Paulo Sergio Capriglione - Livros Grátislivros01.livrosgratis.com.br/cp066876.pdf · principal é...

Paulo Sergio Capriglione

A Energia Renovável na Matriz Energética Brasileira

São Paulo

Dezembro 2006

Livros Grátis

http://www.livrosgratis.com.br

Milhares de livros grátis para download.

PAULO SERGIO CAPRIGLIONE

A ENERGIA RENOVÁVEL NA MATRIZ ENERGÉTICA BRASILEIRA

Dissertação apresentada à Escola de

Economia de São Paulo da Fundação

Getúlio Vargas – FGV-EESP, como

requisito para obtenção do título de Mestre

em Finanças e Economia Empresarial.

Orientador: Prof. Dr. Alexandre Lahóz

Mendonça de Barros

SÃO PAULO

2006

PAULO SERGIO CAPRIGLIONE

A ENERGIA RENOVÁVEL NA MATRIZ ENERGÉTICA BRASILEIRA

Dissertação apresentada à Escola de Economia da Fundação Getúlio Vargas (FGV/EESP) como requisito para obtenção do título de Mestre em Finanças e Economia Empresarial. Data de aprovação: ___/___/_____ Banca Examinadora: Prof. Dr. Alexandre Lahóz Mendonça de Barros (Orientador) FGV-EAESP

Prof. Dr. Paulo Furquim de Azevedo FGV-EAESP

Profa. Dra. Márcia Azanha de Moraes USP-ESALQ

Capriglione, Paulo Sergio. A Energia Renovável na Matriz Energética Brasileira / Paulo Sergio Capriglione. - 2007. 107 f. Orientador: Alexandre Lahóz Mendonça de Barros. Dissertação (mestrado) - Escola de Economia de São Paulo. 1. Energia -Brasil. 2. Política energética - Brasil. 3. Produto interno bruto - Brasil. I. Barros, Alexandre Lahóz Mendonça de. II. Dissertação (mestrado) - Escola de Economia de São Paulo. III. Título.

CDU 620.9(81)


.............................................................. Á minha esposa Nancy,


AGRADECIMENTOS

Para a realização deste trabalho devo muito a algumas pessoas e instituições, por diferentes razões, e eu gostaria de agradecer especialmente:

Ao meu orientador, Prof. Dr. Alexandre Lahóz Mendonça de Barros, por compartilhar comigo o tema desta pesquisa, sendo um interlocutor disposto a oferecer estímulos e, principalmente, a percorrer novos caminhos, ouvir com interesse e ânimo todas as questões, dúvidas e problemas que surgiam durante o processo de reflexão. Por ser um interlocutor paciente e generoso e pela coragem de ousar trabalhar com novas idéias e conceitos, correndo os riscos inerentes a esta atitude. Por sua amizade, principalmente.

À Profa. Dra. Márcia Azanha de Moraes e ao Prof. Dr. Paulo Furquim de Azevedo, que me ofereceram, também durante a apresentação, muitas sugestões, exemplos e críticas fundamentais à reelaboração e aprumo da abordagem que eu vinha fazendo de meu tema. Por suas instigantes argüições na Banca.

Ao Prof. Alexandre Chibebe Nicolella, pelas importantes orientações nos preocedimentos econométricos e no tratamento dos dados utilizados neste trabalho.

À minha família, por todo apoio, carinho e amor, especialmente à minha esposa, Nancy, e aos meus filhos, Mariane e Renato, por suportarem pacientemente os extensos fins de semana que passei distante da vida familiar durante dois anos. No entanto, são eles mesmos a razão disto tudo, e é a eles que ofereço a minha conquista.

Ao Banco Itaú BBA S.A., que financiou durante 24 meses meu curso.

A todos agradeço, profundamente, e dedico o resultado do trabalho.

ÍNDICE LISTA DE TABELAS...................................................................vi LISTA DE FIGURAS...................................................................vii SUMÁRIO...................................................................................viii ABSTRACT..................................................................................ix I. INTRODUÇÃO ........................................................................... 10 II. REVISÃO BIBLIOGRÁFICA...................................................... 14 II.I. CONCEITOS DE ENERGIA....................................................... 14 II.II. RECURSOS NATURAIS E CRESCIMENTO ECONÔMICO...... 18 II.II.I. RECURSOS NATURAIS............................................................ 18 II.II.II. CRESCIMENTO ECONÔMICO.................................................. 21 II.III. INTENSIDADE ENERGÉTICA................................................... 27 II.IV. ELASTICIDADE ENERGIA/PIB................................................. 31 II.V. CURVA DE KUZNETS............................................................... 33

