos em países diferentes não é analisada ao ponto de surgir recomendações
de desenvolvimento que aumentem o valor dos navios revendidos. Almeja-se realizar
uma avaliação puramente econométrica, com objetivos acadêmicos, e com boa fé de
que os resultados são os mais acurados possíveis. As análises contidas neste trabalho
não devem ser consideradas como recomendações de investimento dado que a
indústria de transporte marítimo possui um mercado de alto risco. Apesar de todo o
cuidado ter sido tomado no tratamento e avaliação dos dados, o autor não se
3
responsabiliza por quaisquer efeitos diretos ou indiretos de opiniões baseadas nos
fatos aqui apresentados. A UFRJ, o autor e seus orientadores não podem ser
responsabilizados por nenhuma perda ou dano causados pelas informações ou
análises contidas neste relatório.
3. Os Quatro Mercados da Indústria Marítima
As atividades nos mercados de construção naval e de sucata impactam
diretamente na capacidade total para o transporte de carga e pessoas ao redor do
mundo. As transações no mercado de navios usados, por outro lado, não alteram a
capacidade de transporte disponível, mas alternam a propriedade das embarcações
entre diferentes armadores individuais ou companhias de navegação. O mercado de
fretes, por fim, faz uso dessa capacidade de transporte.
O fluxo de dinheiro na indústria marítima pode ser entendido, grosso modo, com o
esquema da Figura 1, adaptado do livro Maritimes Economics, Stopford [1].
O Mercado de
Frete
Afretador com
carga
Armador com navio
para contrato
O Mercado de
SucataEstaleiro de sucata
Armadores com navios
para sucatear
Armadores
O Mercado de
Compra e
Venda
Armadores
(compradores)
Armadores
(vendedores)
O Mercado de
Construção
Naval
Armador (pedido
de novo navio)
Estaleiros
Figura 1: Fluxo do capital dos armadores entre os quatro mercados que controlam a indústria marítima [1]
As subdivisões de mercado da Figura 1 estão interligadas porque as transações
envolvem os mesmos armadores, como é possível observar. Para exemplificar de
forma prática a dinâmica entre estas subdivisões, segue abaixo um ciclo típico da
indústria baseado em uma publicação periódica da Comissão Econômica para a
América Latina e Caribe [5]. Entre esses movimentos simples descritos no ciclo abaixo
4
existem infinitas possibilidades que são influenciadas por diversos fatores externos à
indústria marítima.
Os fretes caem. Baixam os
incentivos para aumentar a
capacidade de transporte.
Aparecem sinais de excesso de
capacidade de transporte.
Quando a demanda por transporte
começa a se estabilizar, a oferta supera a demanda.
Excesso de otimismo. Os
pedidos por novos navios podem ser
excessivos. Estabilizam os
preços de navios de segunda mão. Aumenta
rapidamente a encomenda de novos navios.
Os fretes aumentam e a demanda segue excedendo a oferta.
A demanda excede a oferta. A
capacidade de transporte se torna escassa.Os preços
de navios de segunda mão aumentam.
A demanda começa a crescer mais
rápido que a frota.
Cai a demanda por navios novos e de
segunda mão. Aumenta o
sucateamento de navios. Os fretes seguem baixos.
Figura 2: Ciclo simplificado da indústria marítima [5]
3.1. O Mercado de Fretes
O mercado de fretes é fonte de renda para os armadores através de suas
operações com o transporte marítimo. As mais variadas cargas podem ser
transportadas por navios: produtos agrícolas, bens manufaturados, carga refrigerada,
veículos e granéis líquidos são algumas delas.
Existem quatro tipos principais de transação neste mercado. No afretamento por
viagem (voyage charter), o embarcador contrata o navio para transportar uma carga
específica em uma viagem determinada por um preço negociado por tonelada e que
cobre todos os custos; uma variante do afretamento por viagem é o contrato de
transporte (contract of affreightment), em que o embarcador contrata um transporte de
carga a ser atendido pelo armador em uma base regular, negociando também o preço
por tonelada. Nesse segundo modelo, nenhum navio específico é indicado, o que é
uma vantagem para armadores com acesso a uma grande frota, seja própria ou
através de parcerias. O afretamento por período (time charter) é um acordo entre
afretador e o armador para contratar o navio, completo e com tripulação, por um preço
negociado como uma taxa diária, mas a duração do contrato pode ser de dias, meses
ou anos. Quando a duração do contrato envolve apenas uma viagem, dá-se o nome
de trip charter. Nesse modelo de contrato, o armador normalmente paga os custos de
capital e de operação (custos fixos) enquanto o afretador paga os custos com as
viagens (custos variáveis). O armador continua a gerenciar o navio, mas o afretador
5
instrui o comandante aonde ele deve ir e que carga transportar. E, finalmente, o
afretamento a casco nu (bareboat charter), em que a parte interessada contrata o
navio sem tripulação e passa a ser responsável também pelos custos de operação,
além dos custos de viagem. Então, nesse caso, o proprietário do navio arca apenas
com o custo de capital. Esse modelo é, na maioria das vezes, usado em
financiamentos, de modo que nenhum conhecimento sobre gerenciamento de
embarcações é requerido por parte do proprietário do navio. Desta forma, bancos e
investidores podem ser proprietários de embarcações e negociar estes ativos no
mercado.
Figura 3: Tipos de contrato no mercado de frete
3.2. O Mercado de Construção Naval
Os mercados de novos navios e de compra e venda de navios de segunda mão
possuem uma relação muito próxima, visto que os novos navios construídos ficarão
disponíveis para serem revendidos no mercado de segunda mão. Entretanto, negociar
navios que serão construídos tem uma série de consequências especiais. Idealmente,
a demanda por novos navios reflete a necessidade por capacidade de transporte nas
diferentes categorias de embarcações. Porém, nesse mercado também há bastante
especulação. Leva tempo (desde 1 ano, 1 ano e meio, a 4 anos) para que o pedido
colocado em um estaleiro se transforme em um navio e ele possa começar a operar
[2]. Esse tempo varia com o tipo de navio, tecnologias e práticas de gerenciamento do
estaleiro, tamanho da carteira de encomendas do estaleiro, e também da situação
econômica da indústria, que pode fazer com que o armador tente pressionar ou
retardar a entrega do navio, assim como o estaleiro pode estar interessado em
acelerar ou retardar a entrega do navio.
Como o mercado de fretes é bastante volátil, isso significa que os navios são
entregues com taxas de frete sendo praticadas muito diferentes das taxas de quando o
navio foi encomendado. Em situações extremas, os armadores podem cancelar seus
a Cas
co N
u
por Perío
do
por Via
gem
de Viagem
Tipos d
e
Contrato
Cu
sto
s
Responsabilidade do fretador (interessado na receita do contrato)
Responsabilidade do afretador (contratante)
de Viagem
de Operação
de CapitalCu
sto
s
6
pedidos ou tentar converter os navios para um porte diferente ou até mesmo adaptá-
los para transportar outros tipos de carga. A desistência pode incorrer em multa a ser
paga ao estaleiro, mas isso pode significar um menor prejuízo dependendo da
situação do mercado. A grande variação na carteira de encomendas para construção
de navios é um dos efeitos da incerteza sobre rentabilidade futura e das flutuações do
mercado de fretes.
Sempre que possível, os estaleiros vão pressionar seus clientes a comprar um
navio padrão. Essa possibilidade acelera a negociação, reduz o tempo de projeto e
melhora a estimativa de recursos, resultando em uma construção com custos e prazos
menores e melhor geridos pelo estaleiro. Por outro lado, o navio padrão pode não se
adequar exatamente às necessidades do armador.
A motivação para comprar um navio novo pode variar bastante. O armador pode
não estar encontrando no mercado de segunda mão um navio com tamanho e
capacidade de carga que ele deseja; os preços de navios usados podem estar mais
altos que os de navios novos, casos extremos que ocorrem quando as taxas de frete
sobem muito; outra possibilidade é a necessidade de um navio específico dentro da
logística de um projeto industrial (de transporte de gás natural liquefeito ou de
instalação de turbinas eólicas, por exemplo), o que pode requerer um navio com
características diferentes. Algumas grandes companhias podem ter políticas de
reposição de navios (substituição de navios com 10, 15 anos), embora não seja tão
comum hoje em dia. E, também, a motivação pode ser resultado de baixa de preços
de navios novos ou incentivos de crédito. A expectativa de lucros futuros com certeza
permeia todas as opções.
3.3. O Mercado de Sucata
O mercado de sucata de navios é também conhecido hoje em dia como indústria
de reciclagem. O mecanismo é simples. Quando um armador possui um navio que não
se adequa mais a operação e tem valor menor no mercado de navios usados do que
ele teria se vendido para sucata, o navio é destinado aos estaleiros de desmonte.
Volumes grandes de sucateamento podem ser também reflexos de decisões políticas
que visam o aumento das restrições em padrões de segurança e meio ambiente [2].
Grandes empresas de broking possuem uma área especializada nesse mercado.
Os estaleiros de desmonte estão em sua maioria no leste asiático, Índia,
Paquistão, Bangladesh e China. Também é comum o navio ser vendido para um
proprietário intermediário que se especializa em revender navios para estaleiros de
7
desmonte. O preço do navio depende da demanda por sucata de aço e da
disponibilidade de navios para desmonte no mercado. O peso de aço do navio, seu
tipo e idade são fatores que diferenciam os preços das embarcações entre si. Na Ásia,
grande parte desse aço que é retirado dos navios é vendido para minissiderúrgicas e
algumas construções.
Discute-se bastante sobre os problemas de saúde enfrentados pelos
trabalhadores desses estaleiros e também sobre os impactos ambientais resultantes
dos processos de desmonte [6,7,8]. Mudanças futuras em requerimentos para a
atividade de desmonte devem impactar na capacidade das empresas de sucata
entrarem e saírem desse mercado e, assim, o preço da sucata deve passar por ciclos
mais fortes de variação.
3.4. O Mercado de Navios Usados
Como dito anteriormente, o mercado de navios de segunda mão difere dos
mercados de construção e de sucata porque não altera a capacidade disponível de
transporte no mercado de fretes. Entretanto, a realocação de navios entre armadores
tem um importante papel de aumentar a eficiência dos serviços de transporte. Ela
transfere a capacidade de transporte de carga de um operador com baixa demanda
para um operador com alta demanda por transporte de carga. De forma mais
abrangente, quando os armadores podem vender seu bem de capital em um mercado
líquido os custos de saída se tornam menores, ao mesmo tempo em que permitem
que potenciais armadores entrem na indústria de transporte marítimo através da
aquisição de um navio usado, isso de forma relativamente fácil e rápida, e com isso a
indústria de transporte marítimo se aproxima de uma competição perfeita. Além disso,
o mercado de compra e venda de navios usados permite que companhias de
navegação não só entrem e saiam como troquem de segmento de mercado.
Recentemente, a Maersk Tankers vendeu 15 navios VLCC para a Euronav como parte
de um plano de desinvestimento para focar no segmento de navios de produtos [9].
Grande parte das transações de compra e venda é realizada por intermédio de
shipbrokers. Mas não apenas armadores, companhias de navegação e brokers atuam
nesse mercado, investidores também aproveitam a especulação nos ciclos da
indústria para comprar e vender navios como ativos. A atuação de investidores
aumenta a liquidez do mercado e proporciona uma melhor alocação dos bens de
capital no mercado de fretes. Alizadeh e Nomikos [10] apontam para o fato de que
existe uma relação negativa entre o volume de transações no mercado de segunda
8
mão e a volatilidade dos preços (pelo menos no mercado de graneleiros), ao contrário
do que acontece nos mercados financeiros. Isso pode ser considerado uma
característica estrutural do mercado de navios: o aumento da atividade de negociação
resulta em maior transparência dos preços e estabilidade, embora Pryun et al. [11]
afirme que o artigo de Syriopulos e Roumpis [12] contenha evidências de que a classe
de petroleiros handymax tenha uma relação positiva pequena. Em mercados maduros,
com altos volumes de transações, mudanças positivas no volume de negociações
costumam aumentar a volatilidade dos preços. Outra conclusão importante de
Alizadeh e Nomikos é que as mudanças de preços se mostraram úteis para prever o
volume de transações no mercado, o que sugere que altos ganhos de capital
encorajam mais negociações. Em 2006, em uma alta no mercado de segunda mão,
cerca de 1.500 navios mercantes oceânicos usados foram vendidos, representando
um movimento de US$36 bilhões [1]. Já em 2010, segundo dados coletados da base
de dados da Clarksons para este trabalho (ver capítulo 5), houve uma baixa no
mercado e cerca de 999 transações foram fechadas contabilizando um pouco mais
que US$16,5 bilhões.
Figura 4: Transações de navios de segunda mão entre 2003 e 2013. Dados obtidos da base de dados da Clarksons. *O valor para 2011 não contabiliza as transações de Janeiro deste ano.
Em resumo, as razões que levam, tipicamente, um proprietário a vender um navio
são:
Uma política de substituição de navios devido à idade;
Diminuição da atuação ou até a própria saída de um segmento ou do
mercado como um todo;
2013
2012
201120
102009
2008
2007
2006200
52004
2003
1800
1600
1400
1200
1000
800
600
400
200
0
Ano
Nú
me
ro d
e T
ran
sa
çõ
es
Re
ali
zad
as
Mercado de Revenda de Navios
9
Obsolescência tecnológica;
Excesso de capacidade de transporte devido a uma queda de demanda;
Necessidade de caixa para arcar com os compromissos da empresa;
Expectativa de que os preços de mercado dos navios e/ou dos fretes irão
cair;
Oportunidade de lucro com a venda do navio como ativo em épocas de
alta dos preços.
Já as razões para comprar são:
Necessidade de aumento da capacidade de transporte em resposta a um
rápido aumento de demanda;
Entrada em um segmento de mercado ou aumento da atuação;
Expectativa de que os preços dos navios e/ou dos fretes irão subir.
4. A Modelagem Econométrica do Mercado de Segunda Mão
Econometria significa literalmente “mensuração econômica”. Embora a
mensuração seja uma parte importante da econometria, sua finalidade é mais
abrangente, como se pode verificar pela citação a seguir:
...econometria pode ser definida como a análise quantitativa de fenômenos
econômicos concretos, baseada no desenvolvimento simultâneo de teoria e
observação, relacionados por métodos de inferência adequados. [13]
Um modelo matemático da função preço de navio de segunda mão teria interesse
restrito para um estudo econométrico, uma vez que suporia uma relação exata ou
determinista entre o preço dos navios usados e suas variáveis explicativas. As
relações entre variáveis econômicas são em geral inexatas, porque o consumo de um
produto normalmente é influenciado por uma gama muito grande de fatores que não
torna prático, ou em alguns casos até mesmo possível, representar todas as variáveis
independentes de forma explícita. A teoria de regressão aplicada neste trabalho, assim
como a maior parte dos trabalhos que utilizam regressão, está condicionada à
hipótese de que a variável dependente seja estocástica, mas que as variáveis
explicativas sejam fixadas ou não-estocásticas. Em estudos avançados de
econometria a hipótese de que as variáveis explicativas são não-estocásticas pode ser
relaxada [14].
10
Porém, para admitir relações inexatas entre as variáveis econômicas em funções
com variáveis explicativas não-aleatórias, as equações podem ser modificadas para
incluir um termo conhecido como termo de perturbação ou erro. Esse termo é uma
variável aleatória (estocástica), assumida com propriedades probabilísticas bem
definidas. Esse termo pode representar bem todos os fatores que afetam o mercado
de navios usados, mas que não foram considerados explicitamente. Assim, assume-se
que nas variáveis explicativas haverá fatalmente alguma variabilidade aleatória ou
“intrínseca” que não poderá ser plenamente explicada, por mais variáveis explicativas
que sejam consideradas. As razões para não incluir mais variáveis que as
consideradas são variadas, os dados dessas variáveis extras podem estar
indisponíveis, pode-se não estar seguro sobre a influência e a forma da relação
funcional entre o regredido e as variáveis extras, a influência dessas variáveis
periféricas pode ser muito pequena e melhor modelada com uma variável estocástica,
e os erros de medição dessas variáveis periféricas podem ser grandes ao ponto de
anularem o benefício de tê-las na equação para descrever melhor o fenômeno. E não
menos importante, é impossível tentar modelar a casualidade intrínseca do
comportamento humano que pode não se comportar “como deveria”, seguindo as
regras que serviram de premissa. “Que as descrições sejam mantidas tão simples
quanto possível até que se provem inadequadas” [15]. Se for possível descrever o
comportamento de uma variável dependente substancialmente com certo número de
variáveis e a teoria não for forte o suficiente para sugerir mais variáveis não há
motivos para acrescentá-las.
O modelo econométrico proposto será uma regressão amostral, baseado em
uma amostra de observações da população. Embora a análise de regressão lide com
a dependência de uma variável em relação a outras variáveis, ela não implica
necessariamente em causação. Ou seja, como será visto, não há nenhuma razão
estatística para supor que o preço de navio de segunda mão não dependa do porte
bruto do navio, entretanto, a suposição de que o preço do navio usado depende do
porte bruto se deve a considerações não-estatísticas, porque o bom senso sugere que
a relação não pode ser invertida, o porte bruto não pode ser controlado variando o
preço do navio de segunda mão. Assim, é importante destacar aqui que uma relação
estatística, por si só, não pode logicamente implicar uma causação [14]. Para
atribuir causalidade, deve-se recorrer a considerações apriorísticas ou teóricas.
11
4.1. Revisão Bibliográfica
Como já mencionado, o transporte marítimo é uma das poucas indústrias a ter um
mercado movimentado onde os principais bens de capital, os próprios navios, são
comercializados. Diversos fatores influenciam na decisão de um armador de vender
um navio e na de outro de comprá-lo, alguns dos quais estão listados no capítulo
anterior. Entretanto, mesmo com motivos únicos, é intuitivo pensar que todo armador
que negocia neste mercado fica atento aos valores de determinadas variáveis, pois é
certo que, independente de seu propósito, o armador sempre terá vontade de realizar
o melhor negócio, ou seja, vender pelo maior preço possível e comprar pelo menor
preço possível.
Para entender as principais variáveis que influenciam os preços nesse mercado,
pode-se recorrer a tradicional Lei de Oferta e Demanda. Tsolakis et al. [16] determina
que a quantidade de navios de segunda mão demandada pelo mercado pode ser
expressa como uma função de: taxa de afretamento por período (time charter, TC),
preço de um navio novo, preço de um navio de segunda mão, e custo de capital.
(1)
Enquanto a oferta seria expressa como função de: carteira de novas encomendas
sobre a atual frota, e o preço de navios de segunda mão.
(2)
O preço resultante seria o ponto onde as quantidades de demanda e a oferta se
igualam , assim:
(3)
Tsolakis et al. conclui que o preço de navios usados é mais influenciado por
aspectos de demanda do que de oferta. A variação da demanda no mercado de
segunda mão deve estar muito relacionada com a expectativa de lucro com o mercado
de transporte, o que aponta que deve haver uma forte relação com as taxas de frete. A
opção por utilizar a taxa de afretamento por período (US$/dia) e não as taxas de frete
por viagem (US$/ton) é que estas últimas são específicas para cada rota, além de ter
uma volatilidade maior. O time charter trata do resultado de uma negociação entre
armador e afretador sobre a taxa a ser cobrada durante um determinado período de
utilização de navio no futuro, o que, de certa forma, pode ser assumido como uma
12
convergência entre as expectativas de mercado de ambas as partes. Por este motivo,
o time charter costuma ser muito menos volátil. Já os novos navios e os navios de
segunda mão tendem a serem, em algum grau, produtos substitutos, embora a
disponibilidade mais imediata para utilização do navio de segunda mão possa fazer
com que os preços destes superem os preços de novas construções em períodos com
taxa de frete muito alta, como ocorreu especialmente no boom dos anos 2006 a 2008
(seguido da queda acentuada com a crise financeira).
Quanto ao custo de capital, Tsolakis et al. utiliza como variável proxy2 a LIBOR,
London Interbank Offered Rate3. Esta variável será utilizada neste trabalho de maneira
diferente do que no artigo. Na referência, utilizou-se uma média de 3 meses da LIBOR
para mostrar que no longo prazo a LIBOR tem uma relação negativa com o preço do
navio de segunda mão porque o maior custo de empréstimo para os armadores os
levaria a recusar preços mais altos. Esta hipótese foi confirmada apenas para as
classes de graneleiros, e rejeitada para as classes de petroleiros, exceto para
suezmax. A explicação seria que armadores de navios graneleiros possuem menos
capital do que armadores de navios petroleiros (o que pode ser explicado pela receita
e fluxo de capital consideravelmente maiores no mercado de petróleo), logo o impacto
de maiores juros de empréstimos seria maior para os armadores de graneleiros. Neste
trabalho, a taxa LIBOR será utilizada como variável proxy de variação do custo de
capital de maneira geral, incluindo todas as influências externas como, por exemplo, a
crise de 2008.
A oferta, por outro lado, aumenta e diminui em velocidades menores porque
depende do sucateamento e da construção de novos navios. Um dado número de
encomendas em um momento significará uma maior quantidade de navios em um
momento posterior (a partir de um ano, talvez), a não ser que o número de
sucateamento seja maior no mesmo período, o que diminuirá a quantidade de navios.
Tsolakis et al. considera apenas a variável carteira de encomendas/frota em suas
regressões, e tem como resultado que ela é significativa apenas no longo prazo e
apenas para as classes de petroleiros Panamax, Suezmax e VLCC, com uma relação
negativa com o preço de segunda mão. A justificativa seria que uma carteira grande
indicaria para os investidores um excesso de oferta no futuro e que não seria um bom
investimento comprar navios maiores, mais caros. Para graneleiros, não haveria
2 Variável que substitui aproximadamente um valor não observável ou não mensurável.
3 A London Interbank Offered Rate é a taxa de juros média estimada pelos principais bancos em Londres,
Inglaterra, para empréstimos entre bancos.
13
influencia significativa no curto nem no longo prazo. Tsolakis et al. avalia o longo prazo
com a relação entre o preço de segunda mão e a variável carteira/frota defasada de
um ano, e o curto prazo com as variáveis em fase. Para comprovar a justificativa do
artigo quanto ao mercado de grandes petroleiros, uma investigação sobre a
quantidade de navios negociados dada a variável carteira/frota defasada deveria ser
realizada, visto que a variável defasada pode indicar que no atual instante o mercado
recebeu novos navios e que os navios de segunda mão diminuíram seus preços pelo
aumento da quantidade de oferta, e não pela diminuição da demanda. A inclusão do
sucateamento/frota no modelo também pode fazer com que as variáveis carteira/frota
e sucateamento/frota se tornem significativas no longo prazo para todas as classes. O
artigo parece ter sido um pouco contraditório na justificativa quanto à influência da
carteira/frota, pois no início esta é uma variável da função que descreve a oferta e na
justificativa a variável foi associada à demanda.
