Opinião e Análise

Joisa Dutra

No dia 15 de outubro a diretoria da <a href="https://www.jota.info/tudo-sobre/aneel">Aneel</a> aprovou <a href="https://www.gov.br/aneel/pt-br/assuntos/noticias/2024/aprovada-consulta-publica-que-discutira-a-renovacao-das-concessoes-de-distribuicao">Consulta Pública</a> para discutir minuta de termo aditivo ao Contrato de Concessão para as <a href="https://www.jota.info/tudo-sobre/distribuidoras-de-energia">distribuidoras</a> que desejarem aderir à prorrogação. A Agência assim dá seguimento ao disposto no Decreto 12.068, de 2024. De positivo, aparecem os primeiros sinais de adaptação nos contratos para incluir explicitamente temas como justiça e resiliência, imperativos em tempos de <a href="https://www.jota.info/tudo-sobre/transicao-energetica">transição energética</a>. Inspirado por artigo recente de Battle e coautores, essa coluna discute como aperfeiçoar programas sociais de combate à pobreza energética usando dados e ferramentas de Machine Learning. Essa é uma das prioridades na regulação dos anos por vir, como atesta a agenda do <a href="https://www.jota.info/tudo-sobre/g20">G20</a> para energia no ano da presidência do Brasil. 
No Brasil, a política de proteção social em energia tem na Tarifa Social de Energia Elétrica (TSEE) seu principal instrumento. Em um universo de pouco mais de 90 milhões de usuários, cerca de 17milhões recebem o benefício. Mas a política não atinge todos que deveriam: de acordo com dados da Aneel (fevereiro de 2024) cerca de <a href="https://agenciabrasil.ebc.com.br/geral/noticia/2024-03/quase-8-milhoes-deixam-de-usar-direito-desconto-na-energia-eletrica">oito milhões</a> de famílias que deveriam acessar o benefício, não o fazem. 
<h3><a href="https://conteudo.jota.info/marketing-lp-conversao-jota-pro-energia">Conheça o monitoramento nos Três Poderes sobre os principais assuntos do setor de energia feito pela solução corporativa do JOTA PRO Energia </a></h3>
Sob a ótica de desenho, a TSEE concede descontos decrescentes – 65% para até 30kWh mês e decrescendo até limite de 220 kWh/mês. Se por um lado o desconto decrescente desincentiva consumo ineficiente, pode não ser o instrumento mais adequado para combater pobreza energética. Famílias mais numerosas acabam sendo penalizadas pelo maior consumo na residência, o que pode comprometer consumo básico e conforto térmico. Para além do gap entre quem se beneficia e quem deveria ser beneficiado, a política não reconhece as diferenças na qualidade colocada à disposição dos usuários. Regiões mais afluentes tem metas mais rigorosas de interrupções comparativamente a áreas mais vulneráveis; porém, a tarifa não reconhece essa heterogeneidade, cobrando mesmo valor unitário de ambas. 
Falhas de programas de proteção a usuários e combate à pobreza energética não são exclusividade do Brasil. Em <a href="https://www.science.org/doi/epdf/10.1126/sciadv.adp8183">artigo</a> recente, Battle e coautores fazem uso de métodos de Machine Learning para avaliar como o principal instrumento existente nos Estados Unidos consegue atingir famílias em situação de pobreza energética. O programa de assistência a usuários residenciais de energia de baixa renda (LIHEAP, da sigla em inglês) atua em âmbito federal para ajudar a enfrentar a pobreza energética naquele país. Através dele, recursos federais são repassados aos estados para que estes transfiram recursos a famílias ou utilities, auxiliando a compensar as faturas muito elevadas. 
A análise constrói um benchmark com resolução de nível de setor censitário. Os resultados são de que os fundos alocados aos estados se concentram mais no norte, apesar de a pobreza energética ser maior e crescer mais no sul do país. 
Os autores estimam que eliminar pobreza energética exigiria aumentar a alocação de recursos sob o LIHEAP de US$ 4.7 bilhões em 2020 para US$ 17.9 bilhões. Esse é o valor que seria requerido para que nenhuma família alocasse mais de 6% da sua renda a despesas com serviços de energia - incluindo eletricidade, gás natural, GLP, e outros combustíveis exclusive para transporte. 
Voltando ao caso do Brasil, nosso quadro é mais desafiador. A TSEE é financiada pelos demais usuários, na modalidade de subsídio cruzado. Trata-se de uma das componentes da Conta de Desenvolvimento Energético (CDE), instrumento que arrecada recursos para financiar programas sociais e distributivos em energia. Esses subsídios têm aumentado consideravelmente no modelo instituído em 2004, como atestam os dados do portal <a href="https://portalrelatorios.aneel.gov.br/luznatarifa/subsidiometro">Subsidiômetro</a> (ANEEL). O lado perverso é que como tudo acaba na fatura dos usuários, o resultado é mais pobreza e incentivo à arbitragem regulatória, caso da adesão à geração distribuída que em geral beneficia quem tem maior poder aquisitivo.  
<h3><a href="https://www.whatsapp.com/channel/0029VaDKpye0LKZ7DgvIBP1z">Inscreva-se no canal de notícias tributárias do JOTA no WhatsApp e fique por dentro das principais discussões tributárias!</a></h3>
Comparando os dois mecanismos, enquanto o LIHEAP tenta repassar valores com foco em mitigar o impacto sobre a renda, a TSEE reduz preços transferindo entre os usuários. Neste caso, como o desconto incide sobre um valor de tarifa que muda para cada concessionária de distribuição, não raro os valores são maiores para regiões com menor IDH, violando o preceito de justiça. 
Reverter esse quadro de subsídios cruzados em elevação é tarefa quase inviável do ponto de vista de economia política. Os mercados já antecipam a deterioração das finanças públicas, o que afeta humor e variáveis macroeconômicas. Nesse cenário, difícil imaginar que o contribuinte possa ajudar a patrocinar programas sociais. 
Ainda assim, fica a dica. Machine Learning e microdados são ferramentas a disposição da regulação para compreender gaps e oportunidades para melhorar a performance de políticas de combate à pobreza energética em tempos de justiça na transição energética.

justiça transicao energetica

https://images.jota.info/wp-content/uploads/2021/09/copy-of-jota-logo-high-cmyk.jpeg

JOTA

Machine Learning e microdados são ferramentas disponíveis para identificar oportunidades de melhorar políticas públicas

Como financiar o combate à pobreza energética

Machine Learning e microdados são ferramentas disponíveis para identificar oportunidades de melhorar políticas de combate à pobreza energética