III. MATRIZES ENERGÉTICAS ..................................................... 35

III.I. ANÁLISE DA MATRIZ ENERGÉTICA BRASILEIRA................ 35 III.II. ENERGIA RENOVÁVEL NA MATRIZ ENERGÉTICA DE

OUTROS PAÍSES..................................................................... 39 III.II.I. MATRIZ ENERGÉTICA DO JAPÃO.......................................... 42 III.II.II. MATRIZ ENERGÉTICA DO CANADÁ...................................... 43 IV. ANÁLISE DOS DADOS ............................................................. 45 IV.I. DISTRIBUIÇÃO DAS FONTES ENERGÈTICAS....................... 47 IV.II. CÁLCULO DA INTENSIDADE ENERGÉTICA .......................... 48 IV.II.I. INTENSIDADE ENERGÉTICA POR FONTE............................. 51 IV.III. ANÁLISE ECONOMÉTRICA ..................................................... 58 IV.III.I. REVISÃO DAS TÉCNICAS ECONOMÉTRICAS...................... 58 IV.III.I.I.TESTE DE RAÍZ UNITÁRIA.................................................... 59 IV.III.I.II.TESTE DE JOHANSEN PARA COINTEGRAÇÃO................ 60 IV.III.I.III.VARIÁVEL INSTRUMENTAL ............................................... 60 IV.III.II.MODELO DE REGRESSÃO .................................................... 61 IV.III.II.I.CARACTERÍSTICAS DAS VARIÁVEIS DE INTERESSE ..... 62 V.CONCLUSÃO .................................................................................. 69 BIBLIOGRAFIA ................................................................................... 71 APÊNDICE A – EQUIVALÊNCIAS DE UNIDADES............................ 73 APENDICE B – PIB E OFERTA INTERNA DE ENERGIA.................. 73 APENDICE C – RESULTADOS DOS TESTES ECONOMÉTRICOS.. 76

vi

LISTA DE TABELAS

1 Variação da intensidade energética ∆IE/IE para algumas regiões de 81 a 91............................29

2 Geração Hidrelétrica no mundo em 2002.......................................................................................44

3 Teste de raiz unitária para as variáveis de interesse....................................................................65

4 Valores da OIE brasileira desde 1940.............................................................................................74

5 Valores do PIB brasileiro desde 1940 a valores deflacionados de 2005.....................................75

vii

LISTA DE FIGURAS

1 Evolução dos recursos renováveis com o estoque....................................................................21

2 Participação dos principais energéticos na matriz brasileira ao longo do tempo..................35

3 Evolução das principais fontes energéticas nos países da OECD............................................41

4 Participação das fontes energéticas na matriz japonesa...........................................................43

5 Evolução da matriz energética canadense...................................................................................43

6 Participação das fontes renováveis e não renováveis na matriz brasileira desde 1940.........47

7 ∆IE/IE para as fontes renováveis e variação da energia renovável desde 1945.....................48

8 ∆IE/IE para fontes não renováveis e variação da energia não renovável desde 1945............49

9 ∆IE/IE para OIE total e variação da OIE desde 1945...................................................................49

10 Intensidade energética do Brasil, em tEP/mil R$ de 2005........................................................50

11 Índice de intensidade energética, considerando o valor da IE em 1945 igual a 100.............51

12 Intensidade energética do Petróleo, em tEP/mil R$ de 2005....................................................52

13 Intensidade energética do Carvão Mineral e seus derivados, em tEP/mil R$ de 2005..........53

14 Intensidade energética do Urânio e Derivados, em tEP/mil R$ de 2005.................................54

15 Intensidade energética Hidráulica e Eletricidade, em tEP/mil R$ de 2005..............................54

16 Intensidade energética da Lenha e Carvão Vegetal, em tEP/mil R$ de 2005..........................56

17 Intensidade energética da Cana-de-açúcar e Derivados, em tEP/mil R$ de 2005..................57

18 Intensidade energética de outras fontes renováveis, em tEP/1000 R$ de 2005 ....................58

19 OIE das fontes renováveis (a) e não renováveis desde 1940...................................................62

20 Série de tempo do PIB a partir de 1970......................................................................................63

21 Série de tempo para OIE das fontes renováveis a partir de 1970............................................63

22 Série de tempo para OIE das fontes não-renováveis a partir de 1970....................................64

23 Série de tempo para OIE total gerada a partir de 1970.............................................................64

viii

SUMÁRIO

No Brasil, a participação das fontes renováveis na matriz energética

sempre foi muito alta. Este arranjo torna o Brasil um caso único, quando

comparado com outros países de porte econômico e renda média

equivalentes às suas e permite prever que esta opção de planejamento

energético, iniciada na década de 50, trará vantagens comparativas que

poderão vir a beneficiá-lo no longo prazo.

Esta constatação motivou a elaboração deste trabalho, cujo objetivo

principal é avaliar a evolução da energia renovável na matriz energética

brasileira desde 1940, comparando-a com a de outros países. Uma das

ferramentas utilizadas para entender a influência da energia renovável na

matriz energética brasileira foi a elaboração de um modelo de regressão

entre a demanda anual de energia e o Produto Interno Bruto neste período.