As variáveis carteira e sucateamento não serão inseridas no modelo deste
trabalho pelo seguinte motivo: no mercado de fretes, a taxa é determinada pela Lei de
Oferta e Demanda do mercado de transporte. Do lado da demanda estão os
afretadores com cargas para serem transportadas e do lado da oferta estão os navios
que podem oferecer este serviço de transporte. A quantidade de navios que são
ofertados no mercado de frete é a mesma quantidade de navios que são ofertados no
mercado de segunda mão. Essa quantidade de navios depende do número de navios
que existem no mercado, do número de novos navios que entram e de quantos saem
do mercado. Ou seja, ao incluir a variável “taxa de frete” já está sendo levado em
conta de certa forma essa dinâmica do número de navios disponíveis na indústria. Não
é intenção deste trabalho um olhar mais acurado sobre o impacto da carteira e do
sucateamento no preço de segunda mão, o objetivo é ter um modelo robusto que
descreva bem o comportamento dos preços e com baixos erros-padrão, assim, por
causa da menor relevância dessas variáveis na presença da variável frete optou-se
por não incluí-las.
Apesar da simplificação nas expressões apresentadas por Tsolakis et al., o
processo de formação de preços no mercado internacional é extremamente complexo
e seu comportamento é altamente volátil e sujeito a influência de um grande número
de variáveis. Além das variáveis independentes sugeridas até agora, Pruyn et al. [11]
acrescenta que idade e porte são variáveis explicativas importantes na determinação
dos preços de segunda mão. Tsolakis et al. aborda o porte das embarcações de forma
desagregada, para cada porte de graneleiros e de petroleiros é realizada uma
14
regressão particular do preço de revenda sobre suas variáveis independentes. Quanto
à idade dos navios, o artigo de Tsolakis et al. não deixa claro se os índices anuais
para preços de revenda das séries temporais utilizados reúnem embarcações de
diferentes anos de construção ou se são especificamente de uma determinada idade,
como, por exemplo, cinco anos. Pruyn et al. menciona também que, apesar de serem
mais difíceis de obter, a velocidade e a potência do motor também podem ter impactos
relevantes.
O presente trabalho tem o objetivo adicional de analisar comparativamente a
qualidade dos navios produzidos pelos principais países e regiões construtores.
Baseado na premissa de que os valores dos navios usados não são fixados por
nenhum agente governamental e que os preços são determinados pura e
simplesmente pela convergência entre valores e quantidades que afretadores e
fretadores estão dispostos a negociar, acredita-se que se for constatado que os preços
de navios usados construídos em um país/região “X” forem maiores, com significância
estatística, do que os de navios usados construídos em um país/região “Y”, ceteris
paribus, isso pode ser um indício de que o mercado reconhece maior qualidade nos
navios construídos no primeiro país/região.
O teste ideal conteria dois navios tecnicamente iguais sendo construídos todo ano
em dois países/regiões diferentes em mesmo contexto econômico internacional, e a
diferença entre seus preços de revenda, no caso de haver, indicaria, portanto, que os
atores do mercado subjetivamente valorariam a qualidade do navio mais caro como
sendo maior devido ao país em que foi construído.
Pruyn et al. afirma que o país de construção e a sociedade classificadora são
variáveis que tiveram sua influência descartada de acordo com sua pesquisa
bibliográfica, embora reconheça que em Adland e Koekebakker [17] e Koehn [18] o
país de construção seja considerado relevante. Tanto Adland e Koekebakker quanto
Koehn afirmam que o país de construção, o estaleiro, a capacidade de carga em
comparação com semelhantes, tipo de casco (simples ou duplo), equipamentos de
manuseio de carga, velocidade e consumo de combustível são fatores específicos que
podem influenciar o preço que de fato o navio obterá no mercado. Adland e
Koekebakker ainda incluem que baixos padrões de manutenção podem desvalorizar o
navio. Koehn destaca que estes fatores têm importância maior em mercados de
embarcações menores e altamente especializadas como reefer, chemical carrier e gas
carrier. Seu trabalho foi sobre o segmento de navios químicos. Ao incluir o país de
construção como variável dummy, Koehn obteve alguns resultados interessantes: em
15
comparação com os navios químicos construídos no Japão, 11 dos 17 países
apresentaram diferenças significativas. A maioria dos países com sinal positivo (preço
maior que o do Japão) são países da Europa Ocidental enquanto navios da Ucrânia
aparentam ter uma menor qualidade se for utilizado este critério. Navios de outros
países asiáticos como Coréia do Sul e China assim como navios da França, Croácia,
Polônia, e Reino Unido não tiveram diferença significativa.
Em Pires et al. [19] encontraram-se evidências estatísticas robustas de que navios
graneleiros construídos no Japão apresentaram valor esperado de preço de segunda
mão maior do que os construídos no demais países para vendas realizadas entre 2003
e 2005. Pretende-se neste trabalho ampliar a pesquisa feita em Pires et al. e reafirmar
ou rejeitar esta hipótese estatisticamente.
4.2. Especificação do Modelo
Em Pires et al. [19] foram analisados navios vendidos entre o final de 2002 e o
final de 2005 a partir de dados obtidos da empresa Clarksons. Os dados foram
segregados por ano e por tipo (graneleiros, petroleiros e porta-contentores) e os
valores de venda foram deflacionados com índices de preço de segunda mão da
mesma fonte. O objetivo do artigo era especificamente avaliar a influência do país de
construção nos preços de revenda. As regressões dos petroleiros não puderam ser
avaliadas devido a um viés na amostra: os navios mais novos e maiores, VLCC e
ULCC, eram predominantemente coreanos, e os mais antigos e menores eram
predominantemente japoneses, com poucos dados de outros países. A avaliação dos
dados de porta-contentores também não foi realizada devido a uma concentração dos
navios europeus entre os navios mais antigos e dos coreanos entre os navios mais
novos, e também a uma concentração de navios europeus entre os de maior porte e
de japoneses entre os de menor porte, com poucos dados para outros países. Já a
amostra de navios graneleiros se mostrou bem condicionada quando dividida entre
navios construídos no Japão e navios construídos nos demais países. Para diferenciar
os navios construídos entre os dois grupos (Japão e Outros) foi utilizada uma variável
dummy. A variável dependente escolhida foi o preço de revenda do navio dividido pelo
seu porte e deflacionado pelo índice da Clarksons. As variáveis explicativas, além do
país de construção, foram o porte e a idade das embarcações. O modelo de regressão
adotado foi o seguinte:
(4)
Onde:
16
P’ {US$/DWT}: preço do navio por porte bruto deflacionado;
K: intercepto da equação;
DWT: porte bruto do navio em toneladas;
age: idade do navio em anos;
e: base do logaritmo natural;
γ: variável binária (0 ou 1) de decisão de país de origem;
λ: fator de variação do preço dependente da variável binária (γ);
α’: elasticidade do preço (P’) relativa à capacidade (DWT);
β’: elasticidade do preço (P’) relativa à idade (age).
No presente trabalho, pretende-se utilizar o trabalho de Pires et al. como base,
ampliando a pesquisa. O primeiro passo foi estender o período observado para entre o
final de 2002 e o meio de 2014. As análises não serão separadas por ano, mas
manterão a divisão por tipo (graneleiros, petroleiros, e porta-contentores). Seguindo o
que foi apresentado no tópico 4.1, serão incluídas como variáveis explicativas ao
modelo de Pires et al. variáveis que representem as receitas dessas embarcações e
também os preços de novas construções. Para incluir no modelo a variação do custo
de capital de maneira geral, incluindo todos os fatores externos, foi inserida no modelo
a taxa de juros LIBOR.
Assim, o modelo considerado para este trabalho foi o seguinte:
(5)
Onde:
P {US$/DWT}: preço de revenda do navio dividido pelo seu porte bruto;
K {US$/DWT}: intercepto da equação;
Age {anos}: idade do navio na data de revenda;
Earnings {US$/dia}: variável para captar as variações na receita das embarcações
ao longo do tempo;
NB {US$/DWT}: variável para captar variações do preço de um novo navio por
tonelada de porte bruto ao longo do tempo;
LIBOR: variável para captar as variações no custo de capital ao longo do tempo.
α: elasticidade do preço (P) em relação à capacidade (DWT);
β: elasticidade do preço (P) em relação à idade (age).
η: elasticidade do preço (P) em relação à receita (earnings);
δ: elasticidade do preço (P) em relação ao preço de nova construção (NB);
ζ: elasticidade do preço (P) em relação ao custo de capital (LIBOR);
17
A esse modelo de regressão exponencial serão acrescentadas variáveis
dummies4 que possibilitem a investigação sobre a influência do país de construção no
preço de segunda mão. O número de variáveis categóricas dependerá do número de
regiões/países a serem considerados. A equação assumirá o seguinte formato:
(6)
As variáveis “a”, ”b”, e ”c” são exemplos de variáveis binárias que assumem valor
1 quando o navio tiver sido construído em uma respectiva região ou país e valor zero
(ou nulo) quando tiver sido construído em outra região. Por exemplo, um navio
construído na região “c” terá e . As letras maiúsculas que acompanham
as variáveis são os estimadores dos coeficientes parciais de regressão.
À equação (3) se aplicou o logaritmo natural aos dois lados da igualdade.
(7)
A vantagem de utilizar o modelo na forma log-linear como na equação (7) é que
os parâmetros α, β, γ, δ, e ζ estimados pelo método dos mínimos quadrados ordinários
serão não só os melhores estimadores lineares não-viesados se o modelo satisfizer as
hipóteses do modelo clássico de regressão linear5, como também medirão a
elasticidade do preço em relação a, respectivamente, porte, idade, receita, preço de
nova construção, e custo de capital. Ou seja, os parâmetros serão as melhores
estimativas pontuais para os dados utilizados sobre as variações percentuais no preço
(US$/DWT) para uma dada variação percentual (pequena) na respectiva variável
independente.
4 Variáveis dummies são variáveis que assumem valor 0 ou 1 para indicar a presença ou ausência de um
atributo no respectivo dado.
5 No livro Econometria Básica [14], de Gujarati, são apresentadas as 10 hipóteses para que um modelo
seja enquadrado na definição de Modelo Clássico de Regressão Linear, e as consequências do enquadramento bem como do não enquadramento são discutidas. Alguns testes serão feitos neste trabalho para avaliar se o modelo proposto atende às hipóteses, mas recomenda-se uma leitura prévia desta ou de bibliografia semelhante para compreender a importância do conceito.
18
5. A Obtenção e a Preparação dos Dados
Todos dados foram obtidos da Shipping Intelligence Network da Clarksons. Na
base de dados oferecido pela empresa os dados sobre preços individuais de revenda
dos navios só são disponibilizados em formato de planilhas para o software Microsoft
Excel para até três anos regressos. O primeiro passo foi, então, transcrever os dados
dos relatórios semanais Shipping Intelligence Weekly para planilhas Excel para todos
os anos entre 2006 e 2010, incluindo os anos extremos. Os dados do final de 2002 ao
de 2005 são os mesmos utilizados no artigo de Pires et al. [19], fornecidos gentilmente
pelos autores. Os dados de 2011 a 2014 foram obtidos direto da rede no formato
desejado6.
A coleta de dados e sua posterior organização se mostrou uma tarefa bastante
difícil. Foi investido um tempo considerável para preparar um procedimento mecânico-
computacional para que os dados de cada relatório pudessem ser transformados em
linhas de planilhas do Excel. Ainda sim, ajustes pós-processamento de cada relatório
precisaram ser feitos para padronizar as informações. Para cada navio, obtiveram-se
informações para os seguintes campos:
Type Name Built Size Unit Dwt Yard Sold En
Bloc US$m Sellers Buyers
Type: informação sobre o tipo do navio, por exemplo: bulk, tanker, container,
AHTS, cable layer, car carrier etc.
Name: nome do navio.
Built: ano de construção do navio.
Size: uma referência quantificável de porte da embarcação, por exemplo:
toneladas de porte bruto, número de contentores, número de passageiros,
comprimento etc.
Unit: unidade do número apresentado no campo Size.
Dwt: toneladas de porte bruto (deadweight).
Yard: estaleiro onde o navio foi construído.
Sold: data em que o navio foi revendido.
6 Infelizmente, o autor percebeu após concluir o trabalho que os dados do mês de Janeiro de 2011 não
foram incluídos.
19
En Bloc: campo inicialmente reservado para destacar os navios que eram
vendidos em conjunto. Entretanto, durante a coleta de dados, observou-se que seria
útil anotar neste campo quaisquer informações adicionais sobre a venda que
estivessem disponíveis nos relatórios como, por exemplo, se o navio foi vendido com
um contrato de time charter vigente ou se foi vendido em um leilão.
US$m: preço pelo qual o navio foi revendido, em milhões de dólares.
Sellers: informações sobre quem vendeu os navios.
Buyers: informações sobre quem comprou os navios.
Foram recolhidos 13.937 dados individuais de negociações de navios de segunda
mão. O primeiro passo após ter o banco de dados em Excel pronto para ser utilizado
foi separar os dados dos três tipos de navios de interesse deste trabalho em três
bancos de dados específicos: graneleiros, navios tanque, porta-contentores. A
intenção de usar navios tanques é a de avaliar o mercado de petroleiros. Para separar
os petroleiros dos demais dados um critério teve de ser adotado, porque entre os tipos
de navio que os dados da Clarksons eram classificados no banco de dados da
empresa havia:
bulk/oil, chem&oil, combo, eth/LPG, eth/LPG/chm, ethy/LPG, L.N.G., L.P.G., LPG
carrier, LPG/chem, oil & LPG, ore/oil, products, shuttle, tankchem, e tanker.
Em um critério de organização abrangente, alguns ou todos estes tipos poderiam
ser englobados como um grupo de navios tanque, que transportam granel líquido.
Para este trabalho, apenas os navios tipificados como “tanker” foram utilizados.
Acredita-se que estes navios sejam os petroleiros tradicionais que transportam óleo
cru, embora seja muito provável que alguns navios de produtos tenham sido incluídos
sob esta classificação. Para os graneleiros foram escolhidos os navios tipificados
como “bulker”, e para porta-contentores, “container”.
Após separar em três bancos de dados independentes, os dados foram
reavaliados e os navios que não continham informações sobre ano de construção,
e/ou DWT, e/ou estaleiro, e/ou preço foram retirados dos bancos de dados. As
Banco de Dados Geral
BD Graneleiros
BD Tanques BD
Contentores
20
informações que não faltavam a nenhum navio do banco de dados principal eram
apenas: tipo, nome, e data de revenda. Para os navios revendidos em grupo, se os
navios fossem de mesmo porte e idade o preço era dividido igualmente entre os
navios, caso contrário os navios também não foram considerados nas análises. Sabe-
se que esta última consideração pode implicar em algum viés na amostra dado que
navios vendidos em bloco podem ter desconto em seus preços, mas decidiu-se manter
esta decisão por se considerar que não se trata de um produto vendido em grandes
quantidades, em que os descontos seriam maiores, e também é válido observar que
toda negociação possui aspectos únicos que afetam o preço acordado. O objetivo
deste trabalho é captar tendências globais e para isso é preciso incluir o maior número
de dados válidos possíveis. Os navios revendidos antes de serem entregues pelos
estaleiros ou no ano de sua entrega, ou seja, com idade “zero” ou “negativa”, também
foram descartados por não fazerem parte do tradicional mercado de segunda mão.
Esses navios revendidos antes de completarem 1 ano podem ser considerados como
um mercado de segunda mão especial já que o navio ainda é novo e a deterioração
natural devido à idade ainda não é percebida.
Tabela 1: Índices de Preços de Segunda Mão
Graneleiros Bulk Carrier Secondhand Prices Index Average (US$/DWT)
Petroleiros Tanker Secondhand Prices Index Average (US$/DWT)
Porta-contentores Containership 10 year old Secondhand Prices Index Average
(US$/TEU)
O próximo passo foi coletar as séries históricas dos índices de preços de navios
de segunda mão (US$/DWT) na rede da Clarksons para cada tipo de navio
(graneleiros, tanques, e porta-contentores7). As séries utilizadas estavam em uma
base mensal. Os preços de revenda foram, então, divididos pelos portes brutos dos
navios e depois deflacionados por simples divisão do preço/dwt pelo índice de preço
de navio de segunda mão adequado ao período da revenda. Com os preços
deflacionados foi possível identificar os outliers. Com esse objetivo, utilizou-se a
ferramenta diagrama de caixa modificado8 e o software Minitab. A linha central do
diagrama de caixa corresponde à mediana dos dados, a caixa (retangular) estende-se
do primeiro ao terceiro quartis (Q1 e Q3). O diagrama é dito modificado porque ao invés
de as linhas se estenderem até os valores mínimo e máximo como nos diagramas de
caixa tradicionais, elas se estendem abaixo do primeiro quartil até o valor de 1,5 vezes
o intervalo interquartil (Q3 – Q1) e acima do terceiro quartil até o valor de 1,5 vezes o
7 Para porta-contentores foi utilizado US$/TEU.
8 Nomenclatura adotada no livro Introdução à Estatística [21], de Mario Triola.
21
intervalo interquartil. Foram considerados outliers (valores discrepantes) os dados que
se localizavam acima ou abaixo dos limites dessas linhas.
Figura 5: Diagrama de caixa modificado dos graneleiros
Figura 6: Diagrama de caixa modificado dos navios tanque
Na Figura 5 é possível observar os outliers entre os graneleiros. O valor que se
destaca bem acima dos outros é um navio de apenas 2.341 toneladas de porte bruto
que foi revendido por US$ 4,7 milhões em 2013. Aparentemente, nenhum dos valores
considerados atípicos parecia conter algum erro de informação. Praticamente todos
são navios de até 30.000 toneladas de porte bruto, o que faz com que a razão
US$/DWT tenda a ser maior. Do total de 4.220 navios, os outliers correspondiam a 31
embarcações, ou 0,73% dos dados. Preferiu-se retirar esses pontos das análises
porque eles não seguem as tendências de suas épocas.
Para os navios tanque (Figura 6), novamente o dado com o valor de US$/DWT
deflacionado mais alto era um navio de menor porte, apenas 1.520 toneladas, que foi
6
5
4
3
2
1
0
US
$/D
WT
Defl
acio
nad
o
Graneleiros
9
8
7
6
5
4
3
2
1
0
US
$/D
WT
Defl
acio
nad
o
Navios Tanque
22
vendido por US$ 4,8 milhões em 2013. A média dos portes dos navios considerados
outliers foi de 16.425 toneladas, confirmando que navios com porte bruto menor
tendem a ter o valor de seu preço dividido por seu porte bruto maior. Esses valores
atípicos foram 50 pontos entre 1.312 navios avaliados, ou 3,81%.
Entre os navios porta-contentores (Figura 7) foram identificados apenas 9 valores
atípicos entre 992 navios (0,91%). Os valores US$/DWT foram deflacionados com um
índice em US$/TEU, pois não foi encontrado um índice para o preço de revenda de
porta-contentores que fosse apresentado na unidade US$/DWT na rede da Clarksons.
Entretanto, são valores muito correlatos e assim foi considerado razoável utilizar o
índice encontrado. Os outliers são navios de pequeno porte, mas não tão pequenos
para porta-contentores, com média de 19.353 toneladas de porte bruto. Esses valores
atípicos foram retirados da base de dados.
Figura 7: Diagrama de caixa modificado dos navios porta-contentores
A etapa seguinte foi coletar na base de dados da Clarksons as séries históricas de
índices para receita, preço de nova construção, e da taxa LIBOR. Foram utilizados os
seguintes índices:
Tabela 2: Índices de receita
Graneleiros Baltic Exchange Dry Index9
Petroleiros Average Weighted Earnings All Tankers (US$/Day)
Porta-contentores Clarksons Containership Earnings Index (US$/Day)
9 O Baltic Dry Index (BDI) é o sucessor do Baltic Freight Index (BFI) e entrou em operação no primeiro dia
de Novembro de 1999. Desde o primeiro dia de Julho de 2009, o índice tem sido um composto dos Dry Bulk Timecharter Averages (médias dos contratos por período - $/dia – dos graneleiros). A fórmula usada para calcular o BDI é: ((Capesize5TCavg + PanamaxTCavg+ SupramaxTCavg + HandysizeTCavg)/ 4) * 0.110345333 TCavg = Timecharter average. Mais informações podem ser obtidas em www.balticexchange.com.
0,25
0,20
0,15
0,10
0,05
0,00
US
$/D
WT
De
fla
cio
na
do
s c
om
US
$/T
EU
Porta-contentores
23
Tabela 3: Índices de preços de novos navios
Graneleiros Bulkcarrier Average Newbuilding Prices (US$/DWT)
Petroleiros Oil Tanker Average Newbuilding Prices (US$/DWT)
Porta-contentores Containership Contracting (US$ Million)/Containership
Contracting (DWT)10
Quanto aos países de construção, foram formados grupos de países
considerando o volume de navios revendidos e a homogeneidade representativa de
geopolítica. Foram utilizadas convenções tradicionais de divisões políticas dos
continentes, não tendo sido feito um estudo aprofundado sobre a infraestrutura dos
estaleiros desses países para agrupá-los. Vale ressaltar aqui novamente o cunho
acadêmico deste estudo para o exercício de conceitos de econometria aplicada ao
setor de engenharia naval.
Apesar de todo país possuir níveis grandes de diferença entre seus estaleiros, o
agrupamento tem a intenção de identificar possíveis valorações padronizadas pelo
mercado sobre a qualidade dos navios construídos dentro de determinados
países/regiões. Para navios porta-contentores, os dados neste instante continham
apenas três navios construídos no continente americano, dois nos Estados Unidos e
um na Argentina, por isso o continente americano foi desconsiderado. Entre os navios
graneleiros havia dois navios construídos no Egito que também foram
desconsiderados. Assim, a seguinte divisão foi realizada11,12:
10
Para porta contentores foi utilizada a razão entre dois índices.
11 Ásia*: países do continente asiático com exceção de China, Coréia do Sul e Japão, que foram
considerados individualmente. 12
América: países do continente americano, unindo Américas do Sul, Central e do Norte.
Graneleiros
América
Ásia*
China
Coréia do Sul
Europa
Japão
Tanques
América
Ásia*
China
Coréia do Sul
Europa
Japão
Contentores
Ásia*
China
Coréia do Sul
Europa
Japão
24
A quantidade de navios por região para cada tipo de embarcação ficou da
seguinte forma:
Figura 8: Navios graneleiros agrupados por região de construção
Figura 9: Navios petroleiros agrupados por região de construção
Figura 10: Navios porta-contentores agrupados por região de construção
25
6. Análises sobre o Modelo de Regressão
Antes de testar a hipótese sobre a influência do país de construção é importante
investigar o comportamento do modelo econométrico proposto. Só quando forem
estudados os limites do modelo e afirmada sua validade é que será possível realizar
testes e obter conclusões sobre os dados.
6.1. A Multicolinearidade e a Significância Global
A primeira avaliação é sobre multicolinearidade. A presença de uma
multicolinearidade perfeita acontece em casos em que há uma relação linear perfeita
entre algumas ou todas as variáveis explicativas do modelo (logo não há como haver
multicolinearidade em regressões simples). Entretanto, a multicolinearidade menos
que perfeita13 é igualmente importante por causa do erro estocástico atrelado aos
dados. Por exemplo, considere a equação abaixo:
Sendo Xk as variáveis explicativas de um modelo, λk os escalares, e vi o termo de
erro estocástico de cada dado. Pode-se perceber que as variáveis não são
combinação linear exata das outras variáveis (já que o erro estocástico assume
valores aleatórios), mas elas estão altamente correlacionadas.
Caso haja multicolinearidade perfeita, os coeficientes de regressão das variáveis
independentes serão indeterminados e seus erros-padrão infinitos. Isso significa que
em um modelo com duas variáveis explicativas, se houver relação linear exata entre
elas o X2 não variará independentemente de X1 e vice versa, ou seja, se X1 for fixado o
valor de X2 não terá variação, não importa quantos dados forem coletados. Assim, não
será possível estimar coeficientes separados para X1 e para a variável X2, o modelo
depende apenas de uma variável e não duas. O mesmo acontecerá se X2 for fixado,
então não haverá como realizar a regressão para o respectivo modelo.
