UNIVERSIDADE FEDERAL DO CEARÁ
FACULDADE DE ECONOMIA, ADMINISTRAÇÃO, ATUÁRIA E CONTABILIDADE CURSO DE PÓS-GRADUAÇÃO EM ECONOMIA – CAEN
GEOVANI MAIA DAMASCENO
RELAÇÕES ENTRE PRODUÇÃO INDUSTRIAL E DEMANDA DE ENERGIA: UMA APLICAÇÃO DE MODELO VAR
GEOVANI MAIA DAMASCENO
RELAÇÕES ENTRE PRODUÇÃO INDUSTRIAL E DEMANDA DE ENERGIA: UMA APLICAÇÃO DE MODELO VAR
Dissertação submetida à Coordenação do Curso de Pós-Graduação em Economia, da universidade Federal do Ceará, como requisito parcial para obtenção do título de Mestre em Economia.
Orientador: Prof. Luiz Ivan de Melo Castelar
D162r Damasceno, Geovani Maia
Relações de curto prazo entre consumo de energia e produção industrial: uma aplicação do modelo VAR / Geovani Maia Damasceno. 2009
38 f.
Orientador: Prof. Dr. Luiz Ivan de melo Castelar
Dissertação (Mestrado) – Universidade Federal do Ceará, Curso de Pós- Graduação em Economia, CAEN, Fortaleza – CE, 2009.
1. Energia – Consumo. 2. Econometria. I – Título
GEOVANI MAIA DAMASCENO
RELAÇÕES ENTRE PRODUÇÃO INDUSTRIAL E DEMANDA DE ENERGIA: UMA APLICAÇÃO DE MODELO VAR
Dissertação submetida à Coordenação do Curso de Pós-Graduação em Economia, da Universidade Federal do Ceará, como requisito parcial para a obtenção do título de Mestre em Economia.
Dissertação aprovada em 26 de agosto de 2009.
BANCA EXAMINADORA
___________________________________________________________ Prof. Luiz Ivan de Melo Castelar (orientador)
Universidade Federal do Ceará – CAEN/UFC
___________________________________________________________ Prof. Roberto Tatiwa Ferreira
Universidade Federal do Ceará – CAEN/UFC
____________________________________________________________ Prof. Fabrício Carneiro Linhares
AGRADECIMENTOS
Em primeiro lugar, gostaria de agradecer aos meus pais e irmãos, pelo amor, dedicação e apoio incondicional em todos os momentos de minha vida.
Aos professores e pesquisadores do CAEN que, de uma forma geral, contribuíram para a minha formação. Em especial, aos professores Ronaldo Arraes, Flavio Ataliba, Emerson Marinho, Maurício Benegas, Paulo Jorge Neto e Edinaldo Tebaldi.
Ao Prof. Roberto Tatiwa, pelos ensinamentos em sala de aula, pela participação na banca e por estar sempre disposto a ajudar.
Ao Prof. Fabrício Linhares, por aceitar o convite para participar da banca examinadora e pelas sugestões para a melhoria do trabalho.
Ao Prof. Ivan Castelar, pela atenção, paciência, correções, motivação e por todo tipo de colaboração sem as quais a conclusão desse trabalho não teria sido possível. Seus ensinamentos, tanto acadêmicos quanto pessoais, não serão por mim esquecidos.
Aos funcionários da biblioteca e da secretaria, em especial a Sra. Carmem Rodrigues.
Ao Sr. Cléber, pelo companheirismo, atenção e amizade.
Aos grandes amigos Isaac Ricarte, Guaracyane Campelo e Guilherme Irffi.
Aos colegas de minha primeira turma no CAEN, 2005, Zilah Ribeiro, Hélio Berni, Carlos Daniel, Pablo Castelar, Christiano Penna, Rosendo Fernandes e, principalmente, ao Luciano Bauermann (in memorian).
Aos colegas de turmas anteriores e posteriores, Jimmy Oliveira, Leandro Oliveira e Daniel de Pádua (2004); Felipe Gordin, Rodolfo Alves e Leandro Rocco (2006); Pedro Ivo (2008). E aos até então doutorandos Carlos Manso, Dílson Sena, Jair Araújo, Nicolino Trompieri, Vitor Borges.
RESUMO
Esse estudo tem como objetivo analisar a relação entre produção industrial e demanda de energia no Estado do Ceará. Para tanto buscou-se, a princípio, analisar o comportamento das séries utilizadas no estudo, verificando se eram estacionárias ou processos integrados. Em seguida, procedeu-se ao teste de co-integração, cujo intuito era determinar se as séries apresentavam alguma tendência comum ao longo do tempo. Por fim, através da estimação de um VAR, procurou-se analisar o efeito da variação ao longo do tempo da produção industrial sobre as demais variáveis. Os resultados obtidos indicaram que choques na produção industrial fazem aumentar a produção de energia, sobretudo dos derivados de petróleo. O efeito mais significativo ocorreu sobre a variável óleo diesel. Em relação à energia elétrica, os resultados indicaram uma variação pouco significante dessa fonte para explicar o aumento da produção industrial. Em virtude da indústria cearense ser mais sensível a choques nos derivados de petróleo que na energia elétrica, parece ser mais razoável ao Estado adotar políticas que incentivem a expansão da oferta dos primeiros, caso tenha como pretensão estimular seu crescimento industrial .
ABSTRACT
The objective of this research is to analyze the relationship between industrial production and demand for electric energy in the Ceará state. First, it analyzed the behavior of the series used in the study, verifying if they were stationary or integrated processes. Second, Cointegrating tests were utilized to verify of the long-run relationship among economic variables. Finally, through VAR estimation, it was possible to analyze the effect of the variation a long of the time of the industrial production on the others variables. The results obtained indicated that shocks in the industrial production make to increase the energy production, over all of the oil derivatives. The effect most significant occurred on the variable oil diesel. In relation to the electric energy, the results had little indicated a significant variation of this source to explain the increase of the industrial production. In virtue of Ceará industry to be more sensible the shocks in the oil derivatives that in the electric energy, seem to be more reasonable to the State to adopt politics that stimulate the expansion of offer of the first ones, in case that it has as pretension to stimulate its industrial growth.
SUMÁRIO:
1- INTRODUÇÃO...11
2- REVISÃO DE LITERATURA...13
3- DADOS...15
4- METODOLOGIA...19
4.1- O Modelo Var ...19
4.2- Modelos Vetoriais de Correções de Erros (MCE) ...20
4.3- Especificação do modelo ...21
4.4- Testes de raiz unitária ...23
4.4.1- Teste ADF ...23
4.5- Teste de co-integração ...25
4.6 – O modelo VEC ...27
5- RESULTADOS...30
5.1- Decomposição da variância...32
6- CONSIDERAÇÕES FINAIS...34
Referências Bibliográficas...35
LISTA DE TABELAS
01 – Testes de Raiz Unitária ADF - Dickey-Fuller Aumentado...23
02 – Testes de Raiz Unitária ADF – em primeira diferença...24
03 – Teste de raiz unitária com quebra estrutural em nível – GLP...25
04 – Teste de raiz unitária com quebra estrutural em primeira diferença – GLP...25
05 – Resultado do teste do traço para os vetores IPICE, EE, DIESEL, GASOL, GLP...26
06 – Vetor de correção de erros do IPI...29
07 – Resultado do teste de causalidade de Granger no formato MCE...31
LISTA DE GRÁFICOS
01 – Consumo industrial de GLP – janeiro de 2000 a março de 2009...16
02 – Consumo industrial de gasolina – janeiro de 2000 a março de 2009...16
03 – Consumo industrial de energia elétrica – janeiro de 2000 a março de 2009...17
04 – Consumo industrial de óleo diesel – janeiro de 2000 a março de 2009...17
05 – Índice de Prod. Industrial do Estado do Ceará - jan. de 2000 a mar de 2009...18
06 – Comportamento das séries ao longo do tempo (jan.2000 a mar. 2009)...27
07 – Função impulso-resposta...37
1- INTRODUÇÃO
Eventos ocorridos na economia mundial nas últimas décadas mostram a relevância da variação no preço dos insumos energéticos como uma importante fonte de flutuação econômica. As crises do petróleo ocorridas nas décadas de 1970, 1980 e 1990 e seus conseqüentes impactos sobre o produto mundial impulsionaram o surgimento de um número expressivo de trabalhos teóricos e empíricos, cujos resultados mais expressivos apontam para uma correlação negativa entre preço de energia e produto.
Em relação a outras fontes energéticas a literatura disponível ainda não apresenta em âmbito global uma quantidade de estudos suficientes que permita concluir a direção e intensidade da variação no produto decorrente de alterações no preço e/ou oferta de energia. Uma das possíveis razões para esse fato é a variação da composição dos insumos energéticos entre países e o peso que cada uma dessas fontes exerce sobre o produto.
Entre os trabalhos mais expressivos nesta área, merecem destaque os desenvolvidos por Hope e Singh (1995) e por Soytras e Sári (2006). Hope e Singh, utilizando uma amostra de seis países, cuja escolha foi baseada em fatores como nível de renda, estrutura econômica, dispersão geográfica, exportação e importação de petróleo, analisaram o impacto de um aumento no preço da energia elétrica sobre a produção industrial. Os resultados obtidos indicaram a presença de efeitos modestos sobre o produto final; ou seja, o aumento dos preços de energia elétrica não afetou de maneira significativa o produto dos países analisados em virtude da flexibilidade em utilizar fontes substitutas quando ocorre elevação de tarifas elétricas.
Soytras e Sári, por sua vez, analisaram a relação entre consumo de energia e produção na indústria manufatureira da Turquia. Utilizando um modelo VEC, encontraram um resultado diferente do obtido por Hope e Singh, uma vez que para a indústria manufatureira da Turquia, variações nas tarifas energéticas causam efeitos sobre o produto industrial.
óleo diesel e gasolina. Os resultados do trabalho indicaram que choques negativos no diesel e nos demais produtos derivados de petróleo podem ser mais prejudiciais para a produção industrial brasileira do que choques negativos na oferta de energia elétrica.
Duas questões emergem desses resultados: será que eles se repetem quando se restringe a área de estudo a uma região ou Estado do país? Além disso, dada a diversificação energética existente no Brasil, a utilização de outras fontes pode influenciar na variação do produto final?
Buscando responder a essas questões, este trabalho tem como objetivo analisar a natureza da relação existente entre produção industrial e consumo de energia no Estado do Ceará e verificar se choques de oferta em determinada fonte podem ser absorvidas, através de substituição por outra fonte de energia, de forma a não comprometer o produto final.
2. REVISÃO DE LITERATURA
Definir a natureza da relação entre produção industrial e consumo de energia, dada sua importância para o desenvolvimento econômico, é um tema que motiva a realização de um amplo número de pesquisas empíricas e teóricas em todo o mundo. Finn (1996), por exemplo, afirma que “mais insumos são necessários para aumentar o produto, significando que mais energia deve ser demandada para o crescimento do produto, em virtude da energia ser um importante item para a utilização do capital”. Embora correta, os trabalhos desenvolvidos recentemente mostram que a relação entre insumo energético e produção industrial vão bem além dessa afirmativa. Eles compreendem a aplicação de conceitos de eficiência econômica, substituição de alguns tipos de fontes energéticas, efeitos de políticas macroeconômicas sobre o consumo energético e produção industrial e, além disso, examinam o peso dos choques energéticos frente às alterações ocorridas nas estruturas econômica e política em diferentes períodos de tempo.
No âmbito empírico, Hamilton apresenta duas contribuições (1983 e 1996) ao tentar explicar os períodos recentes de recessão americana com o aumento dos preços do petróleo, sugerindo que a elevação do preço dessa fonte é uma das causas da recessão.
Do lado teórico, muitos trabalhos têm avaliado a eficácia dos modelos tradicionais para descrever o tamanho e a natureza dos efeitos observados de choques nos preços dos insumos energéticos sobre a economia. Alguns modelos baseiam-se na competição de mercados para explicar a queda no produto em virtude do aumento no preço do petróleo. Rotemberg e Woodford (1997), estudando o efeito dos choques de petróleo sobre a economia americana, em um ambiente de competição imperfeita, argumentam que é difícil explicar o tamanho dos efeitos do choque nos anos 1970. Ademais, recorrem a aumentos endógenos no markup das firmas para justificar a diminuição no produto da economia. Hamilton (1998) mostra que pequenas interrupções na oferta de mercadorias primárias, como energia, podem provocar grandes flutuações no produto.
choques na oferta de energia nos últimos anos, ou das mudanças na estrutura econômica e política, como investigaram Blanchard e Simon (2001) e Stock e Watson (2003).
A maioria dos trabalhos publicados até e então, contudo, pouco consideram o impacto que outras fontes energéticas além do petróleo exercem sobre o produto. Dentre os que investigaram a questão três deles, tendo em comum o fato de terem sido desenvolvidos para economias emergentes, analisaram a relação entre consumo energético e produção industrial.
Hope e Sing (1995) realizam um estudo sobre o aumento dos preços energéticos em um grupo de seis países em desenvolvimento, incluindo Colômbia, Gana, Indonésia, Malásia, Turquia e Zimbábue. Estes autores concluíram que, em virtude de muitas indústrias serem capazes de encontrar fontes substitutas quando o preço da energia se eleva, os efeitos negativos sobre o produto industrial, embora existam, são modestos. A exceção, como é previsível, são as indústrias intensivas em energia, que apresentam uma possibilidade limitada de substituição.
Soytras e Sári (2006) examinam a relação entre energia e produto industrial para a Turquia considerando como fixos os fatores investimento e emprego. Utilizando um modelo VEC, os resultados obtidos indicaram uma relação de causalidade unidirecional entre consumo de eletricidade e valor adicionado na produção, o que foi confirmado pela análise de impulso-resposta e decomposição da variância.
3 – DADOS
A base de dados utilizada para a estimação do modelo tem periodicidade mensal e compreende o período que vai de janeiro de 2000 a março de 2009. Foram utilizados a produção industrial do Estado do Ceará, medida pelo Índice de Produção Industrial (IPI – com ajuste sazonal), calculado pelo Instituto Brasileiro de Geografia e Estatística (IBGE); o consumo industrial de energia elétrica (EE), em MWh, fornecido pela Companhia Energética do Ceará – COELCE; e o consumo de produtos derivados de petróleo (em barris equivalentes de petróleo – Bep), que incluem gasolina (gasol), óleo diesel (diesel), e gás natural (glp), fornecidos pela Agência Nacional do Petróleo (ANP). As variáveis gasolina, gás natural e diesel foram ajustadas sazonalmente e logaritmizadas.
Gráfico 1 - Consumo industrial de GLP – janeiro de 2000 a março de 2009
11.60 11.65 11.70 11.75 11.80 11.85 11.90 11.95 12.00
00 01 02 03 04 05 06 07 08
LGLP
Gráfico 2 - Consumo industrial de gasolina – janeiro de 2000 a março de 2009
12.0 12.1 12.2 12.3 12.4 12.5 12.6 12.7
00 01 02 03 04 05 06 07 08
Gráfico 3 - Consumo industrial de energia elétrica – janeiro de 2000 a março de 2009
11.6 11.7 11.8 11.9 12.0 12.1
00 01 02 03 04 05 06 07 08
LEE
Gráfico 4 - Consumo industrial de óleo diesel – janeiro de 2000 a março de 2009
12.3 12.4 12.5 12.6 12.7 12.8 12.9 13.0
00 01 02 03 04 05 06 07 08
Gráfico 5 – Índice de Prod. Industrial do Est. do Ceará – jan. de 2000 a março de 2009
4.4 4.5 4.6 4.7 4.8 4.9 5.0
00 01 02 03 04 05 06 07 08
4 – METODOLOGIA
4.1 – O MODELO VAR
A utilização de modelos de equações simultâneas, em virtude das limitações verificadas na crítica de Lucas (1976) e Sims (1980), deixou de ser o centro das atenções no que tange à metodologia utilizada para a resolução de problemas econométricos e cedeu espaço a novos modelos.
Lucas (1976) notou que a ocorrência de alterações nas políticas econômicas influenciava profundamente os resultados dos modelos estruturais. Com isso, ocorriam modificações nos coeficientes analisados, o que implicava na quebra estrutural da série. Outra crítica aos modelos estruturados partiu de Sims (1980). Para ele, na tentativa de tornar os modelos identificáveis, muitas vezes utilizavam-se restrições demasiadamente fortes, o que diminuía a qualidade e a eficácia da previsão.
Através do Modelo Vetorial Auto-Regressivo (VAR), introduzido por Sims (1980), tornou-se possível expressar modelos econômicos completos, bem como estimar seus parâmetros. Nesse modelo as variáveis são conjuntamente determinadas, ou seja, são explicadas por suas defasagens e pelas defasagens das demais variáveis. A vantagem dessa forma de especificação é que ela torna possível analisar o efeito da variação ao longo do tempo de determinada variável sobre as demais. Outros aspectos positivos da metodologia VAR são a não necessidade de impor qualquer restrição inicial de causalidade entre as variáveis – uma vez que isso pode ser verificado pelo teste de Granger -, bem como o fato de não ser preciso assumir alguma relação de longo prazo entre as variáveis – o que também pode ser testado pelo método proposto por Johansen.
A metodologia VAR, pelas razões acima mencionadas, mostrou-se superior em muitos testes de previsão aos modelos estruturados. De uma forma geral, é possível expressar um modelo VAR estrutural por:
t p t p t
t
t A x A x A x e
x
onde:
• Aj são matrizes nxn para qualquer j;
• A0 é a matriz de relações contemporâneas; • xt é um vetor com as variáveis de interesse;
• et é um vetor (nx1) de choques ortogonais e seus componentes não são
correlacionados serialmente.
4.2 – MODELOS VETORIAIS DE CORREÇÕES DE ERROS (MCE)
Para a especificação correta do modelo acima, o primeiro passo é testar se as variáveis são estacionárias ou processos integrados. O teste utilizado para analisar a presença ou não de raiz unitária foi o de Dickey-Fuller Aumentado (ADF). Através desse teste é possível verificar o comportamento da série, identificando a presença de não-estacionariedade pela incidência de tendências estocástica, determinísticas ou pela junção de ambas.
Caso as variáveis analisadas sejam não-estacionárias, I(1) por exemplo, o VAR deve ser estimado em primeiras diferenças. Contudo, o resultado obtido por meio de primeiras diferenças nem sempre é razoável (HARVEY, 1987) uma vez que existem informações nos níveis que são desconsideradas.
Ao optar por trabalhar com variáveis em nível, duas dificuldades podem aparecer: o aparecimento de regressões espúrias em séries não estacionárias e o fato de que as estimações e testes para regressões não estacionárias não serem padronizados.
O Modelo de Correção de Erros (MCE) pode ser escrito da maneira a seguir.
∑
− =− − + ΓΔ +
+ =
Δ 1
1 1 '
p
i
t i t i t
t u Y Y u
Y αβ (2) Em que:
• α e β são matrizes com posto r, ρ(α)=ρ(β)=r. Ambas especificam o termo de longo prazo do modelo. Nessa situação α representa os coeficientes de ajustamento e β contém as relações de co-integração;
• Γj (j=1,..., p-1) são matrizes (kxk) e contém os parâmetros de curto prazo.
4.3 – ESPECIFICAÇÃO DO MODELO
Usualmente, como no caso univariado, utilizam-se critérios de informação para determinar a ordem de defasagens de um modelo VAR. O argumento para a utilização do critério de informação consiste no seguinte fato: cada regressor que é adicionado ao modelo faz com que a soma dos resíduos não aumente e, muitas vezes, diminua. Isso implica que a redução da soma dos resíduos ocorre devido ao aumento do número de regressores. Para balancear a redução dos erros e o aumento do número de regressores, é associada uma penalidade a esse aumento. Quando a penalidade decorrente da incorporação de um regressor adicional for menor que a diminuição da soma de resíduos, deve-se adicioná-lo ao modelo. Caso contrário, o regressor não deve ser utilizado.
Dado um modelo VAR(m), onde m = 0,1,2,...pmax, deve-se escolher a ordem p
que minimiza a seguinte fórmula geral do critério de informação:
), ( ln
)
(m C m
Cr = Σ + Tϕ ∧
onde: • T e e T t t t
∑
∑
= ∧ ∧ ∧ = 1 '• CT é uma seqüência vinculada ao tamanho da amostra;
• ϕ(m) é uma função que penaliza VAR de grandes ordens.
Os critérios de informação mais utilizados na literatura são os de Akaike (AIC), Hannan-Quinn (HQ) e Schwartz (SC ou BIC). Sendo c o tamanho da amostra, p a ordem do defasamento, os critérios acima podem ser definidos como descrito abaixo.
AIC = c p
T p) 2 2 (
lnΣ + ;
HQ = c p
T T p) 2ln(ln( )) 2 (
lnΣ + ;
BIC = c p
T T p) 2ln( ) 2 (
lnΣ + .
Onde p representa o lag, T o tamanho da amostra, Σ a matriz de variância-covariância dos resíduos e n a dimensão do sistema.
Quanto mais regressores são incorporados no mesmo período da amostra, menor será o erro estimado. Por outro lado, esse maior número de regressores sofrerá uma penalidade na segunda parte da estatística, o que confirma que a escolha de um modelo mais parcimonioso – no sentido da utilização de menos parâmetros – produz menos imprecisão das estimativas.
4.4 – TESTES DE RAIZ UNITÁRIA
Um processo estocástico é estacionário, ou possui estacionariedade fraca, quando preenche três requisitos. Primeiro, tem média constante ao longo do tempo; segundo, tem variância constante ao longo do tempo; e terceiro, sua covariância deve indicar que a autocorrelação entre dois valores de uma variável y qualquer tomados a partir de dois períodos de tempo distintos deve depender apenas do intervalo de tempo entre esses dois valores e não do tempo em si.
Com o objetivo de determinar se as variáveis analisadas são estacionárias ou processos integrados foi realizado, como mencionado anteriormente, o teste de Dickey-Fuller Aumentado.
4.4.1- Teste ADF
O teste de raiz unitária ADF utiliza a auto-regressão abaixo.
∑
=
− −
= + + Δ +
Δ p
i
t i t i t
t y y
y
1
1
λ
ε
α
μ
Nesse trabalho, foi utilizado o critério de informação de Akaike para selecionar o número de defasagens e incluído no processo auto-regressivo de cada variável tendência e intercepto. Como citado antes, as variáveis foram dessazonalizadas antes da estimação. A tabela 1 abaixo apresenta os resultados obtidos. Como pode ser observado, o teste ADF não rejeita a hipótese nula de raiz unitária para nenhuma das séries analisadas.
Tabela 1 – Testes de Raiz Unitária ADF - Dickey-Fuller Aumentado
Séries Região Crítica Lags Teste Estatístico Conclusão
5% 10%
IPI -3.45 -3.15 1 -3.18 Não Rejeita
EE -3.45 -3.15 2 -3.19 Não Rejeita
GASOL -3.45 -3.15 2 -2.95 Não Rejeita
DIESEL -3.45 -3.15 2 -1.89 Não Rejeita
GLP -3.45 -3.15 5 -1.18 Não Rejeita
Uma vez que todas as variáveis do modelo indicaram a presença de raiz unitária em nível, buscou-se determinar a ordem de integração de cada variável. Para tanto, diferenciou-se cada série o número de vezes necessárias até que a hipótese nula de raiz unitária tivesse sido rejeitada. Os resultados obtidos indicam que todas as séries são integradas de ordem 1, conforme exposto na tabela 2.
Tabela 2 – Testes de Raiz Unitária ADF – em primeira diferença
Séries Região Crítica Lags Teste Estatístico Conclusão
5% 10%
IPI -3.45 -3.15 0 -16.23 Rejeita
EE -3.45 -3.15 1 -12.35 Rejeita
GASOL -3.45 -3.15 12 -3.77 Rejeita
DIESEL -3.45 -3.15 1 -10.47 Rejeita
Fonte: Elaboração do autor.
Para a série GLP, além do teste ADF, foi realizado um teste de quebra estrutural. De acordo com esse teste é possível separar eventos discrepantes de uma série da função de ruído e modelá-los como mudanças na parte determinística do modelo. Dessa forma, é possível separar o que pode ser explicado pelo modelo de ruído, desde que as mudanças sejam exógenas e tenham ocorrido em datas conhecidas. Para realização desse teste foi utilizado o software JMulti.
Tabela 3 – Teste de raiz unitária com quebra estrutural em nível - GLP
Série Região Crítica Lags Teste Estatístico Conclusão
5% 10%
GLP -3.45 -3.15 5 -1.39 Não Rejeita
Fonte: Elaboração do autor.
Resultados obtidos utilizando-se o software JMulti.
Em virtude da ocorrência do reajuste de preços do GLP ocorrido no mês de dezembro de 2002, a série analisada apresentou uma quebra estrutural em janeiro de 2003. Para verificar a ordem de integração da série, realizou-se o teste de quebra estrutural em primeira diferença. Os resultados são mostrados a seguir.
Tabela 4 – Teste de raiz unitária com quebra estrutural em primeira diferença - GLP Série Região Crítica Lags Teste Estatístico Conclusão
5% 10%
GLP -3.45 -3.15 1 - 11.26 Rejeita
Fonte: Elaboração do autor
Resultados obtidos utilizando-se o software JMulti.
4.5 – TESTE DE CO-INTEGRAÇÃO
Ao trabalhar com dados de séries temporais existe a possibilidade de, ao estimar uma regressão com séries que apresentam uma mesma tendência, obter resultados que aparentemente sejam satisfatórios, mas que na realidade não tenham nenhum significado econômico. Ou seja, é possível encontrar relações econométricas entre duas ou mais séries, com R2 elevado e estatística t significante, sem que necessariamente exista alguma relação de causalidade entre elas. Neste tipo de situação, os estimadores obtidos por OLS são ineficientes e o desvio-padrão dos resíduos é inconsistente.
Quando as séries analisadas apresentam uma relação de longo prazo entre si, suas tendências se anulam e torna-se possível estimar um modelo de vetores auto-regressivos, com a inclusão de um Vetor de Correção de Erros (VEC).
O método utilizado para testar a existência de relação de longo prazo entre as variáveis seguiu o método de estimação de Johansen (1988), que permite a estimação de um VEC simultaneamente aos vetores de cointegração. Além disso, utilizou-se a estatística do traço para determinar se as séries analisadas são cointegradas.
Através da utilização da metodologia acima descrita, os testes realizados indicaram a presença de um vetor de co-integração entre as variáveis, conforme a tabela a seguir.
Tabela 5-Resultados do teste do Traço para os vetores IPICE, EE, DIESEL, GASOL, GLP Hipótese nula Hipótese
alternativa
Autovalor Traço Valor crítico (5%)
Probabilidade
r = 0 r ≥1 0.342818 99.16333 88.80380 0.0073
r ≤ 1 r ≥2 0.256684 53.82556 63.87610 0.2610
r ≤ 2 r ≥3 0.116587 21.78909 42.91525 0.9185
r ≤ 3 r ≥4 0.043296 8.401192 25.87211 0.9750
r ≤ 4 r = 5 0.032971 3.620940 12.51798 0.7960 Fonte: Elaboração do autor.
Gráfico 06 – Comportamento das séries ao longo do tempo (jan.2000 a mar. 2009)
4 6 8 10 12 14
00 01 02 03 04 05 06 07 08
LIPICE LDIESEL LEE
LGASOL LGLP
Pela observação do gráfico 6, acima, é possível perceber um comportamento sincronizado das séries ao longo do tempo, o que reforça a idéia de que elas são cointegradas. O distanciamento verificado em uma dessas séries pode ser justificado por uma diferença de nível, o que não compromete a hipótese de cointegração.
4.6 – O MODELO VEC
Conforme HARRIS (1995), os valores dos coeficientes dos parâmetros α refletem a velocidade com que as respectivas variáveis se ajustam em direção ao equilíbrio de longo prazo, o que significa que diante de um desequilíbrio transitório (curto prazo), altos valores de α conduzem a velocidades de ajustamento mais rápidas em relação ao equilíbrio de longo prazo.
Com o intuito de determinar o número de defasagens que deveriam ser incluídas no modelo, realizou-se o teste de seleção do número de defasagens utilizando o critério de informação de Akaike. A melhor especificação indicou a inclusão de duas defasagens das variáveis no modelo VEC.
A equação abaixo descreve a dinâmica do modelo.
1 6 2 1 5 2 1 4 2 1 3 2 1 2 2 1 1 0 − − = − = − = − = − = + Δ + Δ + Δ + Δ + Δ + = Δ
∑
∑
∑
∑
∑
t i t i i i t i i i t i i i t i i i t i i t EC LDIESEL LGASOL LGLP LEE LIPICE LIPICE α α α α α α αTabela 06 - Vetor de Correção de Erros
Variável Coeficiente Estatística t
Constante 4.226977 0.42828
ΔLIPI-1 0.175664 1.19998
ΔLIPI-2 0.371776 2.76893
ΔLEE-1 - 0.083931 - 0.63638
ΔLEE-2 - 0.170904 - 1.30643
ΔLGASOL-1 - 0.425091 - 0.150755
ΔLGASOL-2 - 0.542824 - 0.378712
ΔLDIESEL-1 0.126201 0.88843
ΔLDIESEL-2 0.226338 1.62670
ΔLGLP-1 0.113363 0.74683
ΔLGLP-2 0.256825 1.83313
Vetor de cointegração - 0.620813 - 5.08691 Fonte: Elaboração do autor.
AIC = - 2.410400; R2 = 0.348037
Os valores estimados são significantes para a segunda defasagem da variável IPI. Isso significa que um choque na produção industrial no período atual será corrigido dois períodos à frente, com um impacto de 37% sobre o IPI corrente.
5 – RESULTADOS
A análise da função de impulso-resposta, representada no gráfico 6, indica que variações não antecipadas na produção industrial em relação ao consumo de diesel ocorrem em dois períodos distintos. Após um choque não antecipado na produção industrial, o consumo de diesel apresenta uma ligeira trajetória ascendente que dura, aproximadamente, até o terceiro período após a ocorrência do choque. Do quarto período em diante, o consumo de diesel oscila ao longo de uma trajetória descendente. Dessa forma, considerando que o óleo diesel é um importante insumo para a indústria, uma elevação inesperada no nível de produção industrial conduz a uma maior demanda por diesel.
Efeito semelhante ao ocorrido com o diesel também se verifica com as variáveis gasolina e energia elétrica. A diferença é que estas se estabilizam em um nível inferior ao do diesel ao final do décimo período, o que ressalta ainda mais a relevância do diesel como insumo energético na produção industrial.
Em relação à variável energia elétrica, a análise da função impulso resposta mostra que variações não antecipadas nessa variável são transferidas para a produção industrial, e para o consumo de gás natural. Em relação à primeira variável, o impacto se verifica a partir do período 3 e decresce gradativamente. Para a segunda, o choque ocorre no período 2 e oscila nesse novo nível. Assim, levando em conta a importância do consumo de energia elétrica para a indústria é razoável considerar que choques inesperados nessa variável afetam não somente a produção industrial, como também o consumo de gás natural.
Para diesel, a análise do gráfico permite inferir que variações não antecipadas nessa variável afetam de maneira considerável a produção industrial, já no primeiro período seguinte ao da ocorrência do choque e segue uma trajetória ascendente até o quarto, estabilizando-se nesse novo patamar. Além disso, choques em gasolina produzem efeitos sobre IPI e diesel, e choques não antecipados na gasolina afetam o consumo de IPI e gás natural.
não antecipadas em qualquer uma das variáveis analisadas provocam algum efeito sobre as demais, se não conjuntamente, pelo menos de forma individual.
O teste de causalidade de Granger foi realizado para verificar se mudanças em uma variável ajudam a explicar as mudanças nas outras, ou, se uma causa a outra. Para realização do teste, foram utilizadas duas defasagens, conforme o número de defasagens definidos para a estimação do modelo VAR. Os resultados em negrito na tabela 7 indicam as relações que contém probabilidades menores que 5%, o que indica a rejeição da hipótese nula de que a segunda variável é exógena em relação à primeira.
Tabela 07 – Resultados do teste de causalidade de Granger no formato MCE Estatísitica F (probabilidade) Variável
Dependente ΔIPICEt ΔDIESELt ΔEEt ΔGASOLt ΔGLPt ECt-1
(estatística t)
ΔIPICEt --- 2.814152
{0.2449}
1.227962 {0.5412}
15.80691
{0.0004}
3.337488 {0.1885}
-0.620813
(-5.08691)
ΔDIESELt 5.344984 {0.0591} --- 0.351987 {0.8386} 4.839409 {0.0889} 3.987475 {0.1362} -0.114291 (-0.64194) ΔEEt 4.720424
{0.0944} 0.236144 {0.8886} --- 2.543148 {0.2804} 0.310391 {0.8562} -0.264355 (-1.23758) ΔGASOLt 11.48532
{0.0032}
0.168083 {0.9194} 0.735285 {0.6924} --- 5.252408 {0.0724} -0.546208 (-2.46329)
ΔGLPt 10.94596
{0.0042}
0.333796 {0.8463}
5.181376 {0.0750}
9.793717
{0.0075}
--- 0.203597 (1.14671)
Fonte: Elaboração do autor
Nota: os resultados entre colchetes indicam o p-valor.
relação de causalidade verificada ocorre entre IPI, DIESEL, GASOL e GLP (a primeira causa as três últimas).
Para o longo prazo, duas relações de causalidade são verificadas. Na primeira, as variáveis DIESEL, EE, GASOL e GLP causam IPI, indicando que políticas que conduzam ao aumento do consumo das variáveis analisadas colaboram para a elevação na produção industrial. Já a segunda relação de causalidade observa-se que IPI, DIESEL, EE e GLP causam GASOL.
5.1 – DECOMPOSIÇÃO DA VARIÂNCIA
A decomposição da variância dos erros de previsão indica o percentual do erro da variância prevista decorrentes de um choque em determinada variável versus os choques ocorridos nas outras variáveis do sistema. Quando os choques ocorridos numa variável x são capazes de explicar a variância do erro de previsão de uma outra variável, y, considera-se a série como sendo endógena. De modo análogo, quando x é incapaz de explicar y, trata-se a série como exógena.
Tabela 08 - Decomposição da variância
LIPICE
Período Erro padrão LIPICE LEE LDIESEL LGASOL LGLP
1 0.069162 100.0000 0.000000 0.000000 0.000000 0.000000 2 0.084249 98.63879 0.022421 1.074528 0.222354 0.041903 3 0.098299 95.15895 0.018829 3.560906 0.879078 0.382233 4 0.103159 88.58346 0.570991 8.502181 1.790025 0.553340 5 0.106882 83.71691 0.995328 12.42051 2.297830 0.569423 6 0.110570 78.32567 1.463076 15.77212 3.824194 0.614935 7 0.113845 74.15566 1.919955 18.47205 4.864132 0.588208 8 0.117014 70.40131 2.249216 20.85483 5.911061 0.583574 9 0.119975 67.37653 2.544706 22.83657 6.672956 0.569236 10 0.122883 64.64830 2.803796 24.63741 7.350359 0.560136
Fonte: Elaboração do autor.
Os resultados acima sugerem que os combustíveis óleo diesel e gasolina são capazes de explicar a variância do erro de previsão da produção industrial no Ceará, devendo ser, portanto, considerados como endógenos nessa relação.
6 – CONSIDERAÇÕES FINAIS
Este estudo teve como objetivo analisar a relação entre produção industrial e consumo de energia no Estado do Ceará. Para tanto, utilizou dados mensais, de janeiro de 2000 a março de 2009, relativos ao índice de produção industrial (IPI), energia elétrica (EE), e produtos derivados de petróleo – gasolina (GASOL), óleo diesel (DIESEL) e gás natural (GLP). O modelo econométrico utilizado foi um VEC com as variáveis em primeira diferença.
Os resultados obtidos permitiram concluir que choques na produção industrial fazem aumentar o consumo de energia, como é esperado. O efeito mais significativo ocorreu principalmente sobre DIESEL.
Em relação ao teste de causalidade de Granger, os resultados obtidos indicaram a presença de relação causal entre GASOL, IPI e GLP (a primeira causa Granger nas duas últimas). Dessa forma, é possível deduzir que políticas que incentivem o aumento do consumo de gasolina conduzam ao aumento da produção final no Estado. Além disso, também foi possível constatar que a produção industrial causa, no sentido de Granger, GASOL, EE, GLP e DIESEL.
REFERÊNCIAS BIBLIOGRÁFICAS
BLANCHARD, Olivier; SIMON, John. The Long and Large Decline in U.S. Output
Volatility. Brookings Papers on Economic Activity, v. 4, p. 135-64, 2001
ENDERS, W. Applied econometric time series. New York: Jonh Wiley & Sons, 1995.
ENGLE, R. F.; GRANGER, C.W.J. Co-integration and error-correction:
representation, estimation and testing. Econometrica, v. 37, p. 424-438, 1987.
FINN, M. G., Energy Price Shocks, Capacity Utilization and Business Cycle
Fluctuations. Minneapolis: Institute for Empirical Macroeconomics, 1991.
GONZALO, J; PITARAKIS, J. Y. Lag length estimation in large dimensional
systems. Journal of Time Series Analysis, v. 23, p. 401-423, 2002.
HAMILTON, J.D. Time Series Analysis. Princeton: Princeton University Press, 1994.
HARRIS, Richard I.D. Cointegration analysis in econometric modeling. London: Prentice Hall, 1995.
HARVEY, A. The Econometric Analysis of Time Series. 2. Ed. Massachusetts: The MIT Press, 1987.
HOLLAUER, Gilberto; BAHIA, Luis Dias; ISSLER, João Victor. Modelos Vetorias de
Correção de Erro Aplicados à Previsão de Crescimento da Produção Industrial. Brasília: IPEA, 2006.
HOPE, E.; SING, B. Energy Price Increases in Developing Countries. Washington: Policy Research Working Paper, n.1442, 1995.
IRFFI, Guilherme Diniz. Previsão da Demanda de Energia Elétrica para o Nordeste
Utilizando OLS Dinâmico e Mudança de Regime. 2007. 63 p. Dissertação (Mestrado em Economia) – Curso de Pós Graduação em Economia – CAEN, Universidade
LUCAS, R. E. Econometric Policy Evaluation: A Critique. North-Holland: Carnegie- Rochester Conference Series. 1976.
PERRON, P. Trend, unit root and structural change in macroeconomic time series. In: RAO, B. B. Cointegration for the applied economist. New York, ST. Martin’s Press, 1994.
ROTEMBERG, J.J., WOODFORD, M. Imperfect Competition and the Effects of
Energy Price Increases on Economic Activity. NBER Working Paper, 1996.
SARY, R., SOYTAS, U. Disaggregate energy consumption, employment, and
income in Turkey. Energy Economics v.26, p. 335-344. 2004.
SIMS, C. Macroeconomic and Reality. Econometrica, v. 48, n.1, p. 1-48, 1980.
SOYTAS, U., SARY, R. The relation between energy and production: Evidence
from Turkish manufacturing industry. Energy Economics. 2006.
STOCK, J. H.; WATSON, M.W. Forecasting Output and Inflation: The Role of
ANEXO 1
Gráfico 07 - Função impulso-resposta
-.01 .00 .01 .02 .03 .04 .05 .06 .07
1 2 3 4 5 6 7 8 9 10 Response of LIPICE to LIPICE
-.01 .00 .01 .02 .03 .04 .05 .06 .07
1 2 3 4 5 6 7 8 9 10 Response of LIPICE to LEE
-.01 .00 .01 .02 .03 .04 .05 .06 .07
1 2 3 4 5 6 7 8 9 10 Response of LIPICE to LDIESEL
-.01 .00 .01 .02 .03 .04 .05 .06 .07
1 2 3 4 5 6 7 8 9 10 Response of LIPICE to LGASOL
-.01 .00 .01 .02 .03 .04 .05 .06 .07
1 2 3 4 5 6 7 8 9 10 Response of LIPICE to LGLP
-.01 .00 .01 .02 .03 .04 .05
1 2 3 4 5 6 7 8 9 10 Response of LEE to LIPICE
-.01 .00 .01 .02 .03 .04 .05
1 2 3 4 5 6 7 8 9 10 Response of LEE to LEE
-.01 .00 .01 .02 .03 .04 .05
1 2 3 4 5 6 7 8 9 10 Response of LEE to LDIESEL
-.01 .00 .01 .02 .03 .04 .05
1 2 3 4 5 6 7 8 9 10 Response of LEE to LGASOL
-.01 .00 .01 .02 .03 .04 .05
1 2 3 4 5 6 7 8 9 10 Response of LEE to LGLP
-.02 .00 .02 .04 .06
1 2 3 4 5 6 7 8 9 10 Response of LDIESEL to LIPICE
-.02 .00 .02 .04 .06
1 2 3 4 5 6 7 8 9 10 Response of LDIESEL to LEE
-.02 .00 .02 .04 .06
1 2 3 4 5 6 7 8 9 10 Response of LDIESEL to LDIESEL
-.02 .00 .02 .04 .06
1 2 3 4 5 6 7 8 9 10 Response of LDIESEL to LGASOL
-.02 .00 .02 .04 .06
1 2 3 4 5 6 7 8 9 10 Response of LDIESEL to LGLP
-.01 .00 .01 .02 .03 .04 .05
1 2 3 4 5 6 7 8 9 10 Response of LGASOL to LIPICE
-.01 .00 .01 .02 .03 .04 .05
1 2 3 4 5 6 7 8 9 10 Response of LGASOL to LEE
-.01 .00 .01 .02 .03 .04 .05
1 2 3 4 5 6 7 8 9 10 Response of LGASOL to LDIESEL
-.01 .00 .01 .02 .03 .04 .05
1 2 3 4 5 6 7 8 9 10 Response of LGASOL to LGASOL
-.01 .00 .01 .02 .03 .04 .05
1 2 3 4 5 6 7 8 9 10 Response of LGASOL to LGLP
-.01 .00 .01 .02 .03 .04 .05
1 2 3 4 5 6 7 8 9 10 Response of LGLP to LIPICE
-.01 .00 .01 .02 .03 .04 .05
1 2 3 4 5 6 7 8 9 10 Response of LGLP to LEE
-.01 .00 .01 .02 .03 .04 .05
1 2 3 4 5 6 7 8 9 10 Response of LGLP to LDIESEL
-.01 .00 .01 .02 .03 .04 .05
1 2 3 4 5 6 7 8 9 10 Response of LGLP to LGASOL
-.01 .00 .01 .02 .03 .04 .05
1 2 3 4 5 6 7 8 9 10 Response of LGLP to LGLP
Graf. 08 - Séries em primeira diferença GLP -.16 -.12 -.08 -.04 .00 .04 .08 .12 .16 .20
00 01 02 03 04 05 06 07 08
DLGLP GASOL -.3 -.2 -.1 .0 .1 .2 .3
00 01 02 03 04 05 06 07 08
DLGASOL EE -.4 -.3 -.2 -.1 .0 .1 .2 .3
00 01 02 03 04 05 06 07 08
DLEE IPI -.20 -.15 -.10 -.05 .00 .05 .10 .15
00 01 02 03 04 05 06 07 08
DLIPICE DIESEL -.20 -.16 -.12 -.08 -.04 .00 .04 .08 .12 .16
00 01 02 03 04 05 06 07 08