ANÁLISE DE PREÇOS DE NAVIOS DE SEGUNDA MÃO ATRAVÉS DE...

111
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

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

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

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

mero

de N

avio

s

352

445

127

64

257

Petroleiros

South KoreaJapanEuropeChinaAsia

400

300

200

100

0

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

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

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

mero

de N

avio

sEurope

TaiwanSingaporeMalaysia

16

14

12

10

8

6

4

2

0

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

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

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

73

Tabela 26: Dados sem navios com mais de 20 anos de idade

74

Tabela 27: Teste com variáveis dependente e explicativas divididas por ln(age)

75

11.1.2. Navios Tanque

Tabela 28: Primeiro teste de heteroscedasticidade

76

Tabela 29: Dados sem navios com mais de 20 anos de idade

77

Tabela 30: Teste com variáveis dependente e explicativas dividas por ln(age)

78

11.1.3. Porta-Contentores

Tabela 31: Primeiro teste de heteroscedasticidade

79

Tabela 32: Dados sem navios com mais de 20 anos de idade

80

Tabela 33: Teste com variáveis dependente e explicativas divididas por ln(age)

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