Se a multicolinearidade é menos que perfeita, os coeficientes de regressão,
embora possam ser determinados, possuirão erros-padrão grandes (em relação aos
próprios coeficientes), o que pode prejudicar a precisão da estimativa utilizando a
regressão realizada. Entretanto, mesmo na presença de quase-multicolinearidade os
13
Nomenclatura utilizada pelo livro Econometria Básica, de Gujarati [14]
26
estimadores obtidos pelo Método dos Quadrados Mínimos Ordinários (MQO14) ainda
serão os melhores estimadores lineares não-viesados.
Eles são os “melhores” porque têm variância mínima. São não-viesados porque os
valores esperados dos estimadores são iguais aos valores verdadeiros dos
parâmetros. Os estimadores com variância mínima e não-viesados são chamados
também de eficientes. E a linearidade é devido ao fato dos estimadores serem uma
função linear das observações amostrais, embora a variável explicativa em si possa
ser X elevado ao quadrado, por exemplo. Esta última afirmação diferencia linearidade
nos parâmetros de linearidade nas variáveis.
Um sintoma de que o modelo de regressão possui multicolinearidade é um alto
coeficiente de determinação (R²) porém com os testes “t” de significância das variáveis
com razões pouco significativas. O teste “t” testa a hipótese de que o parâmetro linear
de cada variável é igual a zero dentro de um intervalo de confiança segundo a
distribuição t de Student, ou seja, aceita a hipótese, o respectivo coeficiente pode não
estar colaborando para explicar os valores assumidos pela variável dependente. O
coeficiente de determinação é igual a 1 menos a soma dos quadrados dos resíduos,
com esta soma sendo dividida pela soma dos quadrados da diferença entre os valores
efetivos da variável dependente e a média desses valores,
∑ ̂ ∑ ̅ ⁄ . Ou seja, quanto menores os resíduos maior é o coeficiente
de determinação, variando entre 0 e 1, e quanto maior o R² maior é o ajuste da
regressão sobre os dados.
Para o teste de multicolinearidade foram feitas, então, regressões pelo método
MQO utilizando o software gretl15, com a seguinte expressão:
(8)
Como é possível notar nos dados da Tabela 4, da Tabela 5, e da Tabela 6, o
coeficiente de determinação R² e o R² ajustado (que considera o número de variáveis)
podem ser considerados altos dado que se trata de dados sujeitos a especulação de
mercado. Todos giram por volta de 0,7. Os coeficientes das variáveis explicativas
também se apresentaram significativos, ou seja, ajudam a explicar o valores
assumidos pela variável ln(P). O maior valor p entre os coeficientes das variáveis
14
O Método dos Mínimos Quadrados minimiza a soma dos quadrados dos resíduos da regressão.
15 gretl: Gnu Regression, Econometrics and Time-series Library, é um pacote de software multiplataforma
de código aberto para análise econométrica, escrito na linguagem de programação C.
27
independentes foi o da variável ln(Earnings) da regressão de navios petroleiros, e
mesmo assim a hipótese de que o coeficiente é igual zero poderia ser aceita com
significância de apenas 0,323% (323 em 100.000 regressões), assim, considerou-se
refutada a hipótese de multicolinearidade forte neste teste.
Tabela 4: Regressão para navios graneleiros, variável dependente ln(P). Dados de 4189 navios
Coeficiente Erro Padrão razão-t p-valor
const 2,69774 0,226705 11,8998 <0,00001 ***
lnDWT −0,379315 0,0111272 -34,0890 <0,00001 ***
lnAge −0,641959 0,00873025 -73,5328 <0,00001 ***
lnBDI 0,423759 0,0122688 34,5395 <0,00001 ***
lnNB 0,703035 0,0277795 25,3077 <0,00001 ***
lnLIBOR 0,0996454 0,00848121 11,7490 <0,00001 ***
Média var. dependente 5,653662 D.P. var. dependente 0,756168
Soma resíd. quadrados 727,7244 E.P. da regressão 0,417099
R-quadrado 0,696105 R-quadrado ajustado 0,695742
F(5, 4183) 1916,324 P-valor(F) 0,000000
Tabela 5: Regressão para navios petroleiros, variável dependente ln(P). Dados de 1262 navios.
Coeficiente Erro Padrão razão-t p-valor
const 0,93261 0,48517 1,9222 0,05480 *
lnDWT −0,361191 0,0122306 -29,5317 <0,00001 ***
lnAge −0,646852 0,0150881 -42,8715 <0,00001 ***
lnEarnings 0,0835988 0,0283341 2,9505 0,00323 ***
lnNB 1,34863 0,0747063 18,0525 <0,00001 ***
lnLIBOR 0,087987 0,0208137 4,2274 0,00003 ***
Média var. dependente 5,409407 D.P. var. dependente 0,737555
Soma resíd. quadrados 197,6333 E.P. da regressão 0,396675
R-quadrado 0,711891 R-quadrado ajustado 0,710744
F(5, 1256) 620,6930 P-valor(F) 0,000000
Tabela 6: Regressão para navios porta-contentores, variável dependente ln(P). Dados de 983 navios
Coeficiente Erro Padrão razão-t p-valor
const −0,800271 0,507728 -1,5762 0,11531
lnDWT −0,159244 0,0194171 -8,2012 <0,00001 ***
lnAge −0,584764 0,0195861 -29,8560 <0,00001 ***
lnEarnings 0,508494 0,0357295 14,2318 <0,00001 ***
lnNB 0,569182 0,0636008 8,9493 <0,00001 ***
lnLIBOR 0,140513 0,0237777 5,9095 <0,00001 ***
Média var. dependente 6,259903 D.P. var. dependente 0,785149
Soma resíd. quadrados 178,3457 E.P. da regressão 0,427252
R-quadrado 0,705390 R-quadrado ajustado 0,703882
F(5, 977) 467,8502 P-valor(F) 2,6e-256
Um teste que avalia a significância global do modelo proposto é o teste F. Testar
uma série de hipóteses em particular (de que os coeficientes são iguais a zero) não
equivale a testar essas mesmas hipóteses conjuntamente (de que todos os
28
coeficientes são simultaneamente iguais a zero) [14]. Na prática, se uma variável é
significativa a 3% e outra a 4% em seus testes individuais não é possível dizer que as
duas variáveis juntas são significativamente relevantes para o modelo a 3%, 4% ou
qualquer outra significância, isso porque nos testes individuais assume-se que as
amostras de cada teste são independentes e por isso os p-valores 3% e 4% não
podem ser relacionados para gerar um valor p de significância global.
Através da técnica de análise de variância (ANOVA) é possível testar a hipótese
de que todos os coeficientes são simultaneamente iguais a zero, considerando um
parâmetro estatístico que segue uma distribuição F de Fischer-Snedecor. Esse
parâmetro estatístico pode ser calculado como função do coeficiente de determinação,
, em que “k” é igual ao número total de parâmetros a serem estimados
no modelo e “n” é o número total de dados. Assim, o teste F é também um teste de
significância de R², com hipótese nula de que R² = 0.
Como é possível notar nos dados da Tabela 4, Tabela 5 e Tabela 6, o p-valor (F)
é muito pequeno. Então a hipótese de R² ser zero é rejeitada para as três regressões.
Voltando à multicolinearidade, outro sintoma é a presença de altas correlações
entre as variáveis explicativas tomadas duas a duas. Ressalta-se que altas
correlações de ordem zero entre duas variáveis são condição suficiente, mas não
necessária, para a existência da multicolinearidade, pois ela pode existir mesmo que
as correlações simples sejam relativamente baixas. Isto acontece porque uma variável
explicativa pode ser combinação linear de outras duas variáveis independentes, por
exemplo, mas ter coeficientes de correlação simples de apenas 0,5 em relações
individuais com cada variável [14].
Tabela 7: Matriz de correlação entre as variáveis independentes, navios graneleiros.
lnDWT lnAge lnBDI lnNB lnLIBOR
1,0000 -0,2388 -0,0499 -0,0490 -0,0383 lnDWT
1,0000 0,0134 0,0837 0,0163 lnAge
1,0000 0,0890 0,6384 lnBDI
1,0000 -0,0114 lnNB
1,0000 lnLIBOR
Tabela 8: Matriz de correlação entre as variáveis independentes, navios petroleiros.
lnDWT lnAge lnEarnings lnNB lnLIBOR
1,0000 -0,2344 0,0941 -0,1336 -0,0128 lnDWT
1,0000 0,0234 0,1480 0,1234 lnAge
1,0000 0,3421 0,7140 lnEarnings
1,0000 0,6465 lnNB
1,0000 lnLIBOR
29
Tabela 9: Matriz de correlação entre as variáveis independentes, navios porta-contentores.
lnDWT lnAge lnEarnings lnNB lnLIBOR
1,0000 -0,1611 -0,1086 -0,0634 -0,1269 lnDWT
1,0000 -0,0739 -0,0945 -0,0838 lnAge
1,0000 0,2971 0,7436 lnEarnings
1,0000 0,4364 lnNB
1,0000 lnLIBOR
Para avaliar os resultados das tabelas o seguinte critério foi utilizado:
Correlação fraca: ϱx1,x2 < 0,5
Correlação moderada: 0,5 < ϱx1,x2 < 0,8
Correlação forte: 0,8 < ϱx1,x2
Não foram identificadas correlações lineares “fortes”, entretanto, uma moderada
se destaca por aparecer nas três tabelas, a correlação entre a variável ln(LIBOR) e a
ln(Earnings) – ou ln(BDI), para graneleiros.
Entre as variáveis utilizadas nas regressões, três são obtidas em séries temporais:
NB, Earnings e LIBOR. Para todas as três foram utilizadas séries semanais (com
exceção de NB para porta-contentores, que é mensal), ou seja, todos os navios
vendidos em uma mesma semana possuem os mesmos valores de ln(NB),
ln(Earnings) e ln(LIBOR). Esse aspecto dos dados faz com que haja uma tendência
para haver correlação entre elas. Por exemplo, se na semana seguinte a uma
determinada semana de referência as três variáveis aumentam de valor é possível
traçar uma proporcionalidade positiva entre as variáveis nessa mudança. Se a
proporção não variar muito entre as semanas, relações lineares poderão ser atribuídas
às correlações entre essas variáveis. Por outro lado, é de se esperar uma correlação
moderada, já que aquecimentos ou freadas generalizadas do mercado causam
impacto nas três variáveis, mas não necessariamente, e por isso as correlações não
são fortes.
É importante notar que o mercado marítimo dos graneleiros, petroleiros e porta-
contentores está altamente relacionado com o crescimento econômico global. Os
graneleiros transportam matérias-primas essenciais para o setor secundário de
produção, além de carvão, a segunda matéria-prima mais utilizada na matriz
energética mundial atrás apenas do petróleo. E os porta-contentores se tornaram o
principal meio de transporte de bens de consumo entre países e continentes. Como os
bancos estão integrados ao mercado internacional e podem, de forma genérica,
investir em qualquer negócio, é razoável imaginar que se as altas nas taxas de juros
de empréstimo entre bancos estiverem relacionadas com um aquecimento da
30
economia internacional, consequentemente haverá um aumento nas taxas de frete dos
navios, caso a oferta de navios não possa responder a altura da demanda no curto
prazo. A pressão de juros maiores nos empréstimos recebidos pelos estaleiros e a alta
do frete, que gera expectativa de maiores lucros por parte dos armadores, podem
também elevar o preço dos navios novos.
Assim, a correlação entre ln(LIBOR) e ln(Earnings) tem fundamento. É preciso
avaliar agora se essa correlação atrapalha os modelos aumentando os erros-padrão e
se alguma variável pode ser dispensada. Para isso, regressões foram feitas com
omissão de cada variável. Os resultados seguem abaixo.
Tabela 10: Regressão para graneleiros com omissão de ln(BDI)
Tabela 11: Regressão para petroleiros com omissão de ln(Earnings)
Coeficiente Erro Padrão razão-t p-valor Coeficiente Erro Padrão razão-t p-valor
const 2,698 0,227 11,900 <0,00001 3,647 0,255 14,296 <0,00001 const
lnDWT -0,379 0,011 -34,089 <0,00001 -0,391 0,013 -30,988 <0,00001 lnDWT
lnAge -0,642 0,009 -73,533 <0,00001 -0,646 0,010 -65,287 <0,00001 lnAge
lnBDI 0,424 0,012 34,540 <0,00001 lnBDI
lnNB 0,703 0,028 25,308 <0,00001 0,822315 0,031 26,319 <0,00001 lnNB
lnLIBOR 0,100 0,008 11,749 <0,00001 0,287543 0,007 38,986 <0,00001 lnLIBOR
Soma resíd.
quadrados727,724 E.P. da regressão 0,417
Soma resíd.
quadrados935,269
E.P. da
regressão0,473
R-quadrado 0,696R-quadrado
ajustado0,696 R-quadrado 0,609
R-quadrado
ajustado0,609
F(5, 4183) 1916,324 P-valor(F) 0,000 F(5, 4183) 1632,171 P-valor(F) 0
Log da
verossimilhança-2277,941
Log da
verossimilhança-2803
Teste da Razão
de
Verossimilhança
1051,070
P-valor(χ²) <0,00001
Regressão original Omissão de ln(BDI)
Graneleiros
CoeficienteErro
Padrãorazão-t p-valor Coeficiente
Erro
Padrãorazão-t p-valor
const 0,933 0,485 1,922 0,055 1,617 0,427 3,782 0,00016 const
lnDWT -0,361 0,012 -29,532 <0,00001 -0,358 0,012 -29,294 <0,00001 lnDWT
lnAge -0,647 0,015 -42,872 <0,00001 -0,649 0,015 -42,947 <0,00001 lnAge
lnEarnings 0,084 0,028 2,951 0,003 lnEarnings
lnNB 1,349 0,075 18,053 <0,00001 1,304 0,073 17,769 <0,00001 lnNB
lnLIBOR 0,088 0,021 4,227 0,000 0,130 0,015 8,547 <0,00001 lnLIBOR
Soma resíd.
quadrados197,633
E.P. da
regressão0,397
Soma resíd.
quadrados199,003
E.P. da
regressão0,398
R-quadrado 0,712R-quadrado
ajustado0,711 R-quadrado 0,710
R-quadrado
ajustado0,709
F(5, 4183) 620,693 P-valor(F) 0,000 F(5, 4183) 768,976 P-valor(F) 0,000
Log da
verossimilhança-620,801
Log da
verossimilhança-625,160
Teste da Razão
de
Verossimilhança
8,717
P-valor(χ²) 0,003153
Regressão original Omissão de ln(Earnings)
Petroleiros
31
Tabela 12: Regressão para porta-contentores com omissão de ln(Earnings)
Para comparar essas regressões, além do habitual valor de R² ajustado, foi
realizado também o teste da razão de verossimilhança. O objetivo é testar a hipótese
nula de que a diferença entre os modelos não é significativa. Se a hipótese nula for
verdade a diferença entre os máximos das funções verossimilhança dos modelos não
deve ser estatisticamente significativa, com a variável λ seguindo uma distribuição Χ²
com número de graus de liberdade igual ao número de restrições impostas a hipótese
nula (número de variáveis omitidas), que é igual a 1 para os casos aqui testados.
LFVNR = logaritmo do máximo da função verossimilhança não restringida
LFVR = logaritmo do máximo da função verossimilhança restringida
Se a hipótese nula for aceita, a variável omitida não afeta significamente o modelo
e pode ser dispensada. Os testes da razão de verossimilhança realizados mostraram
que a variável ln(Earnings) não deve ser retirada de nenhum dos modelos. Todos
ficaram com valor-p muito pequeno, o mais alto seria 0,32% para petroleiros. A
comparação entre os coeficientes R² ajustados leva a mesma conclusão, embora para
petroleiros a diferença seja pequena. Decidiu-se manter esta variável.
CoeficienteErro
Padrãorazão-t p-valor Coeficiente
Erro
Padrãorazão-t p-valor
const -0,800 0,508 -1,576 0,115 2,078 0,511 4,063 0,00005 const
lnDWT -0,159 0,019 -8,201 <0,00001 -0,166 0,021 -7,805 <0,00001 lnDWT
lnAge -0,585 0,020 -29,856 <0,00001 -0,592 0,022 -27,513 <0,00001 lnAge
lnEarnings 0,508 0,036 14,232 <0,00001 lnEarnings
lnNB 0,569 0,064 8,949 <0,00001 0,526 0,070 7,544 <0,00001 lnNB
lnLIBOR 0,141 0,024 5,910 <0,00001 0,381 0,018 20,728 <0,00001 lnLIBOR
Soma resíd.
quadrados197,633
E.P. da
regressão0,397
Soma resíd.
quadrados215,319
E.P. da
regressão0,469
R-quadrado 0,712R-quadrado
ajustado0,711 R-quadrado 0,644
R-quadrado
ajustado0,643
F(5, 4183) 620,693 P-valor(F) 0,000 F(5, 4183) 442,904 P-valor(F) 0,000
Log da
verossimilhança-555,882
Log da
verossimilhança-648,479
Teste da Razão
de
Verossimilhança
185,194
P-valor(χ²) <0,00001
Regressão original Omissão de ln(Earnings)
Porta-contentores
32
Tabela 13: Regressão para graneleiros com omissão de ln(LIBOR)
Tabela 14: Regressão para petroleiros com omissão de ln(LIBOR)
Tabela 15: Regressão para porta-contentores com omissão de ln(LIBOR)
Coeficiente Erro Padrão razão-t p-valor Coeficiente Erro Padrão razão-t p-valor
const 2,698 0,227 11,900 <0,00001 3,114 0,228 13,685 <0,00001 const
lnDWT -0,379 0,011 -34,089 <0,00001 -0,380 0,011 -33,644 <0,00001 lnDWT
lnAge -0,642 0,009 -73,533 <0,00001 -0,640 0,009 -72,191 <0,00001 lnAge
lnBDI 0,424 0,012 34,540 <0,00001 0,516 0,010 53,967 <0,00001 lnBDI
lnNB 0,703 0,028 25,308 <0,00001 0,673556 0,028 23,957 <0,00001 lnNB
lnLIBOR 0,100 0,008 11,749 <0,00001 lnLIBOR
Soma resíd.
quadrados727,724
E.P. da
regressão0,417
Soma resíd.
quadrados751,739 0,424
R-quadrado 0,696R-quadrado
ajustado0,696 R-quadrado 0,686 0,686
F(5, 4183) 1916,324 P-valor(F) 0,000 F(5, 4183) 2286,021 0
Log da
verossimilhança-2277,941
Log da
verossimilhança-2346
Teste da Razão
de
Verossimilhança
136,004
P-valor(Χ1²) <0,00001
Regressão original Omissão de ln(LIBOR)
CoeficienteErro
Padrãorazão-t p-valor Coeficiente
Erro
Padrãorazão-t p-valor
const 0,933 0,485 1,922 0,055 -0,255 0,398 -0,640 0,52246 const
lnDWT -0,361 0,012 -29,532 <0,00001 -0,361 0,012 -29,298 <0,00001 lnDWT
lnAge -0,647 0,015 -42,872 <0,00001 -0,642 0,015 -42,388 <0,00001 lnAge
lnEarnings 0,084 0,028 2,951 0,003 0,166 0,021 7,968 <0,00001 lnEarnings
lnNB 1,349 0,075 18,053 <0,00001 1,538 0,060 25,532 <0,00001 lnNB
lnLIBOR 0,088 0,021 4,227 0,000 lnLIBOR
Soma resíd.
quadrados197,633
E.P. da
regressão0,397
Soma resíd.
quadrados200,445
E.P. da
regressão0,399
R-quadrado 0,712R-quadrado
ajustado0,711 R-quadrado 0,708
R-quadrado
ajustado0,707
F(5, 4183) 620,693 P-valor(F) 0,000 F(5, 4183) 761,183 P-valor(F) 0,000
Log da
verossimilhança-620,801
Log da
verossimilhança-629,716
Teste da Razão
de
Verossimilhança
17,829
P-valor(Χ1²) 2,40E-05
Regressão original Omissão de ln(LIBOR)
Petroleiros
CoeficienteErro
Padrãorazão-t p-valor Coeficiente
Erro
Padrãorazão-t p-valor
const -0,800 0,508 -1,576 0,115 -1,667 0,494 -3,373 0,00077 const
lnDWT -0,159 0,019 -8,201 <0,00001 -0,167 0,020 -8,467 <0,00001 lnDWT
lnAge -0,585 0,020 -29,856 <0,00001 -0,588 0,020 -29,539 <0,00001 lnAge
lnEarnings 0,508 0,036 14,232 <0,00001 0,658 0,026 25,745 <0,00001 lnEarnings
lnNB 0,569 0,064 8,949 <0,00001 0,694 0,061 11,385 <0,00001 lnNB
lnLIBOR 0,141 0,024 5,910 <0,00001 lnLIBOR
Soma resíd.
quadrados197,633
E.P. da
regressão0,397
Soma resíd.
quadrados184,721
E.P. da
regressão0,435
R-quadrado 0,712R-quadrado
ajustado0,711 R-quadrado 0,695
R-quadrado
ajustado0,694
F(5, 4183) 620,693 P-valor(F) 0,000 F(5, 4183) 556,771 P-valor(F) 0,000
Log da
verossimilhança-555,882
Log da
verossimilhança-573,144
Teste da Razão
de
Verossimilhança
34,523
P-valor(Χ1²) <0,00001
Regressão original Omissão de ln(LIBOR)
Porta-contentores
33
Para a variável ln(LIBOR), as diferenças entre os coeficientes de determinação R²
são pequenas, mas os testes da razão de verossimilhança levam a conclusão de que
é melhor manter esta variável.
Para petroleiros ainda resta uma correlação que chamou atenção, entre ln(LIBOR)
e ln(NB). Um interessante fato ocorreu na regressão com omissão de ln(NB), a
rejeição da hipótese de que o coeficiente linear da variável ln(Earnings) é igual a zero
tem 0,52805 ou 52,805% de probabilidade de erro, ou seja, a hipótese nula pode ser
aceita. O motivo provável é a que a variável LIBOR tenha absorvido a influência da
variável NB, devido à correlação moderada entre elas, e também tenha feito com que
a variável Earnings perdesse significância devido à correlação moderada a alta entre
LIBOR e Earnings. Como será visto no estudo de segmentação por porte e idade, à
negociação dos petroleiros como ativos é atribuída uma importância maior de maneira
geral do que à capacidade do navio de gerar receita com transporte, e isto explicaria o
peso da variável NB (Newbuilding – nova construção) ser maior que o de Earnings
(receita) para petroleiros.
Tabela 16: Regressão para petroleiros com omissão de ln(NB)
O modelo sem ln(NB) perde 7,5% do poder de explicar a variação no preço de
segunda mão segundo o R² ajustado. O teste da razão de verossimilhança também
leva a rejeição da hipótese de que o modelo sem ln(NB) teria pouca diferença em
relação à regressão original. Então, deve-se manter NB.
A conclusão após o estudo sobre multicolinearidade é que o modelo possui uma
multicolinearidade moderada por causa da correlação entre as variáveis ln(LIBOR) e
CoeficienteErro
Padrãorazão-t p-valor Coeficiente
Erro
Padrãorazão-t p-valor
const 0,933 0,485 1,922 0,055 8,573 0,266 32,213 <0,00001 const
lnDWT -0,361 0,012 -29,532 <0,00001 −0,388503 0,014 -28,535 <0,00001 lnDWT
lnAge -0,647 0,015 -42,872 <0,00001 −0,635321 0,017 -37,569 <0,00001 lnAge
lnEarnings 0,084 0,028 2,951 0,003 −0,019649 0,031 -0,631 0,52805 lnEarnings
lnNB 1,349 0,075 18,053 <0,00001 lnNB
lnLIBOR 0,088 0,021 4,227 0,000 0,313 0,019 16,739 <0,00001 lnLIBOR
Soma resíd.
quadrados197,633
E.P. da
regressão0,397
Soma resíd.
quadrados248,913
E.P. da
regressão0,445
R-quadrado 0,712R-quadrado
ajustado0,711 R-quadrado 0,637
R-quadrado
ajustado0,636
F(5, 4183) 620,693 P-valor(F) 0,000 F(5, 4183) 551,778 P-valor(F) 0,000
Log da
verossimilhança-620,801
Log da
verossimilhança-766,366
Teste da Razão
de
Verossimilhança
291,129
P-valor(Χ1²) <0,00001
Petroleiros
Regressão original Omissão de ln(NB)
34
ln(Earnings). Mas é válido lembrar que a multicolinearidade não viola nenhuma
hipótese de regressão por mínimos quadrados ordinários. As estimativas ainda serão
não-viesadas e consistentes com erros padrão corretamente estimados. O único efeito
seria uma maior dificuldade para obter estimativas dos coeficientes com pequeno erro
padrão, o que não se apresentou como um problema para o trabalho.
6.2. A Heteroscedasticidade
Uma das mais importantes hipóteses do modelo clássico de regressão linear [14]
é a de homoscedasticidade, que significa que a variância de cada termo de
perturbação ui é algum número constante igual a σ². Se as variâncias não são iguais,
tem-se um caso de heteroscedasticidade.
Uma importante iniciativa já foi feita no capítulo 5 para diminuir a
heteroscedasticidade, caso haja, do modelo, eliminando-se valores atípicos dos
dados. Esses outliers podem distorcer os coeficientes do modelo por seus altos
momentos e provocar uma falta de homogeneidade da dispersão dos termos de
perturbação em torno dos valores preditos pela regressão, o que é um sintoma de
heteroscedasticidade.
Para testar o modelo será utilizado o Teste Geral de Heteroscedasticidade de
White. Este é o teste mais utilizado porque não depende do pressuposto de que os
termos de perturbação seguem uma distribuição normal como, por exemplo, o teste de
Breusch-Pagan-Godfrey (BPG), e não necessita de reordenação dos dados, como, por
exemplo, para o teste de Goldfeld-Quandt [14]. O teste de White pode ser dividido em
quatro passos:
Passo 1: Obter os resíduos da regressão;
Passo 2: Efetuar uma regressão auxiliar utilizando os resíduos ao quadrado como
variável dependente e as seguintes variáveis como explicativas: as variáveis
independentes do modelo original, as variáveis independentes do modelo original ao
quadrado, e os produtos de duplas de variáveis independentes do modelo original. Por
exemplo, para o modelo:
A regressão auxiliar seria:
35
Potências mais altas nos regressores podem ser introduzidas se houver suspeita
de que a variância dos resíduos é função de potências maiores. De essa regressão
auxiliar, obtém-se o coeficiente de determinação R².
Passo 3: Caso a hipótese nula, de que a amostra é homoscedástica, seja
verdadeira é possível demonstrar que o tamanho da amostra multiplicado por R² da
regressão auxiliar assintoticamente segue uma distribuição chi quadrada, com graus
de liberdade igual ao número de variáveis explicativas.
Passo 4: Se o valor obtido com n*R² exceder o valor crítico da distribuição chi
quadrada, a conclusão é que a hipótese nula pode ser rejeitada e que o modelo possui
heteroscedasticidade.
As regressões auxiliares foram colocadas em anexo, no capítulo 11. Abaixo estão
os resultados:
Graneleiros
Estatística de teste: LM = 856,181
com p-valor = P(Qui-quadrado(20) > 856,181) = 1,6438e-168
Petroleiros
Estatística de teste: LM = 155,11
com p-valor = P(Qui-quadrado(20) > 155,11) = 6,57416e-023
Porta-contentores
Estatística de teste: LM = 140,925
com p-valor = P(Qui-quadrado(20) > 140,925) = 3,37878e-020
Como é possível observar, todos os três modelos possuem valor p muito baixo e
por isso a hipótese nula pode ser rejeitada. Assim, pode-se dizer que as três
regressões são heteroscedásticas. Uma forma prática de tentar entender as causas da
heteroscedasticidade é recorrer a métodos gráficos. A simples observação de gráficos
dos resíduos ao quadrado plotados contra as variáveis independentes do modelo pode
revelar a dependência das variâncias dos resíduos em relação a alguma variável.
36
Figura 11: Variável y = resíduos^2 e variáveis x = variáveis independentes do modelo, graneleiros.
Figura 12: Variável y = resíduos^2 e variáveis x = variáveis independentes do modelo, petroleiros.
usq1
lnPusq1
lnDWT
usq1
lnAge
usq1
lnBDI
usq1
lnNB
usq1
lnLIBOR
usq2
lnP
usq2
lnDWT
usq2
lnAge
usq2
lnEarnings
usq2
lnNB
usq2
lnLIBOR
37
Figura 13: Gráficos com variável y = resíduos^2 e variáveis x = variáveis do modelo, porta-contentores.
Estudando de forma mais detalhada os gráficos que relacionam os termos de
perturbação ao quadrado com a variável ln(Age) foi possível perceber que para
valores maiores que 3 no eixo da variável ln(Age) a dispersão dos valores para os
termos de perturbação aumentava bastante. Esse efeito foi identificado para os três
tipos de navios, com maior força para os graneleiros e petroleiros. O antilogartimo
(natural) de 3 é aproximadamente 20. Esse é um resultado interessante porque apesar
de a vida útil de um navio poder chegar a 25 ou 30 anos a maioria passa por uma
intensa reforma se houver intenção de manter o navio competitivo após seus 20 anos
de idade ou até mesmo para adapta-lo para outros fins. Desta forma, os navios com
mais de 20 anos podem não obedecer ao mesmo ritmo de desvalorização com a idade
que o mercado aplica aos navios mais novos.
Optou-se, então, por realizar novas regressões sem os navios com mais de 20
anos de idade para verificar se a heteroscedasticidade era amenizada. O resultado foi
uma grande diminuição do número de dados (4189 para 2765 navios graneleiros, 1262
para 1020 petroleiros, 983 para 877 porta-contentores)16 e uma redução significativa
16
As informações originais coletadas da Clarkson contabilizavam, para o período entre 05/12/2002 e 06/06/2014: 5068 navios graneleiros, 1784 navios petroleiros e 1481 navios porta-contentores. Antes
usq3
lnPusq3
lnDWT
usq3
lnAge
usq3
lnEarnings
usq3
lnNB
usq3
lnLIBOR
38
na estatística do Teste de White (856 para 440 em graneleiros, 155 para 57 em
petroleiros, e 141 para 78 em porta-contentores), mas que não foi suficiente para
ameaçar a rejeição da hipótese de homoscedasticidade. O que chegou mais perto foi
a regressão de petroleiros, e ainda assim o resultado ficou longe da aceitação da
hipótese nula, com valor-p de 0,0021%. Entretanto, mesmo não resolvendo a
heteroscedasticidade o coeficiente de determinação R² ajustado aumentou
consideravelmente para as três regressões (0,6957 para 0,8215 em graneleiros,
0,7107 para 0,7488 em petroleiros, e 0,7039 para 0,7486 em porta-contentores). Por
este motivo, a decisão foi manter a exclusão dos navios com mais de 20 anos.
Pelos testes de White e pelos gráficos, é possível cogitar a hipótese de que a
variância dos resíduos tem uma relação quadrática com a variável ln(Age). Foram
testadas regressões em que as equações dos modelos são divididas em ambos os
lados por ln(Age), como sugere Gujarati [14] para casos em que a variância do erro é
proporcional a uma variável ao quadrado. Entretanto, a heteroscedasticidade
continuou sendo muito significativa e os navios de 1 ano de idade tiveram de ser
excluídos porque ln(1) = 0, e isso impedia a divisão das variáveis por ln(Age). Por
estes motivos, essa ideia foi descartada, mesmo assim os resultados possam ser
encontrados no capítulo 11.
A heteroscedasticidade não elimina as propriedades de inexistência de viés e de
consistência dos estimadores de MQO, no entanto, eles deixam de ter variância
mínima e eficiência, ou seja, não são os melhores estimadores lineares não-viesados.
Isto pode levantar dúvidas sobre testes de hipóteses que venham a ser feitos com o
modelo. A situação ideal em um caso de violação da hipótese de homoscedasticidade
é a identificação da causa e a adaptação do modelo de regressão de forma que se
torne possível aceitar essa premissa de um modelo clássico de regressão linear,
porém nem sempre esse objetivo é alcançado. Os preços de revenda dos navios
utilizados neste trabalho claramente dependem de muitas outras variáveis que
descrevem tecnicamente as embarcações e de muitas outras que descrevem as
conjunturas econômicas de suas épocas, como, por exemplo, preços de commodities
específicas. Decidiu-se continuar com o modelo proposto e utilizar um método que
tornasse válidos os testes de hipótese realizados mesmo com heteroscedasticidade
nos resíduos, como é apresentado em seguida.
desse corte dos navios com mais de 20 anos, os cortes foram feitos apenas por ausência de informações e por valores atípicos, como apresentado no capítulo 5.
39
Halbert White [20] apresentou em 1980 um procedimento para que inferências
estatísticas assintoticamente válidas possam ser feitas sobre os verdadeiros valores
dos parâmetros estimados pelo método dos mínimos quadrados ordinários que
apresentaram problemas com a heteroscedasticidade. Com a suposição de que as
variâncias dos resíduos não são constantes, mas que não existe autocorrelação entre
eles, o método do White calcula uma matriz diagonal de covariância dos resíduos
utilizando as estimativas para os resíduos ao quadrado e usa os valores dessa matriz
na determinação das variâncias dos estimadores ao invés da variância calculada como
se fosse constante para todos os termos de perturbação. Dessa forma, usando os
erros-padrão conhecidos como robustos que resultam dessas novas variâncias, as
estatísticas de teste t são consideradas válidas mesmo com heteroscedasticidade nos
resíduos.
As regressões foram refeitas e, como pode ser observado, todos os parâmetros
se mantiveram estatisticamente significantes.
Tabela 17: Regressão para graneleiros com 2765 navios
Variável dependente: lnP Erros padrão robustos à heteroscedasticidade, segundo White [20]
Coeficiente Erro Padrão razão-t p-valor
const 1,64268 0,201898 8,1362 <0,00001 ***
lnDWT −0,488611 0,010981 -44,4960 <0,00001 ***
lnAge −0,369669 0,00931842 -39,6708 <0,00001 ***
lnBDI 0,368147 0,0117881 31,2305 <0,00001 ***
lnNB 0,990101 0,0252812 39,1635 <0,00001 ***
lnLIBOR 0,146513 0,00678307 21,5998 <0,00001 ***
Média var. dependente 5,915537 D.P. var. dependente 0,665740
Soma resíd. quadrados 218,2877 E.P. da regressão 0,281280
R-quadrado 0,821811 R-quadrado ajustado 0,821488
F(5, 2759) 1727,140 P-valor(F) 0,000000
Tabela 18: Regressão para petroleiros, com 1020 navios.
Variável dependente: lnP Erros padrão robustos à heteroscedasticidade, segundo White [20]
Coeficiente Erro Padrão razão-t p-valor
const 1,78226 0,45952 3,8785 0,00011 ***
lnDWT −0,403438 0,0122702 -32,8794 <0,00001 ***
lnAge −0,537352 0,0170525 -31,5117 <0,00001 ***
lnEarnings 0,113458 0,0276852 4,0981 0,00004 ***
lnNB 1,1351 0,0727684 15,5989 <0,00001 ***
lnLIBOR 0,140263 0,0200505 6,9955 <0,00001 ***
Média var. dependente 5,519552 D.P. var. dependente 0,706261
Soma resíd. quadrados 127,0608 E.P. da regressão 0,353987
R-quadrado 0,750019 R-quadrado ajustado 0,748786
F(5, 1014) 540,9320 P-valor(F) 4,0e-283
40
Tabela 19: Regressão para porta-contentores, com 877 navios.
Variável dependente: lnP Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const −1,36909 0,514755 -2,6597 0,00796 ***
lnDWT −0,161249 0,020313 -7,9382 <0,00001 ***
lnAge −0,488489 0,0216013 -22,6139 <0,00001 ***
lnEarnings 0,556823 0,0349494 15,9323 <0,00001 ***
lnNB 0,55191 0,0632843 8,7211 <0,00001 ***
lnLIBOR 0,149791 0,0224432 6,6742 <0,00001 ***
Média var. dependente 6,338250 D.P. var. dependente 0,758186
Soma resíd. quadrados 125,8727 E.P. da regressão 0,380151
R-quadrado 0,750037 R-quadrado ajustado 0,748602
F(5, 871) 469,4634 P-valor(F) 2,7e-244
6.3. Porte Bruto e Idade
A hipótese de que porte bruto e idade dos navios influenciam em seus preços de
revenda é aceita por todos os artigos e livros que fazem parte da pesquisa
bibliográfica deste trabalho. Quando não inseridos no modelo, os autores realizaram
análises segmentadas com determinados portes de embarcações e/ou determinados
grupos de navios com idades específicas. Esta certeza tem como base o efeito de
economia de escala dos navios, quanto maior o navio menor o custo por porte bruto
que ele tende a ter, e também a depreciação natural dos navios, feitos de aço que
oxidam e sofrem abrasão. Entretanto, quando analisados em tempos diferentes é
possível que navios mais antigos vendidos em épocas de maior valorização do
mercado de segunda mão tenham preços maiores que navios mais novos vendidos
em um tempo de baixa, a mesma lógica se aplica quando navios de menor porte bruto
assumem preços de revenda maiores que navios de maior porte bruto vendidos em
tempos de desvalorização. É por isto que o modelo econométrico deste trabalho inclui
variáveis para a influência de fatores de mercado que variam com o tempo
(Newbuilding, Earnings, e LIBOR).
Para analisar o impacto de se fazer uma análise agregada dos navios sem
segmenta-los por porte ou idade, cada tipo de navio (graneleiros, petroleiros e porta-
contentores) foi dividido em algumas faixas de porte bruto e, posteriormente, em três
faixas de idade (com os portes brutos novamente agregados). O resumo dos
resultados segue abaixo e as regressões em anexo.
41
Figura 14: Transações divididas por porte bruto em toneladas, graneleiros.
Figura 15: Transações divididas por porte bruto em toneladas, petroleiros.
Figura 16: Transações divididas por porte bruto em TEUs, porta-contentores
VLB
C (>
200000
)
Capes
ize (<
200000)
Pan
amax
(<8000
0)
Handym
ax (<60
000)
Handy
size
(<350
00)
900
800
700
600
500
400
300
200
100
0
ULCC (>
320000
)
VLCC (<
320000
)
Suez
max
(<200
000)
Afram
ax (<
120000)
Panam
ax (<
80000)
Small T
anke
r (<6
0000)
300
250
200
150
100
50
0
New
Pana
max
(<14
500)
Post P
anam
ax (<10
000)
Pan
amax
(<5
100)
Feeder
max
(<30
00)
Feeder
(<20
00)
Small F
eeder
(<100
0)
350
300
250
200
150
100
50
0
42
Figura 17: Dados separados por idade, graneleiros.
Figura 18: Dados separados por idade, navios tanque.
Figura 19: Dados separados por idade, porta-contentores
2019181716151413121110987654321
200
150
100
50
0
Idade em anos
Qu
an
tid
ad
e d
e t
ran
saçõ
es
Revenda de Graneleiros
2019181716151413121110987654321
90
80
70
60
50
40
30
20
10
0
Idade em anos
Qu
an
tid
ad
e d
e t
ran
saçõ
es
Revenda de Navios Tanque
2019181716151413121110987654321
80
70
60
50
40
30
20
10
0
Idade em anos
Qu
an
tid
ad
e d
e t
ran
saçõ
es
Revenda de Porta-Contentores
43
Figura 20: Grupos de idades, em anos.
6.3.1. Segmentação por Porte de Graneleiros
A probabilidade de que o parâmetro da variável lnDWT seja igual a zero aumentou
em todas as regressões, mas a hipótese de parâmetro nulo não pode ser rejeitada
apenas para a classe de Handymax (com um valor-p de erro caso se rejeite a hipótese
alto, 75%), em todas as outras ela pode ser rejeitada a um nível menor que 0,2%,
mostrando que mesmo dentro das classes o porte bruto pode ser relevante. Outra
observação interessante é que o valor-p do parâmetro de lnBDI ficou em 12,7% para a
classe VLBC, mas a justificativa é logo esclarecida pelo perfil da amostra. O número
de dados é pequeno, 26, sendo que 14 foram vendidos só no ano de 2012, e 10
desses 14 navios foram vendidos pela empresa Vale em um só dia. Ou seja, as
amostras desse porte sozinhas não estão bem condicionadas para uma análise do
impacto de uma variável temporal no preço de navios. Uma surpresa surgiu entre os
navios Panamax, com o coeficiente de lnDWT positivo e estatisticamente significante.
Embora não se tenha provado, acredita-se que uma explicação possa ser a
valorização do maior “aproveitamento de espaço” que navios com maior porte bruto
que ainda são Panamax possam ter.
De forma geral, considerou-se que a análise agregada de navios graneleiros é
mais interessante que a segmentada para o objetivo deste trabalho.
6.3.2. Segmentação por Porte de Petroleiros
A análise segmentada revelou que a variável lnEarnings deixa de ser significativa
a 5% (ou seja, não se pode rejeitar a hipótese de que o parâmetro de lnEarnings seja
igual a zero) para as classes Small Tanker, Panamax, Suezmax, e ULCC – 4 das 6
classes. A explicação já foi arquitetada quando este fato surgiu no estudo sobre
multicolinearidade, e estaria relacionado à correlação entre a variável LIBOR com as
variáveis NB e Earnings. Entretanto, encontrou-se no artigo de Pruyn et al. [11] que
seria interessante testar se uma relação entre a receita e o preço do bunker pode ser
16-2011-156-101-5
800
600
400
200
016-2011-156-101-5
300
200
100
0
15-2011-156-101-5
300
200
100
0
Idade em anos
Graneleiros Petroleiros
Porta-Contentores
16-2011-156-101-5
800
600
400
200
016-2011-156-101-5
300
200
100
0
15-2011-156-101-5
300
200
100
0
Idade em anos
Graneleiros Petroleiros
Porta-Contentores
16-2011-156-101-5
800
600
400
200
016-2011-156-101-5
300
200
100
0
15-2011-156-101-5
300
200
100
0
Idade em anos
Graneleiros Petroleiros
Porta-Contentores
44
usada como uma variável proxy para lucro para explicar melhor as variações no preço
de segunda mão dos navios tanque. Embora este trabalho utilize a variável time
charter para receita, o que excluiria a influência de custos variáveis, e que Pruyn et al.
provavelmente estivesse destacando uma relação entre as taxas de voyage charter e
bunker, resolveu-se estudar a influência do preço do bunker na regressão em um
tópico específico mais adiante.
A variável lnLIBOR deixa de ser significativa para a classe Panamax e para a
ULCC. A moderada correlação de lnLIBOR com lnNB e com lnEarnings (destacada no
tópico 6.1) faz com que em amostras menores lnLIBOR perca significância.
A variável lnDWT se manteve significativa apenas para Small Tanker e VLCC.
Entretanto, para VLCC aconteceu novamente um resultado curioso, o coeficiente de
lnDWT não só é significativo como é positivo, indicando que o preço por porte bruto
aumenta conforme aumenta o porte bruto. O caso pode ser visualizado graficamente
na figura abaixo, em que foi plotado o preço por porte bruto deflacionado pelo índice
de preço de segunda mão versus o porte bruto. A regressão, que pode ser vista no
anexo deste trabalho, contabiliza as influências da idade, preço de uma nova
construção, da receita e da taxa de juros LIBOR, e mesmo assim o coeficiente da
variável DWT é positivo e bastante significativo. Uma hipótese para explicar este fato
seria uma desvalorização pelo mercado dos navios que possuem um porte maior do
que o admissível para passar no Canal de Suez mas que não são grandes o suficiente
para compensar esse ponto desfavorável. Entretanto, não foi possível obter nenhuma
conclusão. Mas acredita-se que este aspecto individual da regressão de VLCC não irá
atrapalhar a regressão macro com os portes agregados.
Figura 21: Regressão mostrando a relação positiva entre US$/DWT deflacionado e DWT para a
classe VLCC.
45
6.3.3. Segmentação por Porte de Porta-Contentores
Entre os porta-contentores não havia navios para serem classificados como Ultra
Large Container Vessel, ou ULCV. A quantidade de navios New Panamax também
não foi suficiente para realizar uma regressão, apenas 2 registros. A razão para não
haver ULCVs pode estar no fato de esses navios serem muito específicos para
determinadas rotas e em número pequeno. O motivo de haver poucos New Panamax
provavelmente está relacionado com o fato de que esses navios ainda são muito
novos e em pouco número também, o novo Canal do Panamá sequer foi inaugurado.
Para as classes de Post Panamax, Panamax e Feedermax, a variável lnLIBOR
aparece como não significativa. Plotando o preço de revenda/DWT versus LIBOR,
pode-se confirmar que para todas as classes a relação é positiva. Como já verificado
no tópico 6.1, as variáveis LIBOR e Earnings tem uma correlação moderada entre si,
porém numérica e estruturalmente a receita tem um peso muito maior na influência do
preço de revenda de porta-contentores. Assim, com mostra a dispersão dos dados
apresentada abaixo, para que a variável LIBOR seja significativa é preciso um número
maior de dados, casos das classes de Small Feeder, Feeder, e da análise agregada.
Figura 22: Eixo Y: Preço/DWT; Eixo X: LIBOR.
Para Post Panamax e Panamax a variável lnNB também não se mostrou
significativa. É interessante notar nas regressões do tópico 6.2 que o coeficiente de
lnNB para porta-contentores é menor do que para graneleiros e petroleiros, e que
apenas para porta-contentores o coeficiente de lnEarnings é maior do que o de lnNB.
46
Isto é um indicativo de que graneleiros e petroleiros possuem um interesse em seus
valores como ativos maiores do que para porta-contentores, cujo mercado de fretes
parece ser mais atrativo do que o mercado de segunda mão, segundo os resultados
das regressões.
Tabela 20 Coeficientes obtidos no tópico 6.2
Quanto a lnDWT, apenas para a classe de Small Feeder seu coeficiente não é
significativo. Entretanto, para as classes Feedermax, Panamax e Post Panamax
aconteceu o mesmo que para os petroleiros VLCC, o coeficiente de lnDWT ficou
positivo e significativo. Nenhuma conclusão do porquê destas relações serem positivas
foi obtida, embora tenha sido levantado que a maximização do porte dentro de uma
classe possa ser um diferencial. Entretanto, considera-se que o modelo agregado não
será atrapalhado por essas relações internas das classes.
6.3.4. Segmentação por Idade
As análises realizando a segmentação por idade não apresentaram nenhuma
surpresa. Para graneleiros, todos os resultados foram bem comportados. Nas
regressões de petroleiros, a variável lnEarnings deixou de ser significativa para os
grupos de 1-5 e 6-10 anos de idade considerando um nível de significância de 5%.
Este fato já discutido anteriormente na segmentação por porte, ele fica mais evidente
nos grupos mais novos por causa do número menor de dados (193 e 195
embarcações, enquanto os grupos mais velhos possuem 332 e 300).
Para porta-contentores, lnNB deixou de ser significativo para navios do grupo de
1-5 anos de idade e lnLIBOR não se mostrou significativo para o grupo de 16-20 anos
de idade. O fato de lnNB ter menos “força” entre os porta-contentores já foi analisado
no tópico anterior, essa manifestação ocorre no grupo mais novo também por causa
do menor número de dados, 145 (comparado com 6-10: 226, 11-15: 274 e 16-20: 232).
Inclusive porque o produto cuja relação com um navio novo mais pode ser associada
com a teoria de produtos substitutos seria, intuitivamente, o navio com menos de 5
anos de idade. A relação com a taxa LIBOR ser menos importante para os navios mais
velhos é esperada, já que estas embarcações são mais baratas e depende-se menos
de empréstimos para adquiri-las.
Graneleiros Petroleiros Porta-Contentores
Coeficiente de lnNB 0,9901 1,1351 0,5519
Coeficiente de ln Earnings 0,3681 0,1135 0,5568
47
Assim, concluindo esta etapa de análise dos dados, o aspecto macro, com portes
e idades agregados, ainda se apresenta como a forma mais interessante de avaliar a
influência do país de construção no preço de navios de segunda mão.
6.4. A Influência do Preço do Bunker
Beenstock e Vergottis [3], em seu livro Econometric Modelling of World Shipping,
colocam o preço de segunda mão, tanto para o mercado de granel sólido quanto para
o mercado de granel líquido, como função das seguintes variáveis:
⁄ (9)
Onde,
Wt: riqueza mundial no final do ano “t”;
Kt: tamanho da frota de navios (de granel sólido para preços neste mercado, ou
de granel líquido para o mercado de navios tanque) no final do ano “t”;
Etπt+1: expectativas ao final do ano “t” sobre o lucro acumulado ao longo de todo o
ano “t+1”;
EtPt+1: expectativas ao final do ano ”t” sobre os preços ao final do ano “t+1”;
rt: taxa de retorno sobre outros ativos (fora da indústria marítima) ao final do ano
“t”;
Beenstock e Vergottis então descrevem a variável lucro como:
(
) (10)
Onde,
Ft: taxas de frete (voyage charter) no final do ano;
Pbt: preço do bunker no final do ano;
γ: relação tecnológica entre consumo de combustível e velocidade;
OCt: custos operacionais no final do ano;
k: constante;
Entretanto, o livro comenta que a especulação em time charters deve assegurar
que a lucratividade esperada atuando no mercado spot ao longo do tempo de contrato
deva ser igual à lucratividade esperada com o contrato de time charter, permitindo um
prêmio pelo risco. Considerando que a expectativa de lucro para um afretamento por
período para o próximo ano deva ser função da taxa time charter sendo praticada
menos a expectativa de custos operacionais durante o próximo ano, Beenstock e
48
Vergottis comparam as equações (7) e (8) e então concluem que a taxa de time
charter deve ser proporcional a razão entre a taxa de voyage charter e o preço do
bunker:
(11)
(
) (12)
A equação (9) é importante porque sinaliza que quando o modelo de regressão
deste trabalho utiliza índices proxies para taxas de time charters ele pode já incluir o
efeito das altas e baixas do preço do bunker.
Outro aspecto interessante levantado pelo livro é que o preço de uma nova
construção deve estar relacionado com a expectativa de preço futuro deste navio no
mercado de revenda, então a variável expectativa de preço futuro da equação (6) é
substituída pelo preço de um novo navio, convergindo para um modelo de regressão
para o preço de navios de segunda mão similar ao utilizado neste trabalho.
(13)
⁄ (14)
Pryun et al. [11], um artigo que revisou 20 anos de pesquisa relativa a estimação
do preço de navios de segunda mão (1991-2011), recomenda a utilização no modelo
de regressão dos preços de revenda de uma variável que represente o lucro ou, no
lugar do lucro, variáveis que representem a receita e o preço do bunker, ou do
respectivo combustível. Pruyn et al. não deixou claro qual variável de receita era
recomendado utilizar, mas se espera que seja a taxa de voyage charter. Neste
trabalho é utilizado a taxa de afretamento por período, mas mesmo assim se
considerou válido o estudo.
Depois dessa revisão literária, coletou-se na base de dados da Clarksons a série
histórica mensal para o preço do bunker 380 cst no porto de Roterdã. A primeira
análise do uso dessa nova variável foi feita para os graneleiros. Para tal, substituiu-se
a variável BDI pela BDI/Bunker.
A regressão apresentada na Tabela 21 foi comparada com a da Tabela 17. O
resultado mostra que as variáveis independentes perderam parte de seu poder de
explicação, o R² da Tabela 17 é de 0,821811 enquanto o R² da Tabela 21 é de
49
0,798403. Dado este resultado, concluiu-se que a inserção da variável bunker não
contribui para o modelo com graneleiros.
Tabela 21: Regressão para Graneleiros, teste de influência da variável bunker, 2765 observações
Variável dependente: lnP Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 1,89467 0,234706 8,0725 <0,00001 ***
lnDWT −0,491042 0,0112909 -43,4902 <0,00001 ***
lnAge −0,37349 0,00954333 -39,1362 <0,00001 ***
ln(BDI/Bunker) 0,225125 0,00840186 26,7946 <0,00001 ***
lnNB 1,33964 0,0307264 43,5990 <0,00001 ***
lnLIBOR 0,153234 0,00695074 22,0457 <0,00001 ***
Média var. dependente 5,915537 D.P. var. dependente 0,665740
Soma resíd. quadrados 246,9628 E.P. da regressão 0,299185
R-quadrado 0,798403 R-quadrado ajustado 0,798038
F(5, 2759) 1567,474 P-valor(F) 0,000000
Log da verossimilhança −583,8560 Critério de Akaike 1179,712
Critério de Schwarz 1215,261 Critério Hannan-Quinn 1192,552
Tabela 22: Regressão para Petroleiros, teste de influência da variável bunker, 1020 observações
Variável dependente: lnP Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 1,68625 0,484501 3,4804 0,00052 ***
lnDWT −0,404762 0,0124314 -32,5596 <0,00001 ***
lnAge −0,535225 0,0171772 -31,1591 <0,00001 ***
ln(Earn/Bunker) 0,0823002 0,0188423 4,3678 0,00001 ***
lnNB 1,32291 0,0928392 14,2495 <0,00001 ***
lnLIBOR 0,111131 0,0250392 4,4383 0,00001 ***
Média var. dependente 5,519552 D.P. var. dependente 0,706261
Soma resíd. quadrados 126,9329 E.P. da regressão 0,353808
R-quadrado 0,750271 R-quadrado ajustado 0,749039
F(5, 1014) 530,4156 P-valor(F) 5,4e-280
Log da verossimilhança −384,5288 Critério de Akaike 781,0575
Critério de Schwarz 810,6229 Critério Hannan-Quinn 792,2836
Tabela 23: Regressão para Petroleiros, teste de influência da variável bunker, 1020 observações
Variável dependente: lnP Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 1,66783 0,480066 3,4742 0,00053 ***
lnDWT −0,404639 0,0123371 -32,7986 <0,00001 ***
lnAge −0,535729 0,0171752 -31,1920 <0,00001 ***
lnEarnings 0,10009 0,0312631 3,2015 0,00141 ***
lnNB 1,25945 0,13693 9,1978 <0,00001 ***
lnLIBOR 0,118117 0,027328 4,3222 0,00002 ***
lnBunker −0,0530909 0,0450711 -1,1779 0,23910
Média var. dependente 5,519552 D.P. var. dependente 0,706261
Soma resíd. quadrados 126,8515 E.P. da regressão 0,353869
R-quadrado 0,750431 R-quadrado ajustado 0,748953
F(6, 1013) 446,2467 P-valor(F) 2,8e-280
Log da verossimilhança −384,2014 Critério de Akaike 782,4029
Critério de Schwarz 816,8958 Critério Hannan-Quinn 795,5000
50
Para petroleiros foram realizadas duas regressões, uma substituindo a variável
Earnings por Earnings/Bunker e outra incluindo a variável bunker na regressão
original. Como os números de variáveis não são iguais, o R² ajustado deve ser usado
para comparação entre os modelos. A regressão utilizando a razão entre as variáveis
apresentou o maior coeficiente de determinação ajustado, além da variável Bunker
sozinha não ter se mostrado significativa no modelo. Comparando os resultados da
Tabela 22 com os da regressão da Tabela 18, o coeficiente aumentou pouco,
0,748786 para 0,749039, acompanhado de redução do erro-padrão da variável
Earnings/Bunker em relação a variável Earnings (de 0,0276852 para 0,0188423) e
consequentemente de um menor valor-p.
Analisando melhor a estrutura da função de regressão, haveria um motivo mais
forte para incluir o preço do bunker se a variável de receita utilizada fosse a taxa de
frete voyage charter e não a time charter, visto que o lucro em contratos por período
está relacionado aos custos operacionais, que são custos fixos, e não ao preço do
bunker, que é um custo variável relacionado a cada viagem. Essa conclusão parece
alinhada com o que Beenstock e Vergottis apresentam em seu livro e que foi descrito
acima neste tópico. O fato do preço do bunker ter melhorado um pouco o R² ajustado
quando inserido na razão earnings/bunker não foi descoberto, embora a conclusão
seja, portanto, que essa variável não é melhor que a variável earnings para o modelo
econométrico deste trabalho.
Tabela 24: Regressão para Porta-Contentores, teste de influência da variável bunker, 877 observações.
Variável dependente: lnP Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 1,75833 0,506476 3,4717 0,00054 ***
lnDWT −0,166243 0,0215785 -7,7041 <0,00001 ***
lnAge −0,486765 0,0237451 -20,4996 <0,00001 ***
lnEarninsBunker 0,157317 0,0184417 8,5305 <0,00001 ***
lnNB 0,593317 0,0706252 8,4009 <0,00001 ***
lnLIBOR 0,285823 0,0225646 12,6669 <0,00001 ***
Média var. dependente 6,338250 D.P. var. dependente 0,758186
Soma resíd. quadrados 153,4866 E.P. da regressão 0,419784
R-quadrado 0,695200 R-quadrado ajustado 0,693451
F(5, 871) 395,2257 P-valor(F) 3,8e-221
Log da verossimilhança −480,1501 Critério de Akaike 972,3001
Critério de Schwarz 1000,959 Critério Hannan-Quinn 983,2616
51
Para porta-contentores também se repetiu esta análise. O resultado foi o mesmo
que para graneleiros, o R² diminuiu de 0,750037 na Tabela 19 para 0,695200 na
Tabela 24. Portanto, os modelos de regressão não foram alterados.
7. Os Testes de Hipótese com as Variáveis Dummies e a
Análise dos Resultados
Com um modelo robusto e bem estudado, chegou a etapa de testar uma hipótese
mais arrojada com os dados. Como dito no início deste trabalho, o objetivo é analisar
dados de revenda de navios através de uma modelagem econométrica em busca de
traços significativos que indiquem que navios construídos em determinados
países/regiões são mais valorizados no momento de revendê-los.
Depois da retirada dos navios com mais de vinte anos de idade das bases de
dados durante o estudo sobre a heteroscedasticidade dos modelos, os países de
construção das embarcações ficaram distribuídos conforme os gráficos apresentados.
Figura 23: Países\regiões de construção dos graneleiros utilizados
Pode-se perceber que a quantidade de navios graneleiros construídos no Japão é
muito maior do que nos outros países, com Coréia do Sul e China vindo em seguida.
Para petroleiros, a “vantagem” numérica do Japão é menor, com a Coréia do Sul bem
perto e a Europa, com um número bem menor, em terceiro. Para navios porta-
contentores a situação se inverte, os navios construídos na Europa são maioria, com
Coréia do Sul e Japão vindo em seguida. É importante lembrar que esses são dados
de navios revendidos, ou seja, não reflete a quantidade de navios construídos total
nestes países, embora possa ser traçada alguma similaridade. A China, por exemplo,
South KoreaJapanEuropeChinaAsiaAmerica
2000
1500
1000
500
0
Nú
mero
de N
avio
s
337
1798
153
327
133
17
Graneleiros
52
teve um crescimento da indústria de construção naval impressionante nesta década, e,
embora já sejam expressivas as quantidades de navios chineses, elas ainda não são
proporcionalmente grandes quanto as quantidades de navios construídos no país na
última década.
Figura 24: Países de construção dos petroleiros utilizados
Figura 25: Países de construção dos porta-contentores utilizados
Para entender melhor o comportamento dos dados foram feitas tabelas em que o
eixo y corresponde ao preço de segunda mão por porte (US$/DWT) deflacionado por
um índice de preços de segunda mão da Clarksons para o respectivo tipo de navio,
também em US$/DWT, e o eixo x corresponde a data de revenda. Cada ponto que
corresponde à venda de um navio também recebeu uma cor que o diferencia de
acordo com o país de construção.
South KoreaJapanEuropeChinaAsiaAmerica
500
400
300
200
100
0
Nú
mero
de N
avio
s
352
445
127
64
257
Petroleiros
South KoreaJapanEuropeChinaAsia
400
300
200
100
0
Nú
mero
de N
avio
s
181
165
368
104
59
Porta-Contentores
53
Analisando os gráficos é possível perceber que os navios com origem no
continente americano não têm presença homogênea ao longo de todo o período
analisado. São 13 graneleiros brasileiros e 4 argentinos apenas, e 7 petroleiros
brasileiros. Uma análise sobre o impacto da inclusão desses navios será feita.
Os petroleiros asiáticos (não considerando Coréia do Sul, China e Japão) só
aparecem na metade mais recente do gráfico, a partir de 2008. O período total de
análise vai de Dezembro de 2002 a Junho de 2014. Por isso, o impacto da inclusão
desses dados nas análises também será avaliado.
Foram também feitos gráficos que mostram o porte bruto e o ano de construção
dos navios construídos em cada país/região. A segregação por países no modelo
econométrico foi feito com o uso de variáveis dummies, conforme explicado na
especificação do modelo no tópico 4.2. Seguem neste capítulo apenas as tabelas com
os resultados mais relevantes, todas as regressões feitas podem ser encontradas em
anexo.
54
Figura 26: Preço deflacionado x data de revenda, Graneleiros.
01/01/201401/01/201201/01/201001/01/200801/01/200601/01/200401/01/2002
2,0
1,5
1,0
0,5
0,0
US
$/D
WT
Defl
ate
d
America Asia
China Europe
Japan South Kore
Graneleiros - 2765 navios
55
Figura 27: Porte bruto x Ano de construção, Graneleiros.
20152010200520001995199019851980
350000
300000
250000
200000
150000
100000
50000
0
Ano de Construção
DW
TAmerica Asia
China Europe
Japan South Kore
Graneleiros - 2765 navios
56
Figura 28: Preço deflacionado x Data de revenda, Petroleiros.
01/01/201401/01/201201/01/201001/01/200801/01/200601/01/200401/01/2002
1,6
1,4
1,2
1,0
0,8
0,6
0,4
0,2
0,0
US
$/D
WT
Defl
ate
d
America Asia
China Europe
Japan South Kore
Petroleiros - 1020 navios
57
Figura 29: Porte Bruto x Ano de Construção, Petroleiros.
20152010200520001995199019851980
500000
400000
300000
200000
100000
0
Ano de Construção
DW
T
America Asia
China Europe
Japan South Kore
Petroleiros - 1020 navios
58
Figura 30: Preço deflacionado x Data de revenda, Porta-Contentores.
01/01/201401/01/201201/01/201001/01/200801/01/200601/01/200401/01/2002
0,16
0,14
0,12
0,10
0,08
0,06
0,04
0,02
0,00
US
$/D
WT
Defl
ate
d
Asia
China
Europe
Japan
South Kore
Porta-Contentores - 877 navios
59
Figura 31: Porte bruto x Ano de construção, Porta-Contentores.
2010200520001995199019851980
160000
140000
120000
100000
80000
60000
40000
20000
0
Ano de Construção
DW
T
Asia
China
Europe
Japan
South Kore
Porta-Contentores - 877 navios
60
Resultados para Graneleiros:
Graneleiros (Sem América) – 2748 navios Variável dependente: lnP País/Região base: Japan
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 1,76532 0,201336 8,7680 <0,00001 ***
lnDWT −0,488612 0,0116475 -41,9501 <0,00001 ***
lnAge −0,375408 0,00983599 -38,1668 <0,00001 ***
lnBDI 0,371349 0,0118454 31,3496 <0,00001 ***
lnNB 0,975878 0,024777 39,3865 <0,00001 ***
lnLIBOR 0,144508 0,006685 21,6167 <0,00001 ***
China −0,112298 0,0202329 -5,5503 <0,00001 ***
Europe −0,197609 0,025918 -7,6244 <0,00001 ***
S. Korea 0,00566307 0,0168905 0,3353 0,73744
Asia −0,0694265 0,0299168 -2,3206 0,02038 **
Média var. dependente 5,917947 D.P. var. dependente 0,664710
Soma resíd. quadrados 207,3939 E.P. da regressão 0,275221
R-quadrado 0,829127 R-quadrado ajustado 0,828566
F(9, 2738) 1050,013 P-valor(F) 0,000000
Log da verossimilhança −348,8149 Critério de Akaike 717,6297
Critério de Schwarz 776,8160 Critério Hannan-Quinn 739,0141
Graneleiros: 2765 navios Variável dependente: lnP País/Região Base: Japan
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 1,76374 0,200939 8,7775 <0,00001 ***
lnDWT −0,488758 0,0116072 -42,1084 <0,00001 ***
lnAge −0,375088 0,00972388 -38,5739 <0,00001 ***
lnBDI 0,370185 0,011804 31,3611 <0,00001 ***
lnNB 0,977077 0,024698 39,5609 <0,00001 ***
lnLIBOR 0,144953 0,00666981 21,7327 <0,00001 ***
America −0,287858 0,0616389 -4,6701 <0,00001 ***
China −0,112159 0,0201923 -5,5546 <0,00001 ***
Europe −0,197567 0,025909 -7,6254 <0,00001 ***
S. Korea 0,00575845 0,0168921 0,3409 0,73321
Asia −0,0693976 0,0299271 -2,3189 0,02047 **
Média var. dependente 5,915537 D.P. var. dependente 0,665740
Soma resíd. quadrados 208,4679 E.P. da regressão 0,275130
R-quadrado 0,829827 R-quadrado ajustado 0,829209
F(10, 2754) 962,9990 P-valor(F) 0,000000
Log da verossimilhança −349,5877 Critério de Akaike 721,1754
Critério de Schwarz 786,3481 Critério Hannan-Quinn 744,7153
61
Como pode ser observado nas regressões acima, a inclusão dos navios
americanos praticamente não altera o resultado, principalmente porque são um
pequeno número de embarcações. O que é possível verificar com o conjunto de todas
as regressões para graneleiros (registradas em anexo) é que os preços de navios
construídos no Japão e na Coréia do Sul são significantemente mais altos que os
navios construídos nos outros países, ceteris paribus. Entretanto, não é possível
distinguir diferenças significativas entre os preços de navios japoneses e sul coreanos.
Também é possível destacar que navios chineses e asiáticos (sem diferenças
significativas entre eles) possuem preços significantemente menores dos que os
japoneses e sul coreanos, porém maiores que os navios do continente americano e
europeus. Os navios europeus são embarcações de origens diversas e mais antigos,
uma análise intracontinental precisa ser feita para investigar melhor este resultado,
embora este exercício não seja feito neste trabalho. Os navios americanos são
basicamente navios brasileiros (76%) e argentinos (24%) como exposto anteriormente,
então se concluiu que o resultado referente aos navios americanos não pode ser
considerado significativo. Não se obteve uma diferença significativa entre os preços de
navios europeus e americanos na regressão, mas devido aos mesmos motivos,
considerou-se este resultado não significativo. Os países europeus e asiáticos* cujos
graneleiros compõem a base de dados utilizada são:
Figura 32: Países de construção dos graneleiros europeus
Unite
d Kin
gdom
Ukr
aine
Spain
Russia
Roman
ia
Pola
ndIta
ly
Ger
man
y
Den
mar
k
Croat
ia
Bulgar
ia
30
25
20
15
10
5
0
Nú
mero
de N
avio
s
Europe
62
Figura 33: Países de construção dos graneleiros asiáticos (com exceção de China, Coréia do Sul e Japão).
Resultado para Petroleiros:
Petroleiros: 1020 navios Variável dependente: lnP País\Região base: Europe
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 1,83851 0,480198 3,8286 0,00014 ***
lnDWT −0,40852 0,0131438 -31,0808 <0,00001 ***
lnAge −0,530695 0,0177169 -29,9541 <0,00001 ***
lnEarnings 0,111915 0,0277825 4,0282 0,00006 ***
lnNB 1,12337 0,072847 15,4209 <0,00001 ***
lnLIBOR 0,143016 0,0199783 7,1585 <0,00001 ***
America 0,232935 0,132226 1,7616 0,07843 *
China 0,0660184 0,0605245 1,0908 0,27563
S. Korea 0,0753987 0,0414815 1,8176 0,06941 *
Asia 0,0510543 0,0795057 0,6421 0,52092
Japan 0,0400695 0,0400157 1,0013 0,31690
Média var. dependente 5,519552 D.P. var. dependente 0,706261
Soma resíd. quadrados 126,2763 E.P. da regressão 0,353765
R-quadrado 0,751562 R-quadrado ajustado 0,749100
F(10, 1009) 274,3681 P-valor(F) 1,3e-279
Log da verossimilhança −381,8837 Critério de Akaike 785,7674
Critério de Schwarz 839,9705 Critério Hannan-Quinn 806,3486
Vietn
am
Taiw
an
Sing
apore
Phil i
ppines
Indone
sia
India
60
50
40
30
20
10
0
Nú
mero
de N
avio
s
Asia
63
Figura 34: Países de construção dos petroleiros europeus utilizados
Figura 35: Navios asiáticos (sem China, Coréia do Sul e Japão) utilizados.
Entre os petroleiros, nenhuma conclusão pode ser feita a um nível de significância
de 5%, independente de incluir ou não embarcações asiáticas* e americanas. Houve
apenas dois indicativos de diferenças significativas, entre Europa e América e entre
Europa e Coréia do Sul. A América possui apenas 7 navios entre os dados, um nível
de significância de apenas 7,8%, como apresentado na comparação entre Europa e
América, é muito pouco para tornar relevante uma comparação entre esses navios. Já
para a relação entre a Coréia do Sul, com seus 352 navios, e a Europa, com 127, um
nível de significância de 7% é algo significativo. Entretanto, novamente uma análise
intracontinental entre os países europeus seria necessária para uma análise mais
Uni
ted K
ingdom
Ukr
aine
Spain
Russia
Roman
ia
Portugal
Pola
ndIta
ly
Fran
ce
F inland
Den
mark
Croatia
Bulgar
ia
25
20
15
10
5
0
Nú
mero
de N
avio
sEurope
TaiwanSingaporeMalaysia
16
14
12
10
8
6
4
2
0
Nú
mero
de N
avio
s
Asia
64
acurada. Mesmo assim, ao se comparar o resultado para petroleiros com os de
graneleiros e porta-contentores e constatar que os navios sul coreanos nestes outros
dois grupos são mais valorizados com significância estatística é possível dizer que há
uma tendência de navios sul coreanos terem um preço por porte bruto mais elevado
no momento da revenda do que os navios europeus.
Resultado para Porta-Contentores:
Porta-Contentores: 877 navios Variável dependente: lnP
País\Região base: South Korea Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const −1,25539 0,516533 -2,4304 0,01528 **
lnDWT −0,184654 0,0221158 -8,3494 <0,00001 ***
lnAge −0,457338 0,0237594 -19,2487 <0,00001 ***
lnEarnings 0,569318 0,0341168 16,6873 <0,00001 ***
lnNB 0,560537 0,0623418 8,9913 <0,00001 ***
lnLIBOR 0,149054 0,0222278 6,7058 <0,00001 ***
China −0,033989 0,0562885 -0,6038 0,54611
Europe −0,19314 0,0387387 -4,9857 <0,00001 ***
Asia −0,150505 0,0603995 -2,4918 0,01289 **
Japan −0,139291 0,0409176 -3,4042 0,00069 ***
Média var. dependente 6,338250 D.P. var. dependente 0,758186
Soma resíd. quadrados 121,1742 E.P. da regressão 0,373848
R-quadrado 0,759367 R-quadrado ajustado 0,756870
F(9, 867) 304,2590 P-valor(F) 2,8e-261
Log da verossimilhança −376,4957 Critério de Akaike 772,9915
Critério de Schwarz 820,7566 Critério Hannan-Quinn 791,2607
Entre os porta-contentores, mais resultados interessantes. A um nível de
significância de 6%, há dados estatisticamente relevantes de que os navios
construídos na China e na Coréia do Sul possuem valor no mercado de revenda mais
alto do que as embarcações construídas em outros países, não sendo significativa a
diferença entre chineses e sul coreanos. Não apareceram estatísticas significativas
que diferenciem os navios construídos no Japão, na Ásia* e na Europa.
Ao analisar os dados de navios chineses da Figura 31 é possível perceber que
eles se restringem a navios de menor porte quando comparados com os navios sul
coreanos. A concentração em navios de menor porte pode fazer o preço de revenda
por porte bruto de este grupo específico tender a ser mais alto, e este fato pode estar
causando a equivalência estatística entre China e Coréia do Sul. Entre os navios
construídos na China se encontram 2 panamax, 2 feedermax, 26 feeder, e 74 small
65
feeder. Entre os navios sul coreanos há 2 new panamax, 30 post panamax, 66
panamax, 36 feedermax, 34 feeder, e 13 small feeder. Para reavaliar os resultados,
foram feitas regressões apenas com as classes feeder e small feeder. Estas novas
regressões indicaram que os preços de revenda de navios sul coreanos não teriam
diferença significativa com os de nenhum outro país, e os chineses teriam apenas com
os navios europeus, em favor dos chineses. Mas acredita-se que este resultado se dê
em grande parte devido ao número muito reduzido de dados de navios sul coreanos.
Cogitou-se, ainda, que a inclusão dos navios turcos entre os europeus pudesse
causar alguma diferença entre navios europeus e asiáticos, já que eles haviam sido
classificados como asiáticos. Porém, a transferência dos navios turcos dos dados
classificados como asiáticos para os europeus na regressão com todas as classes fez
com que os navios asiáticos passassem a não ter diferença de preço significativa com
nenhum outro grupo devido ao pequeno número de dados, inclusive com navios
chineses, com os quais tinham uma diferença pouco significativa desfavorável para a
Ásia, e com os sul coreanos, com os quais tinham uma diferença significativa (1,3%)
também desfavorável para a Ásia. Com os outros resultados se mantendo
praticamente inalterados.
Assim, concluiu-se de que existe um indicativo, apontado pelas primeiras
regressões, de que navios sul coreanos sejam mais valorizados dos que os navios dos
demais países considerando um modelo com classes agregadas.
Figura 36: Países de construção dos navios asiáticos (sem China, Coréia do Sul e Japão)
TurkeyTaiwanSingaporeIndonesia
25
20
15
10
5
0
Nú
mero
de N
avio
s
Asia
66
Figura 37: Países de construção dos navios europeus
8. Conclusões
O presente trabalho abordou a influência do país de construção na composição do
preço de segunda mão de graneleiros, petroleiros e porta-contentores. Acompanhado
de uma revisão bibliográfica, foi elaborado um modelo econométrico que considera os
principais fatores que influenciam os preços: porte bruto, idade, receita, preço de um
navio novo, e custo de capital. Os dados para o estudo foram coletados da base de
dados da Clarksons. Esse modelo foi testado quanto a sua significância global, quanto
à significância de suas variáveis, quanto à existência de multicolinearidade e também
de heteroscedasticidade.
As conclusões sobre o modelo econométrico quanto a sua significância são:
Há significância global e também individual dos parâmetros lineares das
variáveis explicativas;
Existe multicolinearidade moderada a alta entre as variáveis proxies de
custo de capital e de receita.
Existe também heteroscedasticidade nos dados.
Unite
d Kin
gdom
Spain
Roman
ia
Poland
Norw
ay
Nether
land
sIta
ly
Ger
man
y
Den
mar
k
Croat
ia
Belgium
250
200
150
100
50
0
Nú
mero
de N
avio
s
Europe
67
Entretanto, a existência de multicolinearidade se traduz, na prática, em erros-
padrão maiores, o que poderia atrapalhar a significância dos parâmetros dessas
variáveis, mas não se apresentou como um empecilho no modelo agregado devido a
grande quantidade de dados (apesar de poder ter prejudicado a significância de
modelos segmentados apresentados ao longo do trabalho). Quanto à
heteroscedasticidade, a retirada de navios revendidos com mais de 20 anos dos dados
melhorou, porém não tornou aceitável a hipótese de que os resíduos possuem
homoscedasticidade. Para compensar, foram utilizados em todas as regressões os
erros-padrão corrigidos para heteroscedasticidade por um método proposto por
Halbert White [20].
Depois, estudos com regressões sobre amostras segmentadas por porte e idade
foram realizados, reforçando a significância do modelo com os dados agrupados.
Interessantes resultados surgiram desses modelos segmentados, como a importância
reduzida da variável de receita entre os grupos de petroleiros, relações positivas não
explicadas entre o preço por porte e o porte bruto para navios de determinados portes,
e a diferenciação entre navios graneleiros e petroleiros em relação aos navios porta-
contentores quanto ao que os economistas chamam de “asset play”. Para navios
graneleiros e petroleiros, o mercado de compra e venda dessas embarcações como
ativos têm importância maior do que para os porta-contentores, que são mais
orientados ao mercado de fretes. Isso pode ser explicado pela natureza dos serviços
desses navios. Os porta-contentores transportam cargas com maior valor agregado e
em linhas regulares, enquanto os graneleiros e petroleiros atuam em um mercado
mais volátil e com cargas que se depreciam menos com o tempo, e assim estão mais
sujeitos a forte especulação do próprio valor dos navios como ativos.
Por fim, foi realizado o estudo sobre os países de construção. Um aspecto que se
destacou por ter significância estatística nas regressões de graneleiros e uma suspeita
de relevância para petroleiros e porta-contentores foi a liderança da Coréia do Sul nos
preços dos navios de revenda.
Por tipo de navios, os graneleiros sul coreanos e japoneses obtiveram preços de
revenda estatisticamente mais elevados em relação aos outros navios. Para
petroleiros, apenas o indicativo de que navios sul coreanos tiveram preços mais
elevados dos que os navios europeus teve relevância estatística. Entre os porta-
68
contentores, há indícios de que as embarcações sul coreanas teriam maior valorização
do que as demais construídas em outros países.
De modo geral, este trabalho mostrou que o país de construção é relevante para a
determinação do preço de segunda mão de um navio. Não tão significativo quanto o
porte bruto e sua idade, ainda mais nos ramos com navios padronizados como os
estudados, mas é possível assumir que há no mercado da indústria naval uma
valorização subjetiva de navios construídos em determinados países.
9. Sugestões para Trabalhos Futuros
Quanto mais conhecimento sobre os dados, melhores serão as conclusões que
serão possíveis de obter sobre eles. A partir desta constatação, o autor reconhece que
um estudo mais detalhado sobre todos os dados descartados durante a preparação
dos dados e do modelo para o teste da hipótese sobre a influência do país de
construção no preço de segunda mão deva ser realizado a fim de validar os resultados
obtidos neste trabalho. Inadvertidamente, podem ter sido excluídas quantidades
significativas de navios de determinado porte, idade, ou país/região de construção que
alterariam os resultados das regressões. Também seria interessante uma investigação
mais detalhada sobre os dados definidos na base de dados da Clarksons como
tankers a fim de separar os navios de produtos de navios de óleo cru, ou então
confirmar a hipótese de que não há diferenças estatísticas entre o tratamento
segmentado para o agregado no que se refere à influência do país de construção no
preço de revenda. Outra recomendação seria a inclusão dos dados de navios
revendidos em Janeiro de 2011, que tardiamente verificou-se que não foram
contemplados.
Um tema de trabalho futuro sugerido é a análise ano a ano dos dados de revenda
de navios graneleiros para a investigação da ascensão da valorização do navio de
segunda mão construído na Coréia do Sul, já que este trabalho aponta a relevância
estatística dos preços de navios sul coreanos e japoneses revendidos entre 2003 e
2014 e o trabalho base, de Pires et al. [19], destaca a relevância apenas de navios
japoneses revendidos entre 2003 e 2005.
Por fim, dado a natureza dinâmica do mercado de segunda mão, ao ser publicado
este trabalho já não inclui os dados de negociações mais atuais, ou seja, trata-se de
69
um assunto que pode ser anualmente revisitado e explorado sem perder sua
atratividade científica e econômica, bem como extensões para períodos mais antigos
podem revelar novos aspectos deste mercado até então desconhecidos.
70
10. Obras Citadas
[1] STOPFORD, M. Maritime Economics - 3th Edition. [S.l.]: Editora: Routledge, 2009.
[2] GRAMMENOS, C. T. The Handbook of Maritime Economics and Business - 2nd Edition.
Londres: Lloyd's List, 2010.
[3] BEENSTOCK, M.; VERGOTTIS, A. Econometric Modelling of World Shipping. [S.l.]: Editora:
Springer, 1993.
[4] STOPFORD, M. Maritime Economics - 2nd Edition. Abingdon: Editora Routledge, 1997.
[5] COMISIÓN ECONÓMICA PARA AMÉRICA LATINA Y EL CARIBE. El Ciclo Marítimo y las
Tendencias de la Industria en América Latina. Boletín FAL - Facilitación del Comercio y el
Transporte en América Latina y el Caribe - Edición Nº 228, Agosto 2005.
[6] RIEKE, F. E. et al. Lead Intoxication in Shipbuilding and Shipscrapping 1941 to 1968.
Enviromental Health: An International Journal, v. 19, n. 4, p. 521-539, 1969.
[7] REDDY, M. S. Description of the small plastics fragments in marine sediments along the
Alang-Sosiya ship-breaking yard, India. Estuarine, Coastal and Shelf Science, v. 68, n. 3-4,
p. 656-660, July 2006.
[8] REDDY, M. S. et al. Distribution, enrichment and accumulation of heavy metals in coastal
sediments of Alang–Sosiya ship scrapping yard, India. Marine Pollution Bulletin, v. 48, n.
11-12, p. 1055-1059, 2004.
[9] ANDERSEN, O. Euronav buys VLCC fleet from Maersk Tankers, 5th January 2014.
Disponivel em: <http://shippingwatch.com/carriers/article6381690.ece>. Acesso em: 02
Janeiro 2015.
[10] ALIZADEH, A.; NOMIKOS, N. K. The price-volume relationship in the sale and purchase
market for dry bulk vessels. Maritime Policy and Management, v. 30, n. 4, p. 321-327,
2003.
[11] PRUYN, J. F. J.; VOORDE, E. V. D.; MEERSMAN, H. Second hand vessel value estimation in
maritime economics: A review of the past 20 years and the proposal of an elementary
method. Maritime Ecnonomics & Logistics, v. 13, n. 2, p. 213-236, 2011.
[12] SYRIOPULOS, T.; ROUMPIS, E. Price and volume dynamics in seconhd-hand dry bulk and
tanker shipping markets. Maritime Policy and Management, v. 33, n. 5, p. 497-518, 2006.
[13] SAMUELSON, P. A.; KOOPMANS, T. C.; STONE, J. R. N. Report of the Evaluative Committee
for Econometrica. Econometrica, v. 22, n. 2, p. 141-146, 1954.
71
[14] GUJARATI, D. N. Econometria Básica - Terceira Edição. São Paulo: MAKRON Books, 2000.
[15] NEWMAN, J. R. The World of Mathematics. Nova York: Simon & Schuster, 1956.
[16] TSOLAKIS, S. D.; CRIDLAND, C.; HARALAMBIDES, H. E. Econometric Modelling of Second-
hand Ship Prices. Maritime Economics and Logistics, v. 5, p. 347-377, 2003.
[17] ADLAND, R.; KOEKEBAKKER, S. Ship Valuation Using Cross-Sectional Sales Data: A
Multivariate Non-Parametric Approach. Maritime Economics & Logistics, v. 9, p. 105-118,
2007.
[18] KOEHN, S. Generalized additive models in the context of shipping economics. Theses of
Department of Economics, University of Leicester, December 2008. Disponivel em:
<http://hdl.handle.net/2381/4172>. Acesso em: 18 Fevereiro 2015.
[19] PIRES JR., F. C. M.; CIPRIANO, W. M.; ASSIS, L. F. Influência do país construtor no preço
internacional de navios. Revista de Literatura dos Transportes, v. 5, n. 1, p. 4-32, 2011.
[20] WHITE, H. A Heteroskedasticity-Consistent Covariance Matrix Estimator and a Direct Test
for Heteroskedasticity. Econometrica, v. 48, n. 4, p. 817-838, May, 1980.
[21] TRIOLA, M. F. Introdução a Estatística - Décima Edição. Rio de Janeiro: LTC, 2008.
72
11. Anexos
11.1. Regressões Auxiliares do Teste Geral de
Heteroscedasticidade de White
11.1.1. Graneleiros
Tabela 25: Primeiro teste de heteroscedasticidade
81
11.2. Regressões Auxiliares de Portes
11.2.1. Graneleiros
Handysize: MQO, usando as observações 1-708 Variável dependente: lnP
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const −1,51918 0,55587 -2,7330 0,00643 ***
lnDWT −0,178233 0,0431264 -4,1328 0,00004 ***
lnAge −0,393379 0,025814 -15,2390 <0,00001 ***
lnBDI 0,313807 0,0195113 16,0834 <0,00001 ***
lnNB 1,07558 0,0473111 22,7341 <0,00001 ***
lnLIBOR 0,145067 0,0127041 11,4189 <0,00001 ***
Média var. dependente 6,250981 D.P. var. dependente 0,576203
Soma resíd. quadrados 47,75816 E.P. da regressão 0,260829
R-quadrado 0,796541 R-quadrado ajustado 0,795092
F(5, 702) 484,2172 P-valor(F) 9,9e-225
Log da verossimilhança −50,12034 Critério de Akaike 112,2407
Critério de Schwarz 139,6153 Critério Hannan-Quinn 122,8170
Handymax: MQO, usando as observações 1-893 Variável dependente: lnP
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const −3,95197 1,54854 -2,5521 0,01088 **
lnDWT 0,0469304 0,150266 0,3123 0,75487
lnAge −0,287145 0,0198162 -14,4905 <0,00001 ***
lnBDI 0,351315 0,0193757 18,1317 <0,00001 ***
lnNB 0,944429 0,0537416 17,5735 <0,00001 ***
lnLIBOR 0,155895 0,011608 13,4300 <0,00001 ***
Média var. dependente 6,027020 D.P. var. dependente 0,567450
Soma resíd. quadrados 66,84926 E.P. da regressão 0,274528
R-quadrado 0,767257 R-quadrado ajustado 0,765945
F(5, 887) 622,6958 P-valor(F) 3,6e-287
Log da verossimilhança −109,7188 Critério de Akaike 231,4376
Critério de Schwarz 260,2051 Critério Hannan-Quinn 242,4311
Panamax: MQO, usando as observações 1-772 Variável dependente: lnP. Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const −17,7103 3,2677 -5,4198 <0,00001 ***
lnDWT 1,21094 0,296782 4,0802 0,00005 ***
lnAge −0,327715 0,0205384 -15,9562 <0,00001 ***
lnBDI 0,496865 0,0164084 30,2812 <0,00001 ***
lnNB 0,889868 0,0465727 19,1071 <0,00001 ***
lnLIBOR 0,126505 0,0102716 12,3161 <0,00001 ***
Média var. dependente 5,789131 D.P. var. dependente 0,617254
Soma resíd. quadrados 40,26249 E.P. da regressão 0,229264
R-quadrado 0,862938 R-quadrado ajustado 0,862043
F(5, 766) 776,7740 P-valor(F) 4,6e-297
Log da verossimilhança 44,65525 Critério de Akaike −77,31049
Critério de Schwarz −49,41659 Critério Hannan-Quinn −66,57693
82
Capesize: MQO, usando as observações 1-366 Variável dependente: lnP
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const −0,153227 1,12738 -0,1359 0,89197
lnDWT −0,30571 0,082897 -3,6878 0,00026 ***
lnAge −0,436758 0,0232913 -18,7520 <0,00001 ***
lnBDI 0,444302 0,0350467 12,6774 <0,00001 ***
lnNB 0,795767 0,0703152 11,3171 <0,00001 ***
lnLIBOR 0,179685 0,0211326 8,5027 <0,00001 ***
Média var. dependente 5,323866 D.P. var. dependente 0,643810
Soma resíd. quadrados 28,82781 E.P. da regressão 0,282979
R-quadrado 0,809452 R-quadrado ajustado 0,806806
F(5, 360) 220,2056 P-valor(F) 3,8e-107
Log da verossimilhança −54,27492 Critério de Akaike 120,5498
Critério de Schwarz 143,9656 Critério Hannan-Quinn 129,8546
VLBC: MQO, usando as observações 1-26
Variável dependente: lnP Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const −64,0521 18,4698 -3,4679 0,00243 ***
lnDWT 4,29068 1,19829 3,5807 0,00187 ***
lnAge −0,582368 0,140972 -4,1311 0,00052 ***
lnBDI 0,297903 0,187309 1,5904 0,12742
lnNB 1,55955 0,511158 3,0510 0,00631 ***
lnLIBOR 0,591968 0,256672 2,3063 0,03193 **
Média var. dependente 5,034287 D.P. var. dependente 0,514486
Soma resíd. quadrados 3,312471 E.P. da regressão 0,406969
R-quadrado 0,499429 R-quadrado ajustado 0,374286
F(5, 20) 6,272303 P-valor(F) 0,001182
Log da verossimilhança −10,10718 Critério de Akaike 32,21435
Critério de Schwarz 39,76293 Critério Hannan-Quinn 34,38807
11.2.2. Navios Tanque
Small Tanker: MQO, usando as observações 1-210 Variável dependente: lnP
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 2,21102 0,792907 2,7885 0,00580 ***
lnDWT −0,263218 0,0286709 -9,1806 <0,00001 ***
lnAge −0,565639 0,0562625 -10,0536 <0,00001 ***
lnEarnings 0,105734 0,0547567 1,9310 0,05487 *
lnNB 0,882692 0,150614 5,8606 <0,00001 ***
lnLIBOR 0,132371 0,0465144 2,8458 0,00488 ***
Média var. dependente 6,034652 D.P. var. dependente 0,578592
Soma resíd. quadrados 25,73059 E.P. da regressão 0,355148
R-quadrado 0,632244 R-quadrado ajustado 0,623231
F(5, 204) 64,76852 P-valor(F) 2,95e-40
Log da verossimilhança −77,53726 Critério de Akaike 167,0745
Critério de Schwarz 187,1572 Critério Hannan-Quinn 175,1932
83
Panamax: MQO, usando as observações 1-64 Variável dependente: lnP
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const −4,3803 4,81053 -0,9106 0,36629
lnDWT −0,0861554 0,404607 -0,2129 0,83212
lnAge −0,586146 0,0510283 -11,4867 <0,00001 ***
lnEarnings 0,256956 0,142502 1,8032 0,07655 *
lnNB 1,5737 0,239595 6,5681 <0,00001 ***
lnLIBOR −0,0072739 0,0744641 -0,0977 0,92252
Média var. dependente 5,817306 D.P. var. dependente 0,658719
Soma resíd. quadrados 6,637775 E.P. da regressão 0,338296
R-quadrado 0,757181 R-quadrado ajustado 0,736249
F(5, 58) 38,40684 P-valor(F) 3,38e-17
Log da verossimilhança −18,29667 Critério de Akaike 48,59333
Critério de Schwarz 61,54663 Critério Hannan-Quinn 53,69629
Aframax: MQO, usando as observações 1-292
Variável dependente: lnP Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const −6,52115 4,62255 -1,4107 0,15941
lnDWT 0,307116 0,388309 0,7909 0,42965
lnAge −0,476167 0,0413675 -11,5107 <0,00001 ***
lnEarnings 0,14323 0,0527379 2,7159 0,00701 ***
lnNB 0,993314 0,138249 7,1850 <0,00001 ***
lnLIBOR 0,195012 0,0358238 5,4436 <0,00001 ***
Média var. dependente 5,525774 D.P. var. dependente 0,661086
Soma resíd. quadrados 34,84740 E.P. da regressão 0,349062
R-quadrado 0,725993 R-quadrado ajustado 0,721203
F(5, 286) 122,7219 P-valor(F) 4,99e-69
Log da verossimilhança −103,9669 Critério de Akaike 219,9337
Critério de Schwarz 241,9942 Critério Hannan-Quinn 228,7703
Suezmax: MQO, usando as observações 1-175
Variável dependente: lnP Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const −5,96519 7,28951 -0,8183 0,41432
lnDWT 0,245248 0,592444 0,4140 0,67943
lnAge −0,475147 0,037891 -12,5398 <0,00001 ***
lnEarnings 0,0442999 0,0704376 0,6289 0,53025
lnNB 1,09765 0,146601 7,4874 <0,00001 ***
lnLIBOR 0,232378 0,0376462 6,1727 <0,00001 ***
Média var. dependente 5,542530 D.P. var. dependente 0,611587
Soma resíd. quadrados 18,95963 E.P. da regressão 0,334944
R-quadrado 0,708684 R-quadrado ajustado 0,700065
F(5, 169) 60,06445 P-valor(F) 1,02e-35
Log da verossimilhança −53,84776 Critério de Akaike 119,6955
Critério de Schwarz 138,6842 Critério Hannan-Quinn 127,3979
84
VLCC: MQO, usando as observações 1-268 Variável dependente: lnP
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const −32,762 3,6702 -8,9265 <0,00001 ***
lnDWT 2,3827 0,295511 8,0630 <0,00001 ***
lnAge −0,371943 0,0367328 -10,1256 <0,00001 ***
lnEarnings 0,193909 0,0450986 4,2997 0,00002 ***
lnNB 0,804482 0,13652 5,8928 <0,00001 ***
lnLIBOR 0,181366 0,0407664 4,4489 0,00001 ***
Média var. dependente 5,033306 D.P. var. dependente 0,582382
Soma resíd. quadrados 23,80453 E.P. da regressão 0,301425
R-quadrado 0,737135 R-quadrado ajustado 0,732119
F(5, 262) 185,6789 P-valor(F) 6,02e-84
Log da verossimilhança −55,84666 Critério de Akaike 123,6933
Critério de Schwarz 145,2392 Critério Hannan-Quinn 132,3472
ULCC: MQO, usando as observações 1-11
Variável dependente: lnP Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const −14,8993 3,71144 -4,0144 0,01018 **
lnDWT 0,58631 0,293647 1,9967 0,10238
lnAge −0,340475 0,0429537 -7,9265 0,00051 ***
lnEarnings −0,503202 0,410795 -1,2249 0,27515
lnNB 2,54561 0,250572 10,1592 0,00016 ***
lnLIBOR 0,2592 0,29134 0,8897 0,41439
Média var. dependente 5,269449 D.P. var. dependente 0,511058
Soma resíd. quadrados 0,091428 E.P. da regressão 0,135224
R-quadrado 0,964994 R-quadrado ajustado 0,929989
F(5, 5) 184,8768 P-valor(F) 0,000011
Log da verossimilhança 10,73722 Critério de Akaike −9,474444
Critério de Schwarz −7,087072 Critério Hannan-Quinn −10,97935
11.2.3. Porta-contentores
Small Feeder: MQO, usando as observações 1-315 Variável dependente: lnP
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const −3,59658 1,10872 -3,2439 0,00131 ***
lnDWT −0,076827 0,063359 -1,2126 0,22622
lnAge −0,515139 0,0409474 -12,5805 <0,00001 ***
lnEarnings 0,368727 0,0615514 5,9906 <0,00001 ***
lnNB 0,885178 0,121228 7,3017 <0,00001 ***
lnLIBOR 0,256464 0,0435202 5,8930 <0,00001 ***
Média var. dependente 6,548894 D.P. var. dependente 0,783528
Soma resíd. quadrados 45,28609 E.P. da regressão 0,382828
R-quadrado 0,765077 R-quadrado ajustado 0,761275
F(5, 309) 186,3079 P-valor(F) 5,19e-91
Log da verossimilhança −141,4829 Critério de Akaike 294,9658
Critério de Schwarz 317,4813 Critério Hannan-Quinn 303,9616
85
Feeder: MQO, usando as observações 1-284 Variável dependente: lnP
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 1,79361 1,27624 1,4054 0,16102
lnDWT −0,560659 0,107848 -5,1986 <0,00001 ***
lnAge −0,569905 0,0318539 -17,8912 <0,00001 ***
lnEarnings 0,6163 0,047365 13,0117 <0,00001 ***
lnNB 0,634308 0,0866911 7,3169 <0,00001 ***
lnLIBOR 0,129517 0,03103 4,1739 0,00004 ***
Média var. dependente 6,228507 D.P. var. dependente 0,772793
Soma resíd. quadrados 28,62312 E.P. da regressão 0,320875
R-quadrado 0,830642 R-quadrado ajustado 0,827596
F(5, 278) 326,7296 P-valor(F) 4,0e-114
Log da verossimilhança −77,12268 Critério de Akaike 166,2454
Critério de Schwarz 188,1392 Critério Hannan-Quinn 175,0230
Feedermax: MQO, usando as observações 1-108
Variável dependente: lnP Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const −12,4099 3,36172 -3,6915 0,00036 ***
lnDWT 0,875968 0,324883 2,6963 0,00820 ***
lnAge −0,379282 0,0396563 -9,5642 <0,00001 ***
lnEarnings 0,673384 0,0888073 7,5825 <0,00001 ***
lnNB 0,497981 0,151058 3,2966 0,00135 ***
lnLIBOR 0,0681413 0,0534757 1,2742 0,20547
Média var. dependente 6,200326 D.P. var. dependente 0,701962
Soma resíd. quadrados 10,35177 E.P. da regressão 0,318572
R-quadrado 0,803663 R-quadrado ajustado 0,794038
F(5, 102) 82,71487 P-valor(F) 2,66e-34
Log da verossimilhança −26,61679 Critério de Akaike 65,23358
Critério de Schwarz 81,32637 Critério Hannan-Quinn 71,75862
Panamax: MQO, usando as observações 1-128
Variável dependente: lnP Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const −4,55631 2,69733 -1,6892 0,09374 *
lnDWT 0,446061 0,222608 2,0038 0,04731 **
lnAge −0,320127 0,0532878 -6,0075 <0,00001 ***
lnEarnings 0,774692 0,100307 7,7232 <0,00001 ***
lnNB −0,102202 0,146231 -0,6989 0,48594
lnLIBOR 0,0110185 0,0501975 0,2195 0,82662
Média var. dependente 6,178426 D.P. var. dependente 0,645115
Soma resíd. quadrados 17,35664 E.P. da regressão 0,377184
R-quadrado 0,671611 R-quadrado ajustado 0,658153
F(5, 122) 50,85462 P-valor(F) 3,02e-28
Log da verossimilhança −53,74862 Critério de Akaike 119,4972
Critério de Schwarz 136,6094 Critério Hannan-Quinn 126,4500
86
Post Panamax: MQO, usando as observações 1-40 Variável dependente: lnP. Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const −9,48479 3,34803 -2,8329 0,00770 ***
lnDWT 0,743878 0,254084 2,9277 0,00605 ***
lnAge −0,239145 0,114466 -2,0892 0,04424 **
lnEarnings 1,04381 0,131091 7,9625 <0,00001 ***
lnNB −0,156392 0,15118 -1,0345 0,30822
lnLIBOR −0,0572314 0,0769468 -0,7438 0,46212
Média var. dependente 6,309714 D.P. var. dependente 0,568322
Soma resíd. quadrados 1,823978 E.P. da regressão 0,231617
R-quadrado 0,855201 R-quadrado ajustado 0,833907
F(5, 34) 55,01208 P-valor(F) 2,52e-15
Log da verossimilhança 4,999654 Critério de Akaike 2,000691
Critério de Schwarz 12,13397 Critério Hannan-Quinn 5,664564
11.3. Regressões Auxiliares de Idades
11.3.1. Graneleiros
1-5 Anos de Idade: MQO, usando as observações 1-556 Variável dependente: lnP. Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 3,12503 0,453811 6,8862 <0,00001 ***
lnDWT −0,478117 0,0254105 -18,8157 <0,00001 ***
lnAge −0,0762466 0,0132449 -5,7567 <0,00001 ***
lnBDI 0,300844 0,017317 17,3728 <0,00001 ***
lnNB 0,801875 0,037838 21,1923 <0,00001 ***
lnLIBOR 0,119038 0,00847118 14,0521 <0,00001 ***
Média var. dependente 6,248224 D.P. var. dependente 0,449898
Soma resíd. quadrados 19,65450 E.P. da regressão 0,189038
R-quadrado 0,825040 R-quadrado ajustado 0,823449
F(5, 550) 359,5421 P-valor(F) 1,1e-170
Log da verossimilhança 140,2746 Critério de Akaike −268,5493
Critério de Schwarz −242,6247 Critério Hannan-Quinn −258,4232
6-10 Anos de Idade: MQO, usando as observações 1-798 Variável dependente: lnP. Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 2,72091 0,254962 10,6718 <0,00001 ***
lnDWT −0,466694 0,0128983 -36,1825 <0,00001 ***
lnAge −0,293832 0,0372523 -7,8876 <0,00001 ***
lnBDI 0,329583 0,0143773 22,9239 <0,00001 ***
lnNB 0,873954 0,028232 30,9561 <0,00001 ***
lnLIBOR 0,115225 0,00846195 13,6169 <0,00001 ***
Média var. dependente 6,170111 D.P. var. dependente 0,524852
Soma resíd. quadrados 26,32388 E.P. da regressão 0,182311
R-quadrado 0,880100 R-quadrado ajustado 0,879343
F(5, 792) 1163,500 P-valor(F) 0,000000
Log da verossimilhança 228,9282 Critério de Akaike −445,8565
Critério de Schwarz −417,7638 Critério Hannan-Quinn −435,0633
87
11-15 Anos de Idade: MQO, usando as observações 1-748 Variável dependente: lnP
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 3,37953 0,448369 7,5374 <0,00001 ***
lnDWT −0,513929 0,0138164 -37,1971 <0,00001 ***
lnAge −0,879351 0,0781765 -11,2483 <0,00001 ***
lnBDI 0,40609 0,0191646 21,1896 <0,00001 ***
lnNB 0,940307 0,0550522 17,0803 <0,00001 ***
lnLIBOR 0,135621 0,012041 11,2633 <0,00001 ***
Média var. dependente 5,923859 D.P. var. dependente 0,638449
Soma resíd. quadrados 36,99748 E.P. da regressão 0,223298
R-quadrado 0,878494 R-quadrado ajustado 0,877675
F(5, 742) 1273,362 P-valor(F) 0,000000
Log da verossimilhança 63,08483 Critério de Akaike −114,1697
Critério de Schwarz −86,46524 Critério Hannan-Quinn −103,4932
16-20 Anos de Idade: MQO, usando as observações 1-663
Variável dependente: lnP Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 3,27801 0,628666 5,2142 <0,00001 ***
lnDWT −0,457561 0,0281143 -16,2750 <0,00001 ***
lnAge −1,33938 0,154463 -8,6712 <0,00001 ***
lnBDI 0,369032 0,0285344 12,9329 <0,00001 ***
lnNB 1,05577 0,0507812 20,7906 <0,00001 ***
lnLIBOR 0,171813 0,0146756 11,7074 <0,00001 ***
Média var. dependente 5,320742 D.P. var. dependente 0,603106
Soma resíd. quadrados 62,79778 E.P. da regressão 0,309164
R-quadrado 0,739205 R-quadrado ajustado 0,737220
F(5, 657) 292,8015 P-valor(F) 1,6e-164
Log da verossimilhança −159,4587 Critério de Akaike 330,9174
Critério de Schwarz 357,8981 Critério Hannan-Quinn 341,3731
11.3.2. Navios Tanque
1-5 Anos de Idade: MQO, usando as observações 1-193 Variável dependente: lnP. Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 2,88476 0,686831 4,2001 0,00004 ***
lnDWT −0,349209 0,0316594 -11,0302 <0,00001 ***
lnAge −0,0961036 0,0154791 -6,2086 <0,00001 ***
lnEarnings 0,0337243 0,0322055 1,0472 0,29638
lnNB 0,961345 0,0726408 13,2342 <0,00001 ***
lnLIBOR 0,10788 0,0225418 4,7858 <0,00001 ***
Média var. dependente 6,080283 D.P. var. dependente 0,425128
Soma resíd. quadrados 5,150649 E.P. da regressão 0,165963
R-quadrado 0,851570 R-quadrado ajustado 0,847601
F(5, 187) 173,0436 P-valor(F) 3,68e-68
Log da verossimilhança 75,81913 Critério de Akaike −139,6383
Critério de Schwarz −120,0621 Critério Hannan-Quinn −131,7105
88
6-10 Anos de Idade: MQO, usando as observações 1-195 Variável dependente: lnP
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 1,089 0,774803 1,4055 0,16151
lnDWT −0,371629 0,0236198 -15,7338 <0,00001 ***
lnAge −0,762138 0,0981399 -7,7658 <0,00001 ***
lnEarnings 0,0753816 0,0406458 1,8546 0,06521 *
lnNB 1,41989 0,117101 12,1253 <0,00001 ***
lnLIBOR 0,106303 0,0299096 3,5542 0,00048 ***
Média var. dependente 5,810516 D.P. var. dependente 0,528664
Soma resíd. quadrados 9,922671 E.P. da regressão 0,229131
R-quadrado 0,816993 R-quadrado ajustado 0,812152
F(5, 189) 156,8201 P-valor(F) 2,84e-65
Log da verossimilhança 13,67928 Critério de Akaike −15,35856
Critério de Schwarz 4,279435 Critério Hannan-Quinn −7,407370
11-15 Anos de Idade: MQO, usando as observações 1-332
Variável dependente: lnP Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 3,59493 0,88977 4,0403 0,00007 ***
lnDWT −0,427521 0,0202605 -21,1012 <0,00001 ***
lnAge −1,44584 0,165553 -8,7334 <0,00001 ***
lnEarnings 0,165948 0,0442573 3,7496 0,00021 ***
lnNB 1,10369 0,111908 9,8625 <0,00001 ***
lnLIBOR 0,19379 0,0300717 6,4443 <0,00001 ***
Média var. dependente 5,362350 D.P. var. dependente 0,634379
Soma resíd. quadrados 29,04651 E.P. da regressão 0,298496
R-quadrado 0,781944 R-quadrado ajustado 0,778599
F(5, 326) 261,0584 P-valor(F) 1,2e-111
Log da verossimilhança −66,67234 Critério de Akaike 145,3447
Critério de Schwarz 168,1755 Critério Hannan-Quinn 154,4496
16-20 Anos de Idade: MQO, usando as observações 1-300
Variável dependente: lnP Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 2,51149 0,820727 3,0601 0,00242 ***
lnDWT −0,449523 0,0202265 -22,2245 <0,00001 ***
lnAge −1,26899 0,259524 -4,8897 <0,00001 ***
lnEarnings 0,155988 0,043635 3,5748 0,00041 ***
lnNB 1,33805 0,107095 12,4941 <0,00001 ***
lnLIBOR 0,140265 0,0359415 3,9026 0,00012 ***
Média var. dependente 5,143660 D.P. var. dependente 0,727780
Soma resíd. quadrados 32,70079 E.P. da regressão 0,333507
R-quadrado 0,793516 R-quadrado ajustado 0,790004
F(5, 294) 235,1418 P-valor(F) 1,8e-100
Log da verossimilhança −93,22410 Critério de Akaike 198,4482
Critério de Schwarz 220,6709 Critério Hannan-Quinn 207,3417
89
11.3.3. Porta-Contentores
1-5 Anos de Idade: MQO, usando as observações 1-145 Variável dependente: lnP
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 3,95587 1,24151 3,1863 0,00178 ***
lnDWT −0,238797 0,0368978 -6,4718 <0,00001 ***
lnAge −0,175114 0,0270316 -6,4781 <0,00001 ***
lnEarnings 0,349903 0,0482808 7,2472 <0,00001 ***
lnNB 0,229356 0,144076 1,5919 0,11368
lnLIBOR 0,0709159 0,0346232 2,0482 0,04242 **
Média var. dependente 6,935840 D.P. var. dependente 0,363334
Soma resíd. quadrados 7,476573 E.P. da regressão 0,231923
R-quadrado 0,606697 R-quadrado ajustado 0,592549
F(5, 139) 45,88652 P-valor(F) 8,43e-28
Log da verossimilhança 9,213457 Critério de Akaike −6,426913
Critério de Schwarz 11,43349 Critério Hannan-Quinn 0,830372
6-10 Anos de Idade: MQO, usando as observações 1-226
Variável dependente: lnP Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 1,07444 0,768378 1,3983 0,16342
lnDWT −0,139876 0,0256867 -5,4455 <0,00001 ***
lnAge −0,394022 0,0822227 -4,7921 <0,00001 ***
lnEarnings 0,292618 0,055198 5,3012 <0,00001 ***
lnNB 0,42443 0,0902646 4,7021 <0,00001 ***
lnLIBOR 0,228547 0,028213 8,1007 <0,00001 ***
Média var. dependente 6,769666 D.P. var. dependente 0,541180
Soma resíd. quadrados 13,78340 E.P. da regressão 0,250303
R-quadrado 0,790834 R-quadrado ajustado 0,786080
F(5, 220) 153,5690 P-valor(F) 1,08e-69
Log da verossimilhança −4,611232 Critério de Akaike 21,22246
Critério de Schwarz 41,74567 Critério Hannan-Quinn 29,50480
11-15 Anos de Idade: MQO, usando as observações 1-274
Variável dependente: lnP. Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 0,174614 1,03628 0,1685 0,86632
lnDWT −0,21514 0,0324971 -6,6203 <0,00001 ***
lnAge −1,15623 0,200332 -5,7716 <0,00001 ***
lnEarnings 0,558571 0,0675769 8,2657 <0,00001 ***
lnNB 0,603904 0,0917062 6,5852 <0,00001 ***
lnLIBOR 0,189581 0,0422507 4,4871 0,00001 ***
Média var. dependente 6,216535 D.P. var. dependente 0,716948
Soma resíd. quadrados 33,60215 E.P. da regressão 0,354092
R-quadrado 0,760542 R-quadrado ajustado 0,756075
F(5, 268) 177,8360 P-valor(F) 5,99e-83
Log da verossimilhança −101,2894 Critério de Akaike 214,5789
Critério de Schwarz 236,2576 Critério Hannan-Quinn 223,2802
90
16-20 Anos de Idade: MQO, usando as observações 1-232 Variável dependente: lnP
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 0,520539 1,16386 0,4473 0,65512
lnDWT −0,102821 0,048684 -2,1120 0,03578 **
lnAge −1,47854 0,349488 -4,2306 0,00003 ***
lnEarnings 0,708142 0,0709498 9,9809 <0,00001 ***
lnNB 0,490762 0,10474 4,6855 <0,00001 ***
lnLIBOR 0,0634893 0,0394143 1,6108 0,10862
Média var. dependente 5,688248 D.P. var. dependente 0,597282
Soma resíd. quadrados 30,98551 E.P. da regressão 0,370276
R-quadrado 0,623999 R-quadrado ajustado 0,615681
F(5, 226) 73,24489 P-valor(F) 2,38e-45
Log da verossimilhança −95,66048 Critério de Akaike 203,3210
Critério de Schwarz 224,0014 Critério Hannan-Quinn 211,6612
11.4. Regressões com Países de Construção
11.4.1. Graneleiros
Graneleiros (Sem América) – 2748 navios Variável dependente: lnP País/Região base: Japan
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 1,76532 0,201336 8,7680 <0,00001 ***
lnDWT −0,488612 0,0116475 -41,9501 <0,00001 ***
lnAge −0,375408 0,00983599 -38,1668 <0,00001 ***
lnBDI 0,371349 0,0118454 31,3496 <0,00001 ***
lnNB 0,975878 0,024777 39,3865 <0,00001 ***
lnLIBOR 0,144508 0,006685 21,6167 <0,00001 ***
China −0,112298 0,0202329 -5,5503 <0,00001 ***
Europe −0,197609 0,025918 -7,6244 <0,00001 ***
S. Korea 0,00566307 0,0168905 0,3353 0,73744
Asia −0,0694265 0,0299168 -2,3206 0,02038 **
Média var. dependente 5,917947 D.P. var. dependente 0,664710
Soma resíd. quadrados 207,3939 E.P. da regressão 0,275221
R-quadrado 0,829127 R-quadrado ajustado 0,828566
F(9, 2738) 1050,013 P-valor(F) 0,000000
Log da verossimilhança −348,8149 Critério de Akaike 717,6297
Critério de Schwarz 776,8160 Critério Hannan-Quinn 739,0141
91
Graneleiros: 2765 navios Variável dependente: lnP País/Região Base: Japan
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 1,76374 0,200939 8,7775 <0,00001 ***
lnDWT −0,488758 0,0116072 -42,1084 <0,00001 ***
lnAge −0,375088 0,00972388 -38,5739 <0,00001 ***
lnBDI 0,370185 0,011804 31,3611 <0,00001 ***
lnNB 0,977077 0,024698 39,5609 <0,00001 ***
lnLIBOR 0,144953 0,00666981 21,7327 <0,00001 ***
America −0,287858 0,0616389 -4,6701 <0,00001 ***
China −0,112159 0,0201923 -5,5546 <0,00001 ***
Europe −0,197567 0,025909 -7,6254 <0,00001 ***
S. Korea 0,00575845 0,0168921 0,3409 0,73321
Asia −0,0693976 0,0299271 -2,3189 0,02047 **
Média var. dependente 5,915537 D.P. var. dependente 0,665740
Soma resíd. quadrados 208,4679 E.P. da regressão 0,275130
R-quadrado 0,829827 R-quadrado ajustado 0,829209
F(10, 2754) 962,9990 P-valor(F) 0,000000
Log da verossimilhança −349,5877 Critério de Akaike 721,1754
Critério de Schwarz 786,3481 Critério Hannan-Quinn 744,7153
Graneleiros 2765 navios Variável dependente: lnP País/Região base: China
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 1,65158 0,200027 8,2568 <0,00001 ***
lnDWT −0,488758 0,0116072 -42,1084 <0,00001 ***
lnAge −0,375088 0,00972388 -38,5739 <0,00001 ***
lnBDI 0,370185 0,011804 31,3611 <0,00001 ***
lnNB 0,977077 0,024698 39,5609 <0,00001 ***
lnLIBOR 0,144953 0,00666981 21,7327 <0,00001 ***
Europe −0,0854075 0,0329201 -2,5944 0,00953 ***
S. Korea 0,117918 0,0260819 4,5210 <0,00001 ***
Asia 0,0427615 0,0348165 1,2282 0,21948
America −0,175698 0,0644728 -2,7252 0,00647 ***
Japan 0,112159 0,0201923 5,5546 <0,00001 ***
Média var. dependente 5,915537 D.P. var. dependente 0,665740
Soma resíd. quadrados 208,4679 E.P. da regressão 0,275130
R-quadrado 0,829827 R-quadrado ajustado 0,829209
F(10, 2754) 962,9990 P-valor(F) 0,000000
Log da verossimilhança −349,5877 Critério de Akaike 721,1754
Critério de Schwarz 786,3481 Critério Hannan-Quinn 744,7153
92
Graneleiros: 2765 navios Variável dependente: lnP
País/Região base: South Korea Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 1,7695 0,204315 8,6606 <0,00001 ***
lnDWT −0,488758 0,0116072 -42,1084 <0,00001 ***
lnAge −0,375088 0,00972388 -38,5739 <0,00001 ***
lnBDI 0,370185 0,011804 31,3611 <0,00001 ***
lnNB 0,977077 0,024698 39,5609 <0,00001 ***
lnLIBOR 0,144953 0,00666981 21,7327 <0,00001 ***
America −0,293616 0,0632327 -4,6434 <0,00001 ***
China −0,117918 0,0260819 -4,5210 <0,00001 ***
Europe −0,203325 0,0292693 -6,9467 <0,00001 ***
Asia −0,0751561 0,032716 -2,2972 0,02168 **
Japan −0,00575845 0,0168921 -0,3409 0,73321
Média var. dependente 5,915537 D.P. var. dependente 0,665740
Soma resíd. quadrados 208,4679 E.P. da regressão 0,275130
R-quadrado 0,829827 R-quadrado ajustado 0,829209
F(10, 2754) 962,9990 P-valor(F) 0,000000
Log da verossimilhança −349,5877 Critério de Akaike 721,1754
Critério de Schwarz 786,3481 Critério Hannan-Quinn 744,7153
Graneleiros: 2765 navios Variável dependente: lnP País/Região base: Asia
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 1,69434 0,204632 8,2799 <0,00001 ***
lnDWT −0,488758 0,0116072 -42,1084 <0,00001 ***
lnAge −0,375088 0,00972388 -38,5739 <0,00001 ***
lnBDI 0,370185 0,011804 31,3611 <0,00001 ***
lnNB 0,977077 0,024698 39,5609 <0,00001 ***
lnLIBOR 0,144953 0,00666981 21,7327 <0,00001 ***
America −0,21846 0,0679929 -3,2130 0,00133 ***
China −0,0427615 0,0348165 -1,2282 0,21948
Europe −0,128169 0,0387407 -3,3084 0,00095 ***
S. Korea 0,0751561 0,032716 2,2972 0,02168 **
Japan 0,0693976 0,0299271 2,3189 0,02047 **
Média var. dependente 5,915537 D.P. var. dependente 0,665740
Soma resíd. quadrados 208,4679 E.P. da regressão 0,275130
R-quadrado 0,829827 R-quadrado ajustado 0,829209
F(10, 2754) 962,9990 P-valor(F) 0,000000
Log da verossimilhança −349,5877 Critério de Akaike 721,1754
Critério de Schwarz 786,3481 Critério Hannan-Quinn 744,7153
93
Graneleiros: 2765 navios Variável dependente: lnP País/Região base: Europe
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 1,56617 0,203697 7,6887 <0,00001 ***
lnDWT −0,488758 0,0116072 -42,1084 <0,00001 ***
lnAge −0,375088 0,00972388 -38,5739 <0,00001 ***
lnBDI 0,370185 0,011804 31,3611 <0,00001 ***
lnNB 0,977077 0,024698 39,5609 <0,00001 ***
lnLIBOR 0,144953 0,00666981 21,7327 <0,00001 ***
America −0,0902909 0,066115 -1,3657 0,17216
China 0,0854075 0,0329201 2,5944 0,00953 ***
S. Korea 0,203325 0,0292693 6,9467 <0,00001 ***
Asia 0,128169 0,0387407 3,3084 0,00095 ***
Japan 0,197567 0,025909 7,6254 <0,00001 ***
Média var. dependente 5,915537 D.P. var. dependente 0,665740
Soma resíd. quadrados 208,4679 E.P. da regressão 0,275130
R-quadrado 0,829827 R-quadrado ajustado 0,829209
F(10, 2754) 962,9990 P-valor(F) 0,000000
Log da verossimilhança −349,5877 Critério de Akaike 721,1754
Critério de Schwarz 786,3481 Critério Hannan-Quinn 744,7153
11.4.2. Navios Tanque
Petroleiros (Sem Ásia e América): 988 navios Variável dependente: lnP País\Região base: Japan
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 1,6969 0,489778 3,4646 0,00055 ***
lnDWT −0,409445 0,0138063 -29,6563 <0,00001 ***
lnAge −0,530502 0,017775 -29,8454 <0,00001 ***
lnEarnings 0,11988 0,0285489 4,1991 0,00003 ***
lnNB 1,14441 0,0738734 15,4915 <0,00001 ***
lnLIBOR 0,140895 0,0205328 6,8619 <0,00001 ***
China 0,0271102 0,0497746 0,5447 0,58611
Europe −0,0419944 0,0400061 -1,0497 0,29411
S. Korea 0,034685 0,0247299 1,4026 0,16107
Média var. dependente 5,508588 D.P. var. dependente 0,706954
Soma resíd. quadrados 122,7723 E.P. da regressão 0,354127
R-quadrado 0,751114 R-quadrado ajustado 0,749080
F(8, 979) 333,5311 P-valor(F) 2,0e-273
Log da verossimilhança −371,7477 Critério de Akaike 761,4954
Critério de Schwarz 805,5566 Critério Hannan-Quinn 778,2516
94
Petroleiros (Sem América): 1013 navios Variável dependente: lnP País\Região base: Japan
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 1,87105 0,47848 3,9104 0,00010 ***
lnDWT −0,409059 0,0131424 -31,1252 <0,00001 ***
lnAge −0,529915 0,0176854 -29,9633 <0,00001 ***
lnEarnings 0,114337 0,0279561 4,0899 0,00005 ***
lnNB 1,12354 0,0732507 15,3382 <0,00001 ***
lnLIBOR 0,141606 0,0201358 7,0326 <0,00001 ***
China 0,0259046 0,0498206 0,5200 0,60321
Europe −0,0405712 0,0400369 -1,0133 0,31114
S. Korea 0,0355805 0,0247094 1,4400 0,15019
Asia 0,0098007 0,0731101 0,1341 0,89339
Média var. dependente 5,518942 D.P. var. dependente 0,707537
Soma resíd. quadrados 125,4828 E.P. da regressão 0,353705
R-quadrado 0,752312 R-quadrado ajustado 0,750089
F(9, 1003) 303,7067 P-valor(F) 3,1e-279
Log da verossimilhança −379,5579 Critério de Akaike 779,1158
Critério de Schwarz 828,3225 Critério Hannan-Quinn 797,8060
Petroleiros: 1020 navios Variável dependente: lnP País\Região base: Japan
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 1,87858 0,475519 3,9506 0,00008 ***
lnDWT −0,40852 0,0131438 -31,0808 <0,00001 ***
lnAge −0,530695 0,0177169 -29,9541 <0,00001 ***
lnEarnings 0,111915 0,0277825 4,0282 0,00006 ***
lnNB 1,12337 0,072847 15,4209 <0,00001 ***
lnLIBOR 0,143016 0,0199783 7,1585 <0,00001 ***
America 0,192866 0,128174 1,5047 0,13271
China 0,025949 0,0498093 0,5210 0,60250
Europe −0,0400695 0,0400157 -1,0013 0,31690
S. Korea 0,0353292 0,024714 1,4295 0,15316
Asia 0,0109848 0,0731007 0,1503 0,88058
Média var. dependente 5,519552 D.P. var. dependente 0,706261
Soma resíd. quadrados 126,2763 E.P. da regressão 0,353765
R-quadrado 0,751562 R-quadrado ajustado 0,749100
F(10, 1009) 274,3681 P-valor(F) 1,3e-279
Log da verossimilhança −381,8837 Critério de Akaike 785,7674
Critério de Schwarz 839,9705 Critério Hannan-Quinn 806,3486
95
Petroleiros: 1020 navios Variável dependente: lnP País\Região base: China
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 1,90453 0,481253 3,9574 0,00008 ***
lnDWT −0,40852 0,0131438 -31,0808 <0,00001 ***
lnAge −0,530695 0,0177169 -29,9541 <0,00001 ***
lnEarnings 0,111915 0,0277825 4,0282 0,00006 ***
lnNB 1,12337 0,072847 15,4209 <0,00001 ***
lnLIBOR 0,143016 0,0199783 7,1585 <0,00001 ***
America 0,166917 0,1363 1,2246 0,22100
Europe −0,0660184 0,0605245 -1,0908 0,27563
Korea 0,00938021 0,0502494 0,1867 0,85195
Asia −0,0149641 0,0860453 -0,1739 0,86197
Japan −0,025949 0,0498093 -0,5210 0,60250
Média var. dependente 5,519552 D.P. var. dependente 0,706261
Soma resíd. quadrados 126,2763 E.P. da regressão 0,353765
R-quadrado 0,751562 R-quadrado ajustado 0,749100
F(10, 1009) 274,3681 P-valor(F) 1,3e-279
Log da verossimilhança −381,8837 Critério de Akaike 785,7674
Critério de Schwarz 839,9705 Critério Hannan-Quinn 806,3486
Petroleiros: 1020 navios Variável dependente: lnP País\Região base: Europe
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 1,83851 0,480198 3,8286 0,00014 ***
lnDWT −0,40852 0,0131438 -31,0808 <0,00001 ***
lnAge −0,530695 0,0177169 -29,9541 <0,00001 ***
lnEarnings 0,111915 0,0277825 4,0282 0,00006 ***
lnNB 1,12337 0,072847 15,4209 <0,00001 ***
lnLIBOR 0,143016 0,0199783 7,1585 <0,00001 ***
America 0,232935 0,132226 1,7616 0,07843 *
China 0,0660184 0,0605245 1,0908 0,27563
S. Korea 0,0753987 0,0414815 1,8176 0,06941 *
Asia 0,0510543 0,0795057 0,6421 0,52092
Japan 0,0400695 0,0400157 1,0013 0,31690
Média var. dependente 5,519552 D.P. var. dependente 0,706261
Soma resíd. quadrados 126,2763 E.P. da regressão 0,353765
R-quadrado 0,751562 R-quadrado ajustado 0,749100
F(10, 1009) 274,3681 P-valor(F) 1,3e-279
Log da verossimilhança −381,8837 Critério de Akaike 785,7674
Critério de Schwarz 839,9705 Critério Hannan-Quinn 806,3486
96
Petroleiros: 1020 navios Variável dependente: lnP
País\Região base: South Korea Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 1,91391 0,478367 4,0009 0,00007 ***
lnDWT −0,40852 0,0131438 -31,0808 <0,00001 ***
lnAge −0,530695 0,0177169 -29,9541 <0,00001 ***
lnEarnings 0,111915 0,0277825 4,0282 0,00006 ***
lnNB 1,12337 0,072847 15,4209 <0,00001 ***
lnLIBOR 0,143016 0,0199783 7,1585 <0,00001 ***
America 0,157536 0,128266 1,2282 0,21966
China −0,00938021 0,0502494 -0,1867 0,85195
Europe −0,0753987 0,0414815 -1,8176 0,06941 *
Asia −0,0243444 0,0753729 -0,3230 0,74677
Japan −0,0353292 0,024714 -1,4295 0,15316
Média var. dependente 5,519552 D.P. var. dependente 0,706261
Soma resíd. quadrados 126,2763 E.P. da regressão 0,353765
R-quadrado 0,751562 R-quadrado ajustado 0,749100
F(10, 1009) 274,3681 P-valor(F) 1,3e-279
Log da verossimilhança −381,8837 Critério de Akaike 785,7674
Critério de Schwarz 839,9705 Critério Hannan-Quinn 806,3486
Petroleiros: 1020 navios Variável dependente: lnP País\Região base: Asia
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const 1,88956 0,461478 4,0946 0,00005 ***
lnDWT −0,40852 0,0131438 -31,0808 <0,00001 ***
lnAge −0,530695 0,0177169 -29,9541 <0,00001 ***
lnEarnings 0,111915 0,0277825 4,0282 0,00006 ***
lnNB 1,12337 0,072847 15,4209 <0,00001 ***
lnLIBOR 0,143016 0,0199783 7,1585 <0,00001 ***
America 0,181881 0,14815 1,2277 0,21985
China 0,0149641 0,0860453 0,1739 0,86197
Europe −0,0510543 0,0795057 -0,6421 0,52092
S. Korea 0,0243444 0,0753729 0,3230 0,74677
Japan −0,0109848 0,0731007 -0,1503 0,88058
Média var. dependente 5,519552 D.P. var. dependente 0,706261
Soma resíd. quadrados 126,2763 E.P. da regressão 0,353765
R-quadrado 0,751562 R-quadrado ajustado 0,749100
F(10, 1009) 274,3681 P-valor(F) 1,3e-279
Log da verossimilhança −381,8837 Critério de Akaike 785,7674
Critério de Schwarz 839,9705 Critério Hannan-Quinn 806,3486
97
11.4.3. Porta-Contentores
Porta-Contentores: 877 navios Variável dependente: lnP País\Região base: Japan
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const −1,39468 0,514357 -2,7115 0,00683 ***
lnDWT −0,184654 0,0221158 -8,3494 <0,00001 ***
lnAge −0,457338 0,0237594 -19,2487 <0,00001 ***
lnEarnings 0,569318 0,0341168 16,6873 <0,00001 ***
lnNB 0,560537 0,0623418 8,9913 <0,00001 ***
lnLIBOR 0,149054 0,0222278 6,7058 <0,00001 ***
China 0,105302 0,0521019 2,0211 0,04358 **
Europe −0,0538488 0,0318794 -1,6891 0,09155 *
Asia −0,0112139 0,0592532 -0,1893 0,84994
S. Korea 0,139291 0,0409176 3,4042 0,00069 ***
Média var. dependente 6,338250 D.P. var. dependente 0,758186
Soma resíd. quadrados 121,1742 E.P. da regressão 0,373848
R-quadrado 0,759367 R-quadrado ajustado 0,756870
F(9, 867) 304,2590 P-valor(F) 2,8e-261
Log da verossimilhança −376,4957 Critério de Akaike 772,9915
Critério de Schwarz 820,7566 Critério Hannan-Quinn 791,2607
Porta-Contentores: 877 navios
Variável dependente: lnP País\Região base: China
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const −1,28938 0,511899 -2,5188 0,01195 **
lnDWT −0,184654 0,0221158 -8,3494 <0,00001 ***
lnAge −0,457338 0,0237594 -19,2487 <0,00001 ***
lnEarnings 0,569318 0,0341168 16,6873 <0,00001 ***
lnNB 0,560537 0,0623418 8,9913 <0,00001 ***
lnLIBOR 0,149054 0,0222278 6,7058 <0,00001 ***
Europe −0,159151 0,0478222 -3,3280 0,00091 ***
Asia −0,116516 0,0619008 -1,8823 0,06013 *
S. Korea 0,033989 0,0562885 0,6038 0,54611
Japan −0,105302 0,0521019 -2,0211 0,04358 **
Média var. dependente 6,338250 D.P. var. dependente 0,758186
Soma resíd. quadrados 121,1742 E.P. da regressão 0,373848
R-quadrado 0,759367 R-quadrado ajustado 0,756870
F(9, 867) 304,2590 P-valor(F) 2,8e-261
Log da verossimilhança −376,4957 Critério de Akaike 772,9915
Critério de Schwarz 820,7566 Critério Hannan-Quinn 791,2607
98
Porta-Contentores: 877 navios Variável dependente: lnP País\Região base: Europe
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const −1,44853 0,515948 -2,8075 0,00510 ***
lnDWT −0,184654 0,0221158 -8,3494 <0,00001 ***
lnAge −0,457338 0,0237594 -19,2487 <0,00001 ***
lnEarnings 0,569318 0,0341168 16,6873 <0,00001 ***
lnNB 0,560537 0,0623418 8,9913 <0,00001 ***
lnLIBOR 0,149054 0,0222278 6,7058 <0,00001 ***
China 0,159151 0,0478222 3,3280 0,00091 ***
Asia 0,0426349 0,0559301 0,7623 0,44610
S. Korea 0,19314 0,0387387 4,9857 <0,00001 ***
Japan 0,0538488 0,0318794 1,6891 0,09155 *
Média var. dependente 6,338250 D.P. var. dependente 0,758186
Soma resíd. quadrados 121,1742 E.P. da regressão 0,373848
R-quadrado 0,759367 R-quadrado ajustado 0,756870
F(9, 867) 304,2590 P-valor(F) 2,8e-261
Log da verossimilhança −376,4957 Critério de Akaike 772,9915
Critério de Schwarz 820,7566 Critério Hannan-Quinn 791,2607
Porta-Contentores: 877 navios
Variável dependente: lnP País\Região base: South Korea
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const −1,25539 0,516533 -2,4304 0,01528 **
lnDWT −0,184654 0,0221158 -8,3494 <0,00001 ***
lnAge −0,457338 0,0237594 -19,2487 <0,00001 ***
lnEarnings 0,569318 0,0341168 16,6873 <0,00001 ***
lnNB 0,560537 0,0623418 8,9913 <0,00001 ***
lnLIBOR 0,149054 0,0222278 6,7058 <0,00001 ***
China −0,033989 0,0562885 -0,6038 0,54611
Europe −0,19314 0,0387387 -4,9857 <0,00001 ***
Asia −0,150505 0,0603995 -2,4918 0,01289 **
Japan −0,139291 0,0409176 -3,4042 0,00069 ***
Média var. dependente
6,338250 D.P. var. dependente 0,758186
Soma resíd. quadrados 121,1742 E.P. da regressão 0,373848
R-quadrado 0,759367 R-quadrado ajustado 0,756870
F(9, 867) 304,2590 P-valor(F) 2,8e-261
Log da verossimilhança −376,4957 Critério de Akaike 772,9915
Critério de Schwarz 820,7566 Critério Hannan-Quinn 791,2607
99
Porta-Contentores: 599 feeder & small feeder Variável dependente: lnP País\Região base: China
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const −1,66686 0,661754 -2,5189 0,01204 **
lnDWT −0,252283 0,0354861 -7,1093 <0,00001 ***
lnAge −0,518695 0,0287087 -18,0675 <0,00001 ***
lnEarnings 0,501527 0,0398406 12,5883 <0,00001 ***
lnNB 0,754699 0,073372 10,2859 <0,00001 ***
lnLIBOR 0,193002 0,0277952 6,9437 <0,00001 ***
Europe −0,114819 0,0505902 -2,2696 0,02359 **
Asia −0,0956294 0,0670302 -1,4267 0,15421
South Korea −0,0278095 0,0639649 -0,4348 0,66389
Japan −0,0252757 0,0534183 -0,4732 0,63627
Média var. dependente 6,396991 D.P. var. dependente 0,794115
Soma resíd. quadrados 76,23393 E.P. da regressão 0,359763
R-quadrado 0,797847 R-quadrado ajustado 0,794758
F(9, 589) 297,6252 P-valor(F) 1,4e-212
Log da verossimilhança −232,5384 Critério de Akaike 485,0768
Critério de Schwarz 529,0294 Critério Hannan-Quinn 502,1880
Porta-Contentores: 599 feeder & small feeder
Variável dependente: lnP País\Região base: South Korea
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const −1,69467 0,657506 -2,5774 0,01020 **
lnDWT −0,252283 0,0354861 -7,1093 <0,00001 ***
lnAge −0,518695 0,0287087 -18,0675 <0,00001 ***
lnEarnings 0,501527 0,0398406 12,5883 <0,00001 ***
lnNB 0,754699 0,073372 10,2859 <0,00001 ***
lnLIBOR 0,193002 0,0277952 6,9437 <0,00001 ***
China 0,0278095 0,0639649 0,4348 0,66389
Europe −0,0870095 0,0521628 -1,6680 0,09584 *
Asia −0,0678199 0,0728083 -0,9315 0,35198
Japan 0,00253385 0,0537443 0,0471 0,96241
Média var. dependente 6,396991 D.P. var. dependente 0,794115
Soma resíd. quadrados 76,23393 E.P. da regressão 0,359763
R-quadrado 0,797847 R-quadrado ajustado 0,794758
F(9, 589) 297,6252 P-valor(F) 1,4e-212
Log da verossimilhança −232,5384 Critério de Akaike 485,0768
Critério de Schwarz 529,0294 Critério Hannan-Quinn 502,1880
100
Porta-Contentores: 877 navios Variável dependente: lnP
País\Região base: Japan (Turquia em “Europe”) Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const −1,42974 0,517595 -2,7623 0,00586 ***
lnDWT −0,185748 0,0220713 -8,4158 <0,00001 ***
lnAge −0,454335 0,0231569 -19,6198 <0,00001 ***
lnEarnings 0,573143 0,0347458 16,4953 <0,00001 ***
lnNB 0,563947 0,0626633 8,9996 <0,00001 ***
lnLIBOR 0,146831 0,0226362 6,4866 <0,00001 ***
China 0,106963 0,0516727 2,0700 0,03875 **
Europe −0,0559011 0,0318896 -1,7530 0,07996 *
Asia 0,0472533 0,065008 0,7269 0,46749
S. Korea 0,14118 0,0410822 3,4365 0,00062 ***
Média var. dependente 6,338250 D.P. var. dependente 0,758186
Soma resíd. quadrados 120,9572 E.P. da regressão 0,373514
R-quadrado 0,759798 R-quadrado ajustado 0,757305
F(9, 867) 301,0017 P-valor(F) 9,6e-260
Log da verossimilhança −375,7099 Critério de Akaike 771,4198
Critério de Schwarz 819,1848 Critério Hannan-Quinn 789,6890
Porta-Contentores: 877 navios
Variável dependente: lnP País\Região base: China (Turquia em “Europe”)
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const −1,32278 0,515491 -2,5661 0,01045 **
lnDWT −0,185748 0,0220713 -8,4158 <0,00001 ***
lnAge −0,454335 0,0231569 -19,6198 <0,00001 ***
lnEarnings 0,573143 0,0347458 16,4953 <0,00001 ***
lnNB 0,563947 0,0626633 8,9996 <0,00001 ***
lnLIBOR 0,146831 0,0226362 6,4866 <0,00001 ***
Europe −0,162864 0,0468182 -3,4786 0,00053 ***
Asia −0,0597096 0,0695141 -0,8590 0,39060
S. Korea 0,0342169 0,0560141 0,6109 0,54145
Japan −0,106963 0,0516727 -2,0700 0,03875 **
Média var. dependente 6,338250 D.P. var. dependente 0,758186
Soma resíd. quadrados 120,9572 E.P. da regressão 0,373514
R-quadrado 0,759798 R-quadrado ajustado 0,757305
F(9, 867) 301,0017 P-valor(F) 9,6e-260
Log da verossimilhança −375,7099 Critério de Akaike 771,4198
Critério de Schwarz 819,1848 Critério Hannan-Quinn 789,6890
101
Porta-Contentores: 877 navios Variável dependente: lnP
País\Região base: Europe (Turquia em “Europe”) Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const −1,48565 0,519399 -2,8603 0,00433 ***
lnDWT −0,185748 0,0220713 -8,4158 <0,00001 ***
lnAge −0,454335 0,0231569 -19,6198 <0,00001 ***
lnEarnings 0,573143 0,0347458 16,4953 <0,00001 ***
lnNB 0,563947 0,0626633 8,9996 <0,00001 ***
lnLIBOR 0,146831 0,0226362 6,4866 <0,00001 ***
China 0,162864 0,0468182 3,4786 0,00053 ***
Asia 0,103154 0,0628773 1,6406 0,10125
S. Korea 0,197081 0,0389484 5,0601 <0,00001 ***
Japan 0,0559011 0,0318896 1,7530 0,07996 *
Média var. dependente 6,338250 D.P. var. dependente 0,758186
Soma resíd. quadrados 120,9572 E.P. da regressão 0,373514
R-quadrado 0,759798 R-quadrado ajustado 0,757305
F(9, 867) 301,0017 P-valor(F) 9,6e-260
Log da verossimilhança −375,7099 Critério de Akaike 771,4198
Critério de Schwarz 819,1848 Critério Hannan-Quinn 789,6890
Porta-Contentores: 877 navios
Variável dependente: lnP País\Região base: South Korea (Turquia em “Europe”)
Erros padrão robustos à heteroscedasticidade, variante HC0
Coeficiente Erro Padrão razão-t p-valor
const −1,28856 0,519615 -2,4798 0,01333 **
lnDWT −0,185748 0,0220713 -8,4158 <0,00001 ***
lnAge −0,454335 0,0231569 -19,6198 <0,00001 ***
lnEarnings 0,573143 0,0347458 16,4953 <0,00001 ***
lnNB 0,563947 0,0626633 8,9996 <0,00001 ***
lnLIBOR 0,146831 0,0226362 6,4866 <0,00001 ***
China −0,0342169 0,0560141 -0,6109 0,54145
Europe −0,197081 0,0389484 -5,0601 <0,00001 ***
Asia −0,0939265 0,0644427 -1,4575 0,14534
Japan −0,14118 0,0410822 -3,4365 0,00062 ***
Média var. dependente 6,338250 D.P. var. dependente 0,758186
Soma resíd. quadrados 120,9572 E.P. da regressão 0,373514
R-quadrado 0,759798 R-quadrado ajustado 0,757305
F(9, 867) 301,0017 P-valor(F) 9,6e-260
Log da verossimilhança −375,7099 Critério de Akaike 771,4198
Critério de Schwarz 819,1848 Critério Hannan-Quinn 789,6890