UNIVERSIDADE FEDERAL DA BAHIA FACULDADE DE ECONOMIA
CURSO DE GRADUAÇÃO EM CIÊNCIAS ECONÔMICAS
JOÃO FELIPE MOURA MONTEIRO
O Impacto da Incerteza sobre a Política Macroeconômica no
Desempenho Econômico: Evidência para as Unidades Federativas
Brasileiras no período entre 2004 e 2015
SALVADOR 2019
O Impacto da Incerteza sobre a Política Macroeconômica no
Desempenho Econômico: Evidência para as Unidades Federativas
Brasileiras no período entre 2004 e 2015
Trabalho de conclusão de curso apresentado no curso de Ciências Econômicas da Faculdade de Economia da Universidade Federal da Bahia como requisito parcial à obtenção do grau de Bacharel em Ciências Econômicas.
Área de Concentração: Macroeconomia Orientador: Gisele Ferreira Tiryaki
SALVADOR 2019
econômicos, impactando de maneira significativa no desempenho agregado de uma economia. As decisões de consumo e, em particular, as decisões de investimento são fundamentalmente afetadas pela percepção dos agentes econômicos de sua renda futura e de rentabilidade esperada. Essas variáveis, por sua vez, são influenciadas pelas decisões de política monetária, via seus vários canais de transmissão, e de política fiscal por parte do governo. Portanto, incerteza na condução das políticas macroeconômicas dificulta o planejamento das firmas e das famílias e contribui para o fraco desempenho da economia. O presente trabalho buscou compreender como a incerteza sobre a adoção de política monetária e fiscal afeta a atividade econômica no Brasil, levando em consideração a heterogeneidade dos estados brasileiros. Para isso, utilizou como proxy para incerteza a variável criada por Ferreira et al (2017), composta por três medidas de incerteza: IIE-Br Mídia, IIE-Br Expectativa, e IIE-Br Mercado. Com base em dados em painel dos estados federativos entre 2004 e 2015, a análise econométrica envolveu a estimação de modelos estáticos e dinâmicos de uma função de produção. Independente da metodologia econométrica adotada, os resultados indicam que a incerteza desestimula a atividade econômica.
decisions and, particularly, the investment decisions are fundamentally affected by the perception of economic agents of their future income and expected return. These variables, in their turn, are influenced by decisions of monetary policy, through your many transmission channels, and by fiscal policy on the part of government. Therefore, uncertainty in the conduct of macroeconomic policy makes it difficult the planning of firms and families and contributes to the weak performance of economy. The present work sought to understand how uncertainty about the adoption of monetary and fiscal policies affect the economic activity in Brazil, taking into account the heterogeneity of Brazilian states. Hence, utilized as a proxy for uncertainty a variable created by Ferreira et al. (2017), composed of three measures of uncertainty: IIE-Br Media, IIE-Br Expectations, IIE-Br Market. Based on panel data of federal states between 2004 and 2015, the econometric analysis involved the estimation of static and dynamic models of a production function. Whatever econometric methodology adopted, the results indicate that uncertainty discourages economic activity.
1 INTRODUÇÃO 08 2 INCERTEZA E DESEMPENHO DA ECONOMIA BRASILEIRA 11
3 REFERENCIAL TEÓRICO 17
3.1 INCERTEZAS SOBRE A POLÍTICA MACROECONÔMICA 17
3.2. CANAIS DE TRANSMISSÃO DE JUROS 23
3.3 POLÍTICA MONETÁRIA E HETEROGENEIDADE REGIONAL 27
4 METODOLOGIA 32 4.1 DADOS 32 4.2 MODELOS ECONOMÉTRICOS 34 5 RESULTADOS 38 6 CONSIDERAÇÕES FINAIS 44 REFERÊNCIAS 46
Figura 2 – Tabela 2: Economic Policy Uncertainty (EPU) e Componentes Cíclicos
PIB ... 12
Figura 3 - Figura 3: Índice de Incerteza Empresarial e Índice de Atividade Econômica (IBC-BR) ... 13
Figura 4 - Figura 4: Capital fixo – componentes cíclicos - Brasil e IIE-Br. ... 14
Figura 5: Componentes Cíclicos Consumo e IIE-Br. ... 15
Figuras 6 – Componentes cíclicos emprego e IIE-BR. ... 15
Tabela 1 – Modelos de painéis estáticos - IIEBR. ... 38
Tabela 2 – Testes para escolha de modelo estático mais apropriado ... 39
Tabela 3 – Testes de heterocedasticidade, autocorrelação e dependência em cross section ... 40
Tabela 4 – Painel estático (EF) com controle para heterocedasticidade e dependência em cross-section ... 41
1 INTRODUÇÃO
O debate sobre os impactos da incerteza econômica sobre o desempenho de uma economia ganhou bastante relevância após muitos economistas apontarem a incerteza como uma das razões para a dificuldade que a economia dos Estados Unidos enfrentou para superar a crise de 2008. Já no Brasil, o tema ganhou relevância por conta do fraco desempenho econômico apresentado pelo país a partir de 2014, apontado por muitos como fruto da incerteza política e econômica que vem crescendo no país desde então, chegando ao seu ápice nos anos de 2015 e 2016. (BAKER; BLOOM; DAVIS, 2016)
Há um consenso na teoria econômica de que a incerteza tem efeitos negativos sobre o desempenho econômico. No entanto, a impossibilidade de mensurá-la estatisticamente e o estudo dos diversos canais pelos quais elevações na incerteza afetam as variáveis econômicas mantêm o debate em aberto. Em geral, o investimento é apontado como a variável que mais sofre com os efeitos negativos de um cenário de incerteza política e econômica.
Os três principais canais estudados pela literatura são: (i) real options effects; (ii) risk
premium effects; e (iii) precautionary savings effect (FERREIRA et al. 2017; BLOOM,
2014). No primeiro, as empresas assumem uma postura de wait-and-see diante de um cenário de incerteza, adiando suas decisões de investimento e contratação, até o momento em que disponham de mais informação. No segundo, há uma queda dos preços dos ativos por conta de um aumento no prêmio de risco das firmas no mercado financeiro, e uma consequente diminuição do investimento. [ver GILCHRIST; SIMS; ZAKRAJSEK, 2014]. O último canal indica um aumento da poupança das famílias em detrimento do consumo, principalmente de bens duráveis, mais sensíveis à confiança das famílias. (HADDOW et al., 2013)
Diante da impossibilidade da mensuração estatística da incerteza, a literatura recorre ao uso de variáveis que servem como aproximação do nível de incerteza. Tradicionalmente, a volatilidade do mercado de ações é a proxy mais utilizada pelos teóricos da área e, mais recentemente, indicadores baseados em notícias jornais ganharam espaço na literatura.
Bloom (2009) analisou que a incerteza se eleva consideravelmente após grandes choques políticos e econômicos, afetando variáveis reais como produção e emprego. Baker, Bloom, e Davis (2016) construíram um índice de incerteza baseado na frequência em que palavras-chave relacionadas a incerteza política e monetária são mencionadas nos principais jornais americanos e, baseado nesse trabalho, Ferreira et al. (2017) criaram um índice semelhante para o caso do Brasil, o IIE-Br (Índice de Incerteza Econômica – Brasil).
A reação heterogênea das Unidades Federativas brasileira diante um choque de política monetária é motivo de um debate amplo e, apesar de existirem muitos trabalhos sobre o tema, não existem resultados concretos em relação aos motivos que levam a essas reações heterogêneas e quais são os canais pelos quais choques na política monetária afetam a economia dos estados. (ARAÚJO, 2004; ROCHA; SILVA; GOMES, 2011; SERRANO; NAKANE, 2014)
Os efeitos de choques de política monetária sobre uma economia é um tema de grande relevância no estudo da ciência econômica. Beraja et al. (2017) e Carlino e DeFina (1999) estudam casos de reações heterogêneas regionais e estaduais, respectivamente, nos Estados Unidos diante choques de política monetária. Rocha et al. (2011) Serrano e Nakane (2015) estudam esses efeitos para o caso dos estados brasileiros, buscando entender as determinantes da heterogeneidade nas reações estaduais e analisando através de quais canais elas podem ser explicadas.
São muitos os canais de transmissão de política monetária, no entanto alguns deles são mais enfatizados pela literatura, como por exemplo, os canais de juros, crédito, demográfico e socioeconômico. Os diferentes níveis de desenvolvimento financeiro dos estados também ajudam a entender a heterogeneidade das suas reações frente choques de política monetária, mas a falta de conclusões encontrada na literatura deixa em aberto uma análise de quais fatores, em conjunto com o nível de desenvolvimento financeiro, podem explicar essas reações.
Este trabalho tem por objetivo verificar se a incerteza sobre a conduta de política econômica prejudica o desempenho econômico, levando em consideração a heterogeneidade de reação dos estados brasileiros. Para isso, será utilizada como proxy de incerteza o índice IIE-Br criado por Ferreira (2017) e serão estimados os seus efeitos sobre o PIB e investimento estadual. As estimações serão feitas através de
modelos com dados de painel, com o objetivo de capturar a heterogeneidade dos estados brasileiros.
Além desse capítulo introdutório, o trabalho é composto de quatro capítulos de desenvolvimento e uma conclusão. No capítulo 2 são apresentados dados que contextualizam a discussão dos efeitos da incerteza econômica no desempenho de uma economia no cenário brasileiro. No capítulo 3, é apresentado o referencial teórico, que analisa os impactos da incerteza macroeconômica sobre o desempenho econômico, quais são os canais de transmissão da incerteza mais abordados pela literatura e quais são os índices de mensuração da incerteza macroeconômica, tradicionalmente utilizados pela literatura. O capítulo 4 apresenta a metodologia, os dados que foram utilizados nos modelos econométricos e algumas estatísticas descritivas em relação a esses dados. O capítulo 5 apresenta os resultados das estimações. O trabalho é concluído no capítulo 6.
2 INCERTEZA E DESEMPENHO DA ECONOMIA BRASILEIRA
A incerteza é um componente fundamental quando se estuda a teoria econômica, afinal ela esteve sempre presente na história da nossa civilização, apesar das oscilações para baixo ou para cima, ela nunca deixa de estar presente. No caso do Brasil, não é diferente. A nossa história recente é repleta de acontecimentos que resultaram em períodos de grande incerteza econômica, típico de países em desenvolvimento e com instituições políticas e econômicas mais fracas.
Indicador de Incerteza da Economia – Brasil é composto por três medidas de incerteza: IIE-Br Mídia; IIE-Br Expectativa e IIE-Br Mercado. A primeira medida leva em consideração a frequência que palavras-chave relacionadas a incerteza econômica são mencionadas em seis jornais brasileiros de grande circulação; a segunda reflete as informações das séries de expectativa de mercado gerados pelo Banco Central do Brasil e a terceira se baseia na volatilidade do IBOVESPA. Na figura
1 podemos observar o desempenho do IIE-Br e os componentes cíclicos do PIB brasileiro no período do primeiro trimestre de 2001 e quarto trimestre de 2017.
Figura 1– Indicador de Incerteza da Economia – Brasil (IIE-Br) e Componentes Cíclicos PIB
Fonte: Elaboração Própria, com dados das Contas Trimestrais - IBGE e IBRE - FGV 2019.
É evidente a grande volatilidade do IIE-BR, principalmente a partir de meados de 2008. Destaque para a quebra do Lehman Brothers em 2008 e o rebaixamento de crédito do Brasil em 2015. Esses dois acontecimentos marcaram os maiores picos do índice, com a diferença que após o primeiro pico na crise de 2008, ainda é possível observar
0.04 0.03 0.02 0.01 2000 T1 2000 T4 2001 T3 2002 T2 2003 T1 2003 T4 2004 T3 2005 T2 2006 T1 2006 T4 200 7 T3 2008 T2 2009 T1 2009 T4 2010 T3 2011 T2 2012 T1 2012 T4 2013 T3 2014 T2 2015 T1 2015 T4 2016 T3 2017 T2
menores níveis de incerteza até o novo pico de 2015. A partir deste último momento, os níveis de incerteza se mantêm muito altos.
Os componentes cíclicos do PIB se mostraram ainda mais voláteis que o indicador de incerteza, com destaque para meados de 2008, quando os níveis de incerteza subiram rapidamente, devido aos impactos da crise imobiliária americana e o ano de 2015, resultado do rebaixamento de crédito brasileiro. Esses dois movimentos deixam claro a relação inversa que esta variável tem com o índice de incerteza econômica
O indicador Economic Policy Uncertainty (EPU) é o indicador de certeza mais consolidado na literatura internacional e foi construído por Baker, Bloom e Davis (2016). Inicialmente, foi construído para medir a incerteza econômica nos Estados Unidos, baseando-se na frequência com que palavras-chave apareciam em artigos de dez importantes jornais americanos. Em um segundo período, a metodologia foi replicada para outros países, a exemplo do Brasil. É nele que se baseia o elemento Mídia do IIE-Br. Na tabela 2, podemos ver o comportamento do EPU e os componentes cíclicos do PIB brasileiro no período do primeiro trimestre de 2000 até o último trimestre de 2017.
Tabela 2: Economic Policy Uncertainty (EPU) e Componentes Cíclicos PIB
Fonte: Elaboração própria com dados de EPU e das Contas Trimestrais – IBGE, 2019
O comportamento do indicador EPU é muito semelhante ao indicador IIE-Br e, portanto, a relação entre o EPU e CYCPIB é basicamente a mesma que o IIE-Br e o CYC-PIB. Opta-se pela utilização do IIE-Br no restante do artigo, pelo fato de ser um indicador que foi construído especificamente para a realidade brasileira e conter, além
0.04 0.03 0.02 0.01 2000 T1 2000 T4 2001 T3 2002 T2 2003 T1 2003 T4 2004 T3 2005 T2 2006 T1 2006 T4 2007 T3 2008 T2 2009 T1 2009 T4 2010 T3 2011 T2 2012 T1 2012 T4 2013 T3 2014 T2 2015 T1 2015 T4 2016 T3 2017 T2
de uma medida de incerteza baseada na mídia, duas outras medidas de incerteza, de expectativas e de mercado.
Bezerra (2016) construiu o Índice de Incerteza Empresarial (IIE), o qual tem o mesmo objetivo do IIE-Br de mensuração da incerteza econômica, mas diferencia-se deste último ao utilizar dados de sondagens empresariais produzidos pelo Instituto Brasileiro de Economia, da Fundação Getúlio Vargas (FGV/IBRE). Segundo a autora, a escolha da utilização de dados de sondagens é a rapidez com que esses dados são produzidos, permitindo que se tenha acesso a informações sobre o desempenho setorial e sinalizações de tendências de curto prazo ainda no próprio mês de referência. Na figura 3, estão representados graficamente dados do Índice de Incerteza Empresarial e do Índice de Atividade Econômica (IBC-BR), no período de janeiro de 2005 a janeiro de 2015.
Figura 3: Índice de Incerteza Empresarial e Índice de Atividade Econômica (IBC-BR)
Fonte: Adaptado de Bezerra (2016)
A relação inversa entre esses índices é bem explícita. Movimentos de alta da incerteza econômica são acompanhados por movimentos de queda na atividade econômica e vice-versa. Além disso, é interessante observar que este índice faz movimentos muito semelhantes ao índice IIE-Br, tendo ambos como momentos de pico a crise de 2008 e o rebaixamento de crédito do Brasil em 2015.
O investimento é mais uma variável afetada de forma negativa em períodos de incerteza econômica. Como já citado anteriormente, segundo a literatura, os
empresários tendem a adiar suas decisões de investimentos em ambientes de alta incerteza. Neste capítulo, o investimento é mensurado através dos componentes cíclicos da formação bruta de capital fixo do Brasil e a figura 4 traz estes dados com periodicidade trimestral entre o primeiro trimestre de 2000 e o quarto trimestre de 2017, conjuntamente ao o índice de incerteza IIE-Br para o mesmo período.
Figura 4: Capital fixo – componentes cíclicos - Brasil e IIE-Br
Fonte: Elaboração própria, com dados das Contas Trimestrais - IBGE e IBRE - FGV 2019.
O comportamento de CYCINV se parece muito com o comportamento dos componentes cíclicos do PIB mostrado na figura 1. Os anos de 2008 e 2015 foram os anos nos quais o investimento sofreu as suas maiores quedas e, durante praticamente todo o período, o investimento se mostrou negativamente relacionado com o índice de incerteza.
Assim como o investimento, o consumo é afetado de forma negativa por ambientes de alta incerteza. Segundo o canal de transmissão de incerteza precautionary saving
effects, as famílias tendem a diminuir o consumo, principalmente de bens duráveis,
quando expostas a níveis elevados de incerteza econômica. Na figura 5, estão os componentes cíclicos dos dados de consumo retirados das contas nacionais trimestrais do IBGE, mais uma vez, junto com os dados do IIE-Br no período do primeiro trimestre de 2000 até o último trimestre de 2017.
-0.2 0.1 0.05 -0.1 2000 T1 2000 T4 2001 T3 2002 T2 2003 T1 2003 T4 2004 T3 2005 T2 2006 T1 2006 T4 2007 T3 2008 T2 2009 T1 2009 T4 2010 T3 2011 T2 2012 T1 2012 T4 2013 T3 2014 T2 2015 T1 2015 T4 2016 T3 2017 T2
Figura 5: Componentes Cíclicos Consumo e IIE-Br
Fonte: Elaboração própria com dados das Contas Nacionais Trimestrais – IBGE e IBRE-FGV, 2019
É possível observar de forma bem clara a relação inversa entre consumo e incerteza econômica. A variável CYCCONS apresentou quedas nos anos de 2002 e 2008, períodos de incerteza, mas é a queda a partir de 2015 que se mostra mais acentuada. Apesar dos indicadores de investimento e PIB também apresentarem forte queda a partir de 2015, nenhum deles apresentou uma queda tão significativa, mostrando a alta sensibilidade que o consumo das famílias tem em relação a incerteza.
O impacto negativo da incerteza econômica sobre o emprego pode ser observado analisando os dados de quantidade de empregados registrados do Ministério do Trabalho. Os componentes cíclicos destes dados dessazonalizados estão representados, juntos aos dados do IIE-Br, na figura 6 para o período de janeiro de 2000 e dezembro de 2017.
Figuras 6 – Componentes cíclicos emprego e IIE-BR 140 130 120 110 100 90 80 70 60 0.02 0.01 0 -0.01 -0.02 -0.03 IIEBR CYCEMP
Fonte: Elaboração própria, com dados do Ministério do Trabalho e IBRE- FGV, 2019
0.05 0.04 0.03 0.02 0.01 Ja n/ 00 De c/ 00 No v/ 01 Oc t/0 2 Se p/ 03 A ug/ 04 Ju l/ 05 Jun /06 Ma y/ 07 Ap r/0 8 Ma r/0 9 Fe b/ 10 Ja n/ 11 De c/ 11 No v/ 12 Oc t/1 3 Se p/ 14 Au g/ 15 Ju l/ 16 Jun /17 2000 T1 2000 T4 2001 T3 2002 T2 2003 T1 2003 T4 2004 T3 2005 T2 2006 T1 2006 T4 2007 T3 2008 T2 2009 T1 2009 T4 2010 T3 2011 T2 2012 T1 2012 T4 2013 T3 2014 T2 2015 T1 2015 T4 2016 T3 2017 T2
A variável CYCEMP se mostrou bastante volátil e parece responder rapidamente a variações nos níveis de incerteza. Além da forte queda nos anos 2008 e 2015, também observadas nos dados de PIB e investimento, o emprego teve uma queda significativa no final de 2002 e início de 2003, períodos também de um ambiente de incerteza, devido às eleições presidenciais.
A semelhança de comportamento entre os níveis de investimento com os níveis de emprego é muito interessante, pois reforça a existência do canal “wait and see” no Brasil. Ambas as variáveis apresentaram um declínio acentuado como resultado da crise de 2008, com um período de recuperação a partir de 2009sentando até mesmo forte recuperação. A estabilidade do emprego, segundo os dados do BCB, se dá até o final de 2012, quando começa um movimento de queda mais suave em relação a 2008, que vai se acentuando até o final do período analisado.
3 REFERENCIAL TEÓRICO
Neste capítulo, são apresentados trabalhos que embasam a discussão dos efeitos da incerteza econômica no desempenho de uma economia, tanto abordagens mais teóricas e abstratas, quanto abordagens mais empíricas. Os primeiros artigos apresentados estão dentro de um contexto internacional, enquanto que os últimos três estudos são feitos no cenário Brasil.
3.1 INCERTEZAS SOBRE A POLÍTICA MACROECONÔMICA
Mumtaz, Plassmann e Theophilopoulou (2016) analisam os impactos de choques de incerteza sobre o crescimento do PIB real dos estados americanos. Para estimar esses impactos, eles utilizam um modelo factor augmented VAR extendido (FAVAR) com volatilidade estocástica, utilizando como proxies de incerteza macroeconômica a volatilidade dos setores reais e financeiros da economia. Segundo os autores, esse tipo de modelo permite esse tipo de incerteza afetar o PIB real dos estados, enquanto leva em consideração o possível impacto de choques de incerteza idiossincráticos. Além disso, eles analisam quais são os fatores que determinam as diferentes magnitudes dos impactos causados pela incerteza nos estados, sendo eles: (i) fricções financeiras; (ii) composição industrial; (iii) indicadores fiscais a nível estadual e (iv) rigidez do mercado de trabalho.
Como proxy para capturar a intensidade das fricções financeiras, os autores utilizam a quantidade de empréstimos feita por bancos de pequeno porte. Em relação a composição industrial, os autores supõem que choques de incerteza afetam a taxa de juros – através da função de reação do Sistema de Reserva Federal – e, portanto, regiões onde indústrias manufatureiras são predominantes, podem ser mais sensíveis a esses choques. A diferença entre as capacidades fiscais a nível estadual pode contribuir para entender a heterogeneidade das respostas diante choques de incerteza. Por exemplo, estados com maior capacidade de dar suporte aos agentes econômicos que se depararem com quedas na renda ou desemprego, serão menos afetados por choques de incerteza. Ademais, políticas fiscais podem influenciar o nível com que fricções no crédito a nível estadual afetam o impacto da incerteza. Finalmente, mercados de trabalho muito rígidos podem ampliar os efeitos de um
declínio da demanda agregada seguido de um choque de incerteza, caso atrasos em contratações e demissões diminuam a taxa de emprego.
Os resultados encontrados nesse artigo mostram que os estados que tiveram os seus PIB reais mais reduzidos diante choques de incerteza foram aqueles com maior presença de indústrias manufatureiras, agrícolas e de construção, alta razão entre déficit fiscal e despesa, e alta taxa de residências desocupadas. Por outro lado, estados com uma grande parcela de indústrias de mineração e maior número de transferências inter-governamentais foram menos afetados pela incerteza.
Hartman (1972) estuda os efeitos da incerteza sobre a inflação e chega à conclusão que essa incerteza, na verdade, aumentaria o nível de investimento, variável chave para o crescimento econômico, já que ela aumentaria o retorno esperado de uma unidade a mais de capital. Seus resultados foram criticados por Pindyck (1982), afirmando que esses dependiam da suposição de que as empresas possuem custos de ajustamento convexos.
Por trás desses resultados de que a incerteza deveria aumentar o nível de investimento estão supostos muito frágeis, como o de mercados perfeitamente competitivos e o de que as empresas enfrentam apenas riscos idiossincráticos, ignorando completamente o risco em nível de indústria e em nível da economia como um todo. Por conta disso, essa literatura é alvo de muitas críticas por parte dos economistas que acreditam que, relaxando essas suposições, os efeitos da incerteza deixariam de ser positivos. (SILVA FILHO, 2007)
O artigo de Bernanke (1983) traz o conceito de real option effects. Assumindo que os custos em projetos de investimento são irreversíveis e que novas informações sobre os retornos de investimento chegam com o passar do tempo, ele chega a conclusão de que a incerteza aumenta o valor de esperar por mais informação, o que, como consequência, diminui o nível de investimento presente. Bloom (2000) mostra que, apesar de os efeitos real option, de fato, serem relevantes no curto prazo, reduzindo os níveis de investimento e contratação das firmas, eles não podem determinar o nível de investimento em longo prazo.
Ampliando o conceito de options, Abel et al. (1996) introduziram um modelo no qual existem dois tipos de options, o tradicional call option e o put option. O call option
representa a possibilidade de expandir o estoque de capital no futuro, que teria o efeito de adiar o investimento. Por outro lado, o efeito put option, que representa a possibilidade de contrair o estoque de capital futuro, teria o efeito justamente contrário. Abel et al. (1996) afirmam que tanto uma expansão como uma redução do investimento são custosos: no primeiro caso, a empresa enfrenta o risco de estar diante de preços de capital maiores, enquanto que no segundo caso, os preços da revenda podem ser menores do que os preços da compra. O resultado do modelo não é, portanto, conclusivo.
Muitos economistas acreditam que a incerteza tem papel importante nas explicações para as dificuldades que os países enfrentam de se recuperar em períodos de crise. Por isso, a Grande Recessão iniciada em 2007 estimulou novamente o debate sobre os efeitos da incerteza entre os economistas. O artigo de Bloom (2009) foi o marco dessa literatura mais recente.
Bloom (2009) constrói, pela primeira vez, um modelo VAR para estimar os impactos dos choques de segundo momento (incerteza). Apesar de grandes impactos macroeconômicos possuírem primeiro e segundo momentos, apenas os impactos do
primeiro momento haviam sido estudados pela literatura.1
O resultado desse modelo é que, ao contrário do típico choque persistente de primeiro momento, o choque de incerteza é temporário, produzindo uma rápida queda e recuperação no nível de produção, investimento e crescimento de produtividade. Portanto, é fundamental que os responsáveis políticos saibam distinguir os choques de primeiro e segundo momento, ao decidir a conduta da política monetária.
Um canal alternativo pelo qual a incerteza afeta a economia é introduzido por Gilchrist, Sims e Zakrajsek (2014). Este artigo procura investigar a relação entre investimento e incerteza em um contexto de mercados financeiros imperfeitos. Um aumento no risco dos ativos da empresa beneficia os possuidores de capital próprio à custa dos acionistas, sendo necessário um aumento do default-risk premium para compensar os acionistas por um nível maior de incerteza. Um aumento da incerteza aumentará o
1 Choques de primeiro momento representam choques nas médias, enquanto que choques de segundo momento
custo de capital e, consequentemente, diminuirá o nível de investimento, já que default é dispendioso e fundos externos requerem um prêmio.
Já Bloom (2014) procura responder quatro perguntas em relação a incerteza: (i) quais são os fatos estilizados sobre a incerteza ao longo do tempo? (ii) por que a incerteza varia? (iii) flutuações na incerteza são relevantes? (iv) altos níveis de incerteza contribuíram com a Grande Recessão e dificultaram a sua recuperação?
Bloom (2014) afirma que tanto variáveis macroeconômicas, como microeconômicas parecem variar bastante ao longo do tempo, aumentando em períodos de recessões e diminuindo em períodos de crescimento. Além disso, o nível de incerteza varia entre os países, com países em desenvolvimento apresentando níveis de incerteza por volta de um terço maiores do que os países desenvolvidos.
O referido autor afirma que existem variáveis exógenas e endógenas que afetam o nível de incerteza. Variáveis exógenas, como guerras, crises financeiras e choques no preço do petróleo, parecem aumentar o nível de incerteza. Por outro lado, a incerteza parece crescer endogenamente durante recessões, visto que durante quedas de desempenho econômico, variáveis microeconômicas e macroeconômicas tendem a ser mais voláteis.
Para Bloom (2014), as evidências sugerem que a incerteza afeta o crescimento no curto prazo, fazendo com que as empresas adiem investimento e contratações, além de diminuir o nível de consumo das famílias. O consumo de bens duráveis é mais sensível à confiança das famílias e é, particularmente, mais afetado (HADDOW et al., 2013). Além disso, existem alguns estudos que afirmam que empresas tendem a inovar mais em períodos de grande incerteza. Por fim, a incerteza parece explicar pelo menos um terço da queda do PIB dos Estados Unidos durante a Grande Recessão. Portanto, seus impactos foram claramente significantes.
Uma grande dificuldade encontrada pela literatura sempre foi a questão da mensuração da incerteza. Ao contrário do risco que pode ser mensurado se utilizando a probabilidade, a incerteza não é assim facilmente mensurada e, por isso, a literatura utiliza diversas proxies para encontrar uma medida aproximada de incerteza.
Tradicionalmente, a volatilidade do mercado de ações é a proxy mais utilizada pelos teóricos da área e, mais recentemente, indicadores baseados em notícias jornais
ganharam espaço, com destaque para o indicador de Baker, Bloom e Davis (2016). Esses autores construíram um indicador baseado na frequência com que as seguintes palavras-chave aparecem em artigos de dez importantes jornais americanos:
“economic”ou“economy”;“uncertain” ou“uncertainty”;eumaoumaisdas“congress”,
“deficit”, “Federal Reserve”, “legislation”, “regulation” or “White House”. Esse mesmo método foi utlizado para onze outros países.
É feita uma comparação entre este último índice e o índice VIX, que mede a volatilidade do mercado de ações e se baseia no movimento do S&P500. Os índices apresentam uma correlação de 0,58. No entanto, o EPU reage mais a efeitos de ordem política, enquanto o VIX tem maior conexão com eventos de natureza financeira.
Outro artigo que utiliza um índice baseado em artigos de jornais é o de Alexopoulos e Cohen (2009). Dessa vez, o índice é baseado apenas em artigos do New York Times sobre incerteza e atividade econômica. O artigo procura responder se choques de incerteza são uma importante fonte de flutuações cíclicas nos Estados Unidos no período de 1962-2008 e os seus resultados indicam que choques de incerteza explicam, de fato, tais flutuações cíclicas, especialmente quando sentidas tanto pela população em geral (famílias), quanto pela Wall Street (agentes financeiros).
Para o Brasil, Costa Filho (2013) analisou os impactos da incerteza sobre a atividade econômica, utilizando como proxies para a incerteza um índice construído com base na frequência da palavra “incerteza” nas seções de economia de alguns jornais brasileiros; a variabilidade das expectativas de crescimento econômico e a variabilidade do mercado acionário brasileiro.
Como indicadores de atividade econômica foram utilizadas as seguintes variáveis: IBC-Br (Índice de Atividade Econômica do Banco Central); confiança do consumidor; taxa de desemprego; produção industrial; vendas a varejo; CAGED (cadastro geral de empregados e desempregados). O autor estimou diversos modelos VARs com as medidas de incerteza e os indicadores de atividade econômica com dados trimestrais, sendo os períodos das séries e estimações de janeiro de 2003 a dezembro de 2013. Os resultados utilizando as diferentes proxies são semelhantes, mostrando que, assim como nos outros países, a incerteza é maior em períodos de fraco desempenho econômico. As variáveis econômicas mais afetadas foram a produção industrial, IBC- BR e confiança do consumidor.
(Índice de Incerteza da Economia – Brasil) é composto por três medidas de incerteza: IIE-Br Mídia; IIE-Br Expectativa e IIE-Br Mercado. O primeiro, baseado em Baker, Bloom e Davis (2016) e Alexopoulos e Cohen (2009), leva em consideração a frequência com que certas palavras-chave relacionadas ao tema de incerteza são mencionadas em seis jornais de grande circulação no Brasil. O segundo reflete nas informações das séries de expectativa de mercado geradas pelo Banco Central e, por fim, o IIE-Br Mercado é baseado na volatilidade do IBOVESPA.
Os autores estimam, então, um modelo VAR para ilustrar os efeitos da incerteza na economia. O período de coleta de dados foi de dezembro de 2003 a outubro de 2015. Como medida de atividade econômica foram utilizados o IBC-Br e a Produção Industrial Mensal de Produção Física (PIM-PF). Ambas as variáveis foram afetadas negativamente em meses após o choque de incerteza.
Barboza e Zilberman (2017) analisaram os impactos das incertezas doméstica e externa no desempenho econômico do brasil. Foi estimado um modelo SVAR com dados que vão desde março de 2002 a fevereiro de 2016, utilizando seis proxies de incerteza doméstica, sendo eles: média entre o percentual de páginas nos jornais O Globo e Folha tratando do tema incerteza econômica; volatilidade implícita dos contratos de opção de câmbio; desvio-padrão dos retornos diários do Ibovespa; desvio padrão das expectativas de inflação Focus 12 meses à frente; o primeiro componente principal extraído das quatro medidas anteriores e o Índice de Incerteza Econômica (IEE-Br). Para medir a incerteza externa, o autor utilizou o índice de incerteza de Baker, Bloom e Davis (2016). Para a atividade econômica utilizou-se: (i) a produção da indústria geral, (PIM-PF/IBGE); (ii) o índice de atividade econômica do BCB (IBC- Br); (iii) a formação bruta de capital fixo mensal. Os resultados mostram que a incerteza tem um impacto negativo sobre o desempenho da economia, especialmente sobre o investimento (formação bruta de capital fixo). Os impactos da incerteza doméstica foram de maior proporção em relação aos impactos da incerteza externa.
Esse trabalho utiliza o índice construído por Ferreira et al. (2017) para fazer um estudo dos efeitos da incerteza econômica no desempenho econômica dos estados
brasileiros, contribuindo, desta forma, com a literatura do tema, tendo em vista que os três trabalhos que utilizam o Brasil como referência de estudo apresentados neste capítulo analisam o país a nível agregado.
3.2 CANAIS DE TRANSMISSÃO DE JUROS
A teoria econômica separa os mecanismos de transmissão de política monetária em três grandes áreas. A primeira grande área é composta pelo tradicional canal de juros da teoria Keynesiana, no qual uma política monetária expansionista leva a uma queda da taxa de juros real, que leva a uma queda do custo de capital, aumentando o nível de investimento e, consequentemente, a produção. É importante salientar que apesar de Keynes (1936) considerar que esse canal opera apenas através de decisões das firmas, na literatura atual, decisões dos consumidores sobre habitações e consumo de bens duráveis também são consideradas como investimento.
Deve-se notar que esse canal utiliza a taxa de juros real e não a nominal. Apesar de o Banco Central ter controle apenas sobre a taxa nominal de juros de curto prazo, o fato de os preços serem rígidos (se ajustarem lentamente ao longo do tempo), fazem com que uma queda da taxa de juros nominal de curto prazo, tenha como consequência, uma queda da taxa de juros real a curto prazo. De acordo com a Teoria das Expectativas, a taxa de juros real de longo prazo é uma média das expectativas sobre as taxas de juros real de curto prazo futuras, logo, a queda da taxa de juros real a curto prazo causada por uma política monetária expansionista, leva a uma queda da taxa de juros real de longo prazo. Isso é fundamental, pois é esta última taxa que tem maior impacto nas decisões de investimento das empresas e famílias. (MISHKIN; APOSTOLOS, 2011)
A segunda grande área engloba os canais de transmissão de outros dois ativos: taxa de câmbio e preço das ações. O primeiro deles trata-se dos efeitos de flutuações na taxa de câmbio sobre o nível de exportações líquidas e, consequentemente, sobre o nível de produção. Uma queda na taxa de juros real fazem com que depósitos em moeda local se tornem menos atrativos do que depósitos em moedas estrangeiras, o que desvaloriza a moeda local. Essa desvalorização da moeda local causa um aumento no nível de exportações liquidas, visto que os bens domésticos se tornam mais baratos que os bens estrangeiros, e, finalmente, um aumento na produção agregada. (MISHKIN; APOSTOLOS, 2011)
O preço das ações afeta o nível de produção através de dois canais. O primeiro deles é explicado por Tobin (1969) e sua teoria conhecida como a Teoria do “q” de Tobin, que define “q” como o valor de mercado da firma dividido pelo custo de reposição do capital. Um “q” alto significa que o preço de mercado das firmas está alto em relação ao custo de reposição do seu capital e novas fábricas e equipamento estão baratas em relação ao valor de mercado das firmas. Logo, as firmas emitem ações e conseguem um preço alto em relação aos custos dos novos equipamentos e o nível investimento aumenta.
A ligação entre a Teoria do “q” de Tobin e a política monetária é simples. Uma expansão monetária faz com que as famílias acreditem que possuem mais dinheiro do que o necessário e gastem esse dinheiro “extra”. Uma parte desse gasto será no mercado de ações, aumentando a demanda das ações e, consequentemente, os seus preços. O aumento do preço das ações aumenta o preço de mercado das firmas, aumentando o “q”, o que, como já dito anteriormente, aumenta os gastos em investimento e o nível de produção.
O segundo canal de transmissão pelo qual o preço das ações afeta a produção, é o canal da riqueza. Esse canal explica como o patrimônio dos consumidores afeta suas decisões de investimento e é fundamentado na teoria do clico da vida de Modigliani e Brumberg (1954). Segundo essa teoria, as pessoas poupam nas fases iniciais da vida para suavizar o consumo ao longo do ciclo de vida e ter dinheiro para manter o padrão de vida na aposentadoria, logo o que determina o nível de consumo de uma pessoa não é apenas sua renda atual, mas sua renda da vida inteira. Um importante componente da renda ao longo da vida de uma pessoa é sua riqueza financeira e, as ações são um grande componente da riqueza financeira. Portanto, um aumento no preço das ações, aumentará a riqueza financeira dos indivíduos, o que aumentará os seus níveis de consumo e, por fim, a produção agregada.
A última grande área de canais transmissão de política monetária é o canal do crédito. Essa área pode ser dívida entre canais que operam através de efeitos nos empréstimos bancários e aqueles que operam através de efeitos no balanço das empresas e famílias. (MISHKIN; APOSTOLOS, 2011; BERNANKE; GERTLER; GHILCHRIST,1999; BERNANKE; GERTLER, 1995)
O primeiro canal é o canal de empréstimo bancário, que se baseia na teoria de que os bancos são fundamentais para resolver problemas de assimetria de informação no mercado de crédito. Por conta desse papel crucial dos bancos, muitos agentes não terão acesso ao mercado de crédito, a não ser através dos empréstimos bancários. O canal funciona da seguinte forma: uma política monetária expansionista faz com que as reservas e depósitos bancários aumentem e, consequentemente, a quantidade de empréstimos bancários disponíveis. Esse último aumento, fará com que o nível dos gastos em investimento também aumente, junto com o nível de produção.
O segundo canal, o canal de balanço patrimonial, também aparece por conta do problema de informações assimétricas no mercado de crédito. No entanto, esse canal é baseado na ideia de que empresas com menores patrimônios líquidos enfrentam maiores problemas de risco moral e seleção adversa e, por isso, possuem maior dificuldade em conseguir empréstimos bancários. Uma política monetária expansionista, como já foi visto anteriormente, aumenta o preço das ações, o que aumenta o patrimônio líquido das empresas. Esse aumento do patrimônio líquido diminui os problemas de risco moral e seleção adversa e facilita a obtenção de crédito por parte das empresas, aumentando o nível de investimento e produção agregada. Outro meio pelo qual o canal de balanço patrimonial funciona é através do fluxo de caixa (diferença entre receitas e gastos de caixa). Uma política monetária que diminua a taxa de juros nominal aumenta o fluxo de caixa das empresas, diminuindo o problema de risco moral e seleção adversa, o que aumenta a quantidade de empréstimos bancários e, consequentemente, os gastos de investimento e o nível de produção. Um terceiro canal de balanço opera através dos efeitos da política monetária sobre o nível de preços geral. Como os contratos de empréstimo são geralmente firmados em termos nominais, um aumento inesperado do nível de preços, diminuirá o tamanho dos passivos reais das empresas, o que aumentará os seus patrimônios líquidos. Assim como no primeiro canal de balanço, esse aumento levará a uma queda dos problemas de risco moral e seleção adversa, aumentando o investimento e a produção. (MISHKIN, 2011)
O canal de crédito opera também através dos gastos dos consumidores, mais especificamente em habitação e bens de consumos duráveis. Uma política monetária
expansionista sobre esses gastos dos consumidores, seja através do aumento da facilidade da obtenção de crédito ou através da queda da taxa de juros, e o consequente aumento do fluxo de caixa dos consumidores, aumentará o gasto das famílias em habitação e bens de consumos duráveis.
Outra forma do canal de balanço funcionar através dos consumidores é levando em conta os efeitos da liquidez nos gastos das famílias em habitação e bens de consumos duráveis. Ao contrário dos outros, esse canal se baseia no desejo dos consumidores em obter empréstimo, não no desejo dos bancos em emprestar. Um indivíduo que possui grande quantidade de ativos financeiros (ativos com alto nível de liquidez) sente-se mais seguro em comprar ativos menos líquidos como bens de consumos duráveis e imóveis, pois sabe que caso ocorra um choque negativo na sua renda, poderá facilmente vender os seus ativos financeiros pelos seus respectivos preços de mercado, o que significa dizer, que o risco desse indivíduo se encontrar em uma situação de dificuldade financeira é menor do que aquele de um indivíduo com pequena quantidade de ativos financeiros. Logo, uma política monetária expansionista, que aumente o preço das ações e, consequentemente, a quantidade de ativos financeiros adquiridos pelos consumidores, diminuirá o risco de que as famílias se encontrem dificuldade financeira e aumente o seu gasto em bens de consumo duráveis e imóveis, aumentando o nível de produção da economia. (MISHKIN, 2011)
Por fim, é importante discutir o canal de tomada de risco, que ganhou grande atenção principalmente após a crise do subprime americana. Ele diz respeito a como as mudanças na taxa de juros de política monetária afetam tanto a percepção de risco como também a tolerância ao risco dos agentes. Esse canal pode funcionar de duas formas. Por um lado, baixos retornos em investimentos risk free (títulos do governo, por exemplo), podem levar os bancos a se exporem a maiores riscos em busca de maiores taxas de rentabilidade. Por outro, baixas taxas de juros afetam a renda, fluxo de caixa e avaliações dos bancos, o que pode afetar a forma como mensuram risco. (GAMBACORTA, 2009)
3.3 POLÍTICA MONETÁRIA E HETEROGENEIDADE REGIONAL
Nesta seção, são apresentados estudos que discutem a reação do desempenho econômico das regiões a choques de política monetária, levando em consideração a
heterogeneidade. Apresentam-se estudos que tratam da realidade americana, assim como artigos que discutem a realidade brasileira.
Carlino e DeFina (1999) analisam como os estados federados nos Estados Unidos reagem a choques de política monetária, análise que, até então, não havia sido feita. Eles concluem que a magnitude da resposta de longo prazo dos estados a choques de política monetária está positivamente relacionada com a presença de manufaturas, evidenciando a presença do canal de juros na política monetária. Por outro lado, uma maior quantidade de pequenos bancos diminui a sensitividade dos estados a choques na política monetária.
Os resultados apontam que o estado mais afetado, Michigan, apresenta uma resposta 2,73% maior do que o estado menos afetado, Oklahoma, diante um aumento de 1% da taxa de juros do Fed. Além disso, o artigo evidencia que a intensidade da resposta dos estados diante um choque de política monetária está positivamente relacionada com suas respectivas participações em manufaturas, o que revela a presença de um canal de juros para a política monetária. Não foram encontradas evidências de um canal de crédito.
Beraja et al. (2017) indicam que a distribuição de home equity variável no tempo nos Estados Unidos afeta os efeitos agregados da política monetária através da sua influência no refinanciamento de hipoteca. Eles trazem o conceito de canal de refinanciamento da política monetária: visto que cortes na taxa de juros estimulam refinanciamento de hipoteca e extração de home equity para financiar consumo corrente, empréstimos garantidos no mercado imobiliário têm importante papel no mecanismo de transmissão da política monetária.
A distribuição regional de home equity varia substancialmente entre as diferentes recessões e é fundamental ao determinar se os estímulos monetários irão se direcionar às regiões que realmente o necessitam. No caso dos Estados Unidos, os estímulos monetários que deveriam escoar para as regiões mais afetadas pela Grande Recessão acabaram estimulando a atividade de refinanciamento e extração de home equity nas regiões em que os donos de imóveis possuíam mais equity, mesmas regiões que possuíam menor nível de desemprego, fazendo com que a política monetária não atingisse os objetivos esperados.
No Brasil, existe uma vasta literatura que procura não só estimar a resposta das Unidades Federativas e regiões brasileiras a um choque de política monetária, mas também, compreender os determinantes de tal heterogeneidade.
Aráujo (2004) procura identificar o padrão de respostas das regiões Sul e Nordeste a um choque de política monetária. Para isso, ele utiliza o índice de produção industrial de ambas as regiões e também dos estados do Rio Grande do Sul, Santa Catarina, Paraná, Ceará, Bahia e Pernambuco e os integra num modelo empírico de identificação de choques de Política Monetária. Esse modelo (VAR Irrestrito) é composto de uma medida de atividade econômica nacional (o índice de produção industrial a nível nacional), um índice de preços (o IPCA ou IGP-M), a taxa de juros de curto prazo (taxa Selic-Over) e um agregado monetário (M1). Os dados são mensais e cobrem o período de setembro de 1994 a junho de 2002. Os resultados obtidos por Aráujo (2004) mostram reações bastante assimétricas, com a região Sul reagindo de maneira mais intensa e atingindo seu nível máximo de reação mais tarde do que a região Nordeste. No âmbito estadual, os estados Sul também mostraram reações mais fortes a um choque de política monetária. No entanto, Bahia e Pernambuco também tiveram reações bem fortes. Esse resultado nos mostra que estados com uma estrutura econômica voltada para setores intensos em bens de capital são mais vulneráveis aos choques políticos monetários.
Rocha, Silva e Gomes (2011) fazem a mesma análise de Araújo (2004), mas agora para as Unidades Federativas Brasileiras. Os autores ainda vão além, e procuram entender quais são as determinantes que provocam essa heterogeneidade entre os estados. Eles estimam um modelo Vetorial Auto-Regressivo Estrutural (SVAR), os dados são mensais e cobrem o período de janeiro de 1995 a novembro de 2010 para todos os estados. Como indicadores do nível de atividade econômica agregada e estadual foram utilizados, respectivamente, o índice de produção industrial para o Brasil e o índice de produção dos estados, ambos fornecidos pela PIM-PF (Pesquisa Industrial Mensal – Produção Física. O IPCA representa a taxa de inflação, enquanto que a taxa de juros Selic-Over é utilizada como instrumento de política monetária. Segundo os autores, existem dois principais canais de transmissão de política monetária: o canal de juros e o canal de crédito.
O primeiro pode ser explicado a partir da relação negativa entre taxa de juros e nível de investimento de uma economia, portanto, regiões que possuem uma economia mais dependente de setores nos quais a taxa de juros representa uma regra importante na determinação do preço final dos produtos e dos custos de produção podem sofrer um maior impacto diante choques monetários. Segundo os autores, esse canal sugere, que a composição industrial das regiões pode explicar, pelo menos em parte, as assimetrias das respostas dos produtos estaduais a política monetária. Já para o segundo, características do mercado financeiro regional também podem explicar porque algumas economias reagem mais ou menos intensamente a choques monetários.
Tanto o canal de crédito como o de juros, parece ter relevância para explicar a heterogeneidade das reações estaduais e além deles, aparece também, o canal sócio demográfico. O primeiro canal é amparado pelo fato de estados com maior volume de depósitos bancários se mostrarem mais sensíveis a choques de política monetária. Estados com uma maior indústria extrativista e maior relação com o exterior são menos afetados por choques contracionistas, evidenciado a presença do canal de juros. Os resultados não apresentam um padrão que permita uma comparação entre as grandes regiões como foi realizado por Aráujo (2004). Isso pode indicar que semelhanças em relação a matriz industrial e, por exemplo, nível desenvolvimento financeiro, são mais relevantes para explicar reações homogêneas à política monetária do que simplesmente a localização geográfica dos estados.
Outro trabalho com a mesma proposta é o de Serrano e Nakane (2015). Eles estimam um modelo VAR estrutural Bayesiano, utilizando como proxy para a atividade estadual os dados de saldo de novos empregos criados (CAGED) e para o nível de atividade agregado, a série de produção industrial da Pesquisa Industrial Mensal do IBGE (PIM- PF). Todos os dados são mensais e vão desde janeiro de 1996 a junho de 2013. A inflação foi mensurada pelo Índice Geral de Preços - Disponibilidade Interna (IGPDI), enquanto que, a taxa de juros Selic (acumulada no mês e anualizada) foi utilizada como instrumento de política monetária. Por fim, a série de meios de pagamento (M1)
- média nos dias úteis do mês (deflacionada para o nível de preços de janeiro de 1996) foi utilizada para caracterizar o mercado monetário. Eles seguem a estratégia proposta por Carlino e DeFina (1999): estimar as respostas regionais ao choque monetário através de um modelo VAR estrutural e, então, estimar os resultados obtidos contra
variáveis proxy para os canais de transmissão. Utilizam também métodos Bayesianos para superar algumas dificuldades presentes em modelos VAR, são elas: a questão da dimensionalidade presente nos modelos VAR e a falta de um procedimento formal para a escolha das covariadas incluídas no segundo estágio do estudo.
Os resultados apontam para uma maior sensibilidade das regiões Sul e Sudeste aos choques de política monetária, com destaque para São Paulo, Rio Grande do Sul Paraná, Santa Catarina e Ceará, único estado fora das regiões Sul e Sudeste dentre os cincos estados mais sensíveis a choques monetários. Dentre os dez estados menos sensíveis, apenas o Distrito Federal não pertence às regiões Norte e Nordeste. Completando a lista temos Alagoas, Acre, Roraima, Maranhão, Rio Grande do Norte, Tocantins, Amapá, Pará, Bahia, Paraíba e Rondônia, em ordem decrescente de sensibilidade.
O canal de juros aparece como o de maior relevância para se explicar as reações heterogêneas das Unidades Federativas a um choque de política monetária, por outro lado, não foram encontradas evidências da existência do canal de crédito. Estados com uma maior presença de indústrias de transformação e penetração bancária apresentaram reações mais homogêneas.
A heterogeneidade regional é tema central neste trabalho e, portanto, as discussões levantadas pelos trabalhos apresentados neste capítulo são fundamentais para o embasamento teórico do presente estudo. As diferentes características dos estados brasileiros são consideradas na estimação do modelo econométrico que será apresentado mais a frente.
4 METODOLOGIA
Neste capítulo, são apresentadas as variáveis e a metodologia utilizada para a construção do modelo econométrico que tem como objetivo analisar o impacto da incerteza sobre a conduta da política de política econômica para o desempenho econômico, levando em consideração a heterogeneidade de reação dos estados brasileiros.
Para cada estado, os anos foram divididos em quatro blocos (2004-2006; 2007-2009; 2010-2012; 2013-2015) e utilizou-se a mediana das variáveis para cada bloco. Esse método foi utilizado por conta da baixa variância das variáveis escolhidas de um ano para o outro. A divisão em blocos aumenta a variância entre os períodos.
Todos os dados foram retirados de bancos de dados do IBGE, Banco Central do Brasil, Instituto Brasileiro de Economia da Fundação Getúlio Vargas (FGV- IBRE), Instituto de Pesquisa Econômica Aplicada (IPEA), Agência Nacional de Petróleo (ANP) e Google Trends.
Nos modelos de painéis estáticos, a variável de incerteza macroeconômica utilizada será o IIE-Br, que será a mesma para todos os estados, mas varia temporalmente. Considera-se que este indicador é uma medida de incerteza econômica agregada, ou seja, choques na volatilidade idiossincrática comuns a todos os estados. Essa interpretação vai de acordo com aquela adotada por Gilchrist, Sims e Zakrajsek (2014). Para os modelos de painéis dinâmicos, a variável de incerteza macroeconômica utilizada será a variável INC. Esta variável foi elaborada através do resultado de dados do Google Trends e permitiu que fosse encontrado um índice de incerteza para cada estado brasileiro, diferentemente do IIE-Br, que é um índice a nível nacional.
Após essa breve apresentação, são expostos as equações e os dados utilizados, suas fontes e a justificativa para elas haverem sido selecionadas. Finalmente, discute-se a metodologia dos modelos econométricos utilizados.
4.1 DADOS
Tomando como referência uma função de produção, a seguinte equação foi utilizada para os modelos de painéis estáticos:
PIB = β0 + β1IIEBR + β2CRED + β3FBCF + β4EMP + β5PETRO + β6LRH + β7GOV+ µi
+ ѵit
onde, µ representa o efeito individual não observável e não se modifica ao longo do
tempo e ѵ a parte do termo de erro que é independente.
Já em relação aos modelos de painéis dinâmicos, a equação foi construída da seguinte forma:
ΔLPIB = ΔLPIB (-1) + β2ΔINC + β3ΔCRED + β4ΔLFBCF + β5ΔLEMP + β6ΔLROYA +
β7ΔLCHUM + β8ΔLGPUB + Δѵ
Os dados utilizados são referentes aos valores do PIB, formação bruta de capital fixo, crédito, emprego, royalties de petróleo, capital humano e gastos públicos dos estados e o indicador de incerteza econômica em nível nacional. Detalhando as variáveis, tem- se:
Produto Interno Bruto (PIB): É o logaritmo natural do valor real (deflator implícito retirado do IBGE tendo como ano base 2004) da produção total dos estados brasileiros e medida em milhões de reais. É variável dependente do modelo econométrico aqui utilizado. É esperada uma relação negativa com a variável de incerteza, LIIEBR, visto que existe um consenso na literatura quanto aos efeitos negativos da incerteza na economia.
Saldo das operações de crédito - Total (CRED): Consiste na soma das operações de crédito para pessoas jurídicas e pessoas físicas, medida em milhões de reais, retirada do banco de dados de series temporais do Banco Central do Brasil em relação ao PIB. Foi escolhida para representar o nível de desenvolvimento financeiro dos estados. Como dito anteriormente, é uma variável de grande relevância para este trabalho, devido a existência de trabalhos que relacionam imperfeições no mercado financeiro e incerteza. Além disso, espera-se que esta variável apareça com sinal positivo, indicando que estados com mercados financeiros mais desenvolvidos possuem um maior nível de produção.
Emprego (EMP): Logaritmo natural do número de pessoas de 15 anos ou mais
ocupadas, seguindo a metodologia do IBGE, de onde foram retirados os dados.2 Na
teoria econômica, o nível de trabalho é extremamente relevante para definir o nível de produção final de uma economia, portanto, espera-se uma alta correlação entre LEMP e LVBP e que esta variável apresente um sinal positivo em todos os modelos estimados.
Índice de incerteza econômica - Brasil (IIEBR): Logaritmo natural do índice de incerteza econômica criado pelo Instituto Brasileiro de Economia da Fundação Getúlio Vargas (IIE-Br). Mede o nível de incerteza sobre a política macroeconômica no Brasil. Variável chave deste trabalho, foi criada por Ferreira et al. (2017) com o objetivo de ser um índice específico para o Brasil, ampliando o número de fontes em relações a trabalhos pré-existentes, além de adicionar informações do mercado e volatilidade do mercado de ações. É esperado um sinal negativo para esta variável.
Formação Bruta de Capital Fixo (FBCF): Logaritmo natural do valor real (deflator implícito retirado do IBGE tendo como ano base 2004) da formação bruta de capital fixo dos estados. Os dados estão medidos em milhões de reais. É uma variável que mede o nível de capital empregado na função de produção dos estados. Assim como o nível de emprego, o nível de capital tem grande impacto na produção e é esperado que apresente um sinal positivo, indicando que quanto mais capital é empregado, maior é o valor da produção.
Royalties de Petróleo (PETRO): Logaritmo natural do valor real (deflator implícito retirado do IBGE tendo como ano base 2004) dos royalties de petróleo recebido pelos estados, expresso em milhões de reais. Esta variável foi utilizada como proxy da quantidade de recursos naturais dos estados e espera-se um sinal positivo, indicando uma relação positiva entre recursos naturais e produção.
Capital Humano (RH): Logaritmo natural do número de pessoas com ensino médio completo. É uma variável utilizada para medir o nível de capital humano dos estados brasileiros e espera-se que tenha uma relação positiva com o desempenho econômico dos estados, indicando que quanto mais capital humano, maior será o PIB.
2 Para o período de 2004 e 2010 foram utilizados dados do número de pessoas de 10 anos ou mais, conforme
Gastos Públicos (GOV): Logaritmo natural dos gastos públicos reais (deflator implícito retirado do IBGE tendo como ano base 2004), em milhões de reais. Espera-se uma relação positiva entre essa variável e o PIB dos estados, ou seja, que maiores gastos públicos resultem em um maior nível da produção dos estados.
Incerteza Google Trends (INC): Seguindo a metodologia de Nghiem, Papworth, Lim e Carrasco (2016), é um índice construído através uma pesquisa de frequência de busca da palavra “incerteza” para cada estado e utilizou-se a palavra “vida” como um
benchmark, devido à constância da quantidade de buscas por essa palavra. A variável
é, portanto, a divisão da quantidade de buscas pela palavra “incerteza” pela quantidade de buscas pela palavra “vida”. Os resultados encontrados foram normalizados com o intuito de se obter uma série mais homogênea e espera-se uma relação negativa desta variável com o PIB dos estados.
4.2. MODELOS ECONOMÉTRICOS
O objetivo do trabalho foi estimar os efeitos da incerteza sobre a política macroeconômica no desempenho da economia dos estados brasileiros. Com isso este objetivo, foram estimados modelos de painéis estáticos MQO, de efeitos fixos e efeitos aleatórios e modelos de painel dinâmico utilizando o método GMM-SYS. Ao utilizar dados em painel, é possível controlar a presença de heterogeneidade individual das observações, além de fornecer uma maior variabilidade e quantidade de dados, aumentando, dessa forma, o grau de liberdade e a eficiência do modelo. Uma última vantagem dos dados em painel é que a heterogeneidade dos dados faz com que a probabilidade de que exista colinearidade entre as variáveis seja pequena. (TIRYAKI, 2017). A seguir serão explicados de forma mais detalhada os métodos utilizados para a estimação dos modelos.
O primeiro modelo, o MQO, é o mais simples e é utilizado quando os efeitos individuais ou temporais são irrelevantes. Os efeitos individuais, neste trabalho, dizem respeito a características individuais das unidades federativas, enquanto que, os efeitos temporais dizem respeito a fenômenos que afetam todos os estados da mesma forma em um determinado período do tempo. Os efeitos individuais costumam ser relevantes no caso de modelos com dados cross-section, enquanto que os efeitos temporais podem ser relevantes em modelos de séries temporais. Modelos com dados em painel
possuem tanto variáveis em cross-section, como variáveis temporais e, por conta disso, deve-se estar atento para a existência de ambos os efeitos.
A presença desses efeitos infringe pelo menos dois pressupostos da estimação com MQO: homocedasticidade dos erros, ou seja, que eles possuam a mesma variância e independência em cross-section - erros não são correlacionados entre si. As estimações de modelos de efeitos fixos e aleatórios têm como objetivo corrigir esses problemas. (TIRYAKI, 2017).
No modelo de efeitos fixos, todas as observações são combinadas e deixa-se que cada unidade de corte transversal tenha uma variável dummy. Essa variável dummy, varia entre os dados individuais, mas é invariante no tempo. A utilização desse modelo tem como pressuposto a existência de uma característica intrínseca da variável dependente que não possui relação com as variáveis independentes, mas que pode afetar o modo como elas se relacionam. O modelo de efeitos fixos tem como objetivo eliminar esse fator que afeta a análise da relação entre as variáveis e a sua utilização é recomendada quando se está estudando uma população específica e a inferência é aplicada apenas sobre essa população, como é o caso deste trabalho, cuja população são os estados do Brasil.
O modelo de efeitos aleatórios pressupõe diferentes termos de intercepto para cada observação, mas interceptos fixos ao longo do tempo. A partir desse pressuposto, analisam-se as diferenças existentes nas variâncias dos componentes do erro, entre as observações através do tempo e as observações individuais – no caso deste trabalho, os estados brasileiros. A utilização desse modelo é recomendada quando a amostra é significativa em relação a população, o que impossibilita a utilização de modelos de efeito fixo, devido à perda em graus de liberdade.
A escolha de qual método deve ser utilizado para a análise dos dados em painel passa por três etapas: (i) teste de redundância dos efeitos fixos; (ii) teste LM de Breush- Pagan; (iii) teste de Hausman. O primeiro teste é feito para testar a significância conjunta das variáveis dummies utilizadas para o controle dos efeitos fixos. Em seguida, o teste LM de Breush e Pagan examina se os componentes da variância específica das unidades individuais ou das unidades temporais são zero. Finalmente, é conduzido o teste de Hausman, que examina se as estimativas do modelo aleatório
não são significativamente diferentes das estimativas não enviesadas do modelo de efeitos fixos (MALBOUISSON; TIRYAKI, 2017)
Encontrado qual modelo é o modelo mais robusto, é necessário fazer os testes para verificar se existem problemas autocorrelação, heterogeneidade e dependência em
cross-section. Para testar o modelo possui problemas de autocorrelação, é feito o
Teste de Wald, enquanto que para testar se o modelo apresenta problemas de heterogeneidade, faz-se o Teste de Wooldridge. A dependência em cross-section pode ser verificada através de três diferentes testes: Teste de Pesaran; Teste de Friedman e Teste de Frees.
Neste trabalho foram estimados, além dos modelos estáticos, modelos dinâmicos de dados de painel, que possuem como principal diferença em relação aos anteriores a presença da variável dependente defasada no lado direito da equação. A inclusão da variável dependente defasada como regressor traz três vantagens para o modelo: (i) permite modelar persistência, ou seja, ajustar parcialmente o comportamento das variáveis; (ii) possibilita contabilizar choques que tem efeitos contínuos ao longo do tempo; (iii) ajuda a eliminar correlação serial no termo do erro. O coeficiente dessa variável indica se os choques dos choques com efeitos contínuos são decrescentes ou crescentes ao longo do tempo. (MALBOUISSON; TIRYAKI, 2017).
Os modelos dinâmicos de dados em painel são usualmente estimados pelos métodos GMM-DIFF OU GMM-SYS. O primeiro transforma os regressores por diferenciação e utiliza o método dos momentos generalizados e as variáveis independentes exógenas e endógenas são separadas, para que as primeiras sejam estimadas em diferença e as segundas sejam estimadas em defasagem. Segundo Arellano e Bover (1995) e Blundell e Bond (1998) esse método apresenta uma deficiência: os níveis defasados são frequentemente instrumentos muito pobres para as primeiras variáveis diferenciadas.
Blundell e Blond (1998) sugerem o sistema GMM-SYS como solução para os problemas apresentados pelo GMM-DIFF e incluem variáveis em níveis defasados e em diferenças defasadas. As primeiras servem como instrumentos para as variáveis em diferença e as seguintes como instrumentos para as variáveis em nível.
Segundo eles, o GMM-SYS é preferível quando as primeiras diferenças de X e Y não são correlacionadas com o efeito individual em cross-section. Neste trabalho, o modelo GMM-SYS é preferível devido a pequena quantidade de variáveis temporais.
O modelo foi estimado utilizando três procedimentos diferentes: one-step, two-step e instrumentos colapsados. No primeiro caso, o one step, supõe-se que os termos do erro são independentes e homocedásticos. Adicionando a opção two-step produz-se um estimador eficiente e robusto para a presença de heterocedasticidade e correlação cruzada. Ao utilizar instrumentos colapsados, cria-se um instrumento para cada variável e defasagem, ao invés de um instrumento para cada período, variável e defasagem, evitando o excesso de instrumentos. Todas as regressões foram feitas assumindo que todas as variáveis são endógenas.
Finalmente, são feitos os Testes de Hansen e o Teste Arellano-Bond. O primeiro serve para verificar a existência de autocorrelação entre os instrumentos e o termo do erro. Já o segundo, testa a ausência de autocorrelação de primeiro grau.
5 RESULTADOS
Os primeiros modelos a serem estimados foram os modelos de painéis estáticos. Na tabela 1 estão especificados os resultados para os modelos com dados em painel MQO, com efeitos fixos e efeitos aleatórios utilizando o IIE-Br como indicador de incerteza econômica. Fora dos parênteses estão os coeficientes. Entre parênteses, estão as probabilidades das estatísticas t.
Tabela 1: Modelos de painéis estáticos - IIEBr
Variável MQO Pooled Efeitos Fixos Efeitos Aleatórios Dependente: PIB C 19,5978 14,8972 16,5484 IIEBr -1,5410*** (0,000) -1,0450*** (0,000) -1,3711*** (0,000) (0,000) (0,000) (0,000) CRED -0,0411*** -0,01670** -0,0433*** (0,000) (0,090) (0,000) FBCF 0,9040*** 0,7611*** 0,8736*** (0,000) (0,000) (0,000) EMP 0,0210 0,0869 0,094*** (0,343) (0,214) (0,005) PETRO 0,0030 -0,0039 -0,0010 (0,342) (0,537) (0,829) RH -0,0078 0,0009 -0,0031 (0,453) (0,838) (0,501) GOV 0,1083*** 0,0232 0,0652 (0,003) (0,572) (0,075) Observações 108 108 108 R² 0,9973 0,9722 0,9690
Fonte: Elaboração própria, 2019. Nota:**p < 0,05 ***p < 0,01
Após a estimação dos modelos, é necessário encontrar qual é o modelo mais robusto dentre eles. Para tanto, foram feitos os testes de Redundância de EF, LM de Breush- Pagan e Hausman, já citados anteriormente. Os resultados encontrados estão presentes na tabela 2.