Os resultados obtidos permitiram mapear estes impactos, bem como

determinar a relação de causalidade entre as variáveis de interesse. Como

subproduto desta análise, calculou-se a elasticidade energia - PIB, que

trouxe algumas conclusões interessantes e importantes para a definição dos

parâmetros com vistas a subsidiar as previsões de investimento de longo

prazo no setor elétrico.

ix

ABSTRACT

The share of renewable energy in the Brazilian Energy Matrix has

always been at high level. This approach makes Brazil a particular case in

the world for a country with its economic figures, like GDP per capita and

economic structure. This level of renewable energy in the energy matrix,

caused by an option of the government energy policy in the 50’s, would bring

to Brazil comparative advantages and benefits in the long run. This single

position has caused the development of this work, whose main objective is to

evaluate the renewable energy in the Brazilian energy matrix since 1940,

comparing it with those of other countries. Also to understand the influence of

the renewable energy we developed a regression model between annual

energy demand and GDP. The results obtained with the use of this model

allowed us to map the impacts of this policy and have a good comprehension

of the causality between those variables. Also, the calculation of energy-GDP

elasticity brought some important conclusion, like the definition of certain

parameters to estimate the investment in the energy sector in the long run


10

I. INTRODUÇÃO

Jean Baptiste Say, ilustre economista afirmou: "As riquezas naturais

são inesgotáveis e não constituem objeto das ciências econômicas". A

própria ciência econômica mostrou o quanto a afirmação de Say estava

errada. Os economistas clássicos definiam os recursos naturais como uma

fonte inesgotável de fatores de produção, o que levou a um crescimento

econômico, baseado no desperdício e em emissões de poluentes físicos,

químicos e biológicos no meio ambiente.

Desde o final do século XVIII, quando o reverendo Thomas Robert

Malthus escreveu o conhecido ensaio sobre crescimento da população e

produção de alimentos, os economistas vêm se preocupando com a

necessidade de que os recursos despendidos para o desenvolvimento

econômico de hoje não comprometa o desenvolvimento econômico das

gerações futuras. Malthus acreditava que em algum momento da História, os

recursos naturais necessários para satisfazer as necessidades do homem

não seriam suficientes. A Revolução Industrial trouxe mudanças tecnológicas

radicais e crescente ocupação da superfície pelo Homem; a partir de então

se verificou que os modos de produção adotados estavam consumindo os

recursos de maneira desenfreada e as previsões para a existência do próprio

Homem tornaram-se sombrias.

A partir da década de 60 iniciaram-se vários debates sobre este tema,

que foram crescendo em importância. Nesta atmosfera nasceu o Clube de

Roma, em 1968, congregando cientistas, economistas e altos funcionários

governamentais. Este grupo foi criado com a finalidade de interpretar o que

foi denominado, sob uma perspectiva ecológica, “sistema global”. O aumento

dos preços do petróleo, o aumento da crise da dívida internacional nos

países emergentes, o desequilíbrios fiscais e a diminuição da produtividade

com o aumento dos salários reais, na década de 70, geraram expectativas

negativas de longo prazo, quanto ao aumento da entropia e ao declínio das

reservas naturais disponíveis (Nordhaus, 1992), deixando sempre a

pergunta: “até quando teríamos recursos para suportar o crescimento?”. Em


11

1972 foi apresentado um estudo denominado The Limits to Growth,

desenvolvido por Donella Meadows e outros e patrocinado pelo Clube de

Roma. Este trabalho é reconhecido atualmente como um marco nos debates

sobre a importância do desenvolvimento de uma economia sustentável. O

conceito de uma economia sustentável é muito importante e representa a

própria essência do estudo da economia, como definiu o economista inglês

Lionel Robbins: "A economia é a ciência que estuda as formas de

comportamento humano resultantes da relação existente entre as ilimitadas

necessidades a satisfazer e os recursos que, embora escassos, se prestam

a usos alternativos".

Os debates sobre o desenvolvimento mundial embasado em uma

economia sustentável começaram a se tornar mais freqüentes, ao mesmo

tempo em que cientistas começavam a chamar a atenção sobre os efeitos

causados, na atmosfera terrestre, pelos gases provenientes, principalmente,

da queima de combustíveis fósseis. O principal efeito é popularmente

conhecido como efeito estufa. Uma das atitudes tomadas para criar

restrições na emissão de gases e diminuir o efeito estufa foi a criação do

Protocolo de Kyoto, cuja assinatura dos países participantes foi conseguida

após várias rodadas de negociações internacionais.

Após a assinatura do protocolo de Kyoto, em agosto de 1992, um

novo ciclo mundial de encontros para discutir o desenvolvimento sustentável

iniciou-se com o World Summit on Sustainable Development e continuou

através de uma nova rodada no Brasília Regional Conference on Renewable

Energy, em 2003. Este ciclo diferiu dos anteriores pela forma como foram

concluídos, pois através deles foi definida quantitativamente, incluindo datas

limite para implantação, a necessidade de expansão do uso das fontes

renováveis no mundo e o aumento do percentual de energia produzida pelas

fontes renováveis.

Historicamente, a participação das fontes renováveis na matriz

energética da grande maioria dos países é muito pequena, situando-se na

média em torno de 5%. Ao contrário, no Brasil, a participação das fontes


12

renováveis sempre foi muito alta e ainda hoje apresenta uma matriz

energética com característica única para um país de seu porte econômico e

renda média. A participação da energia renovável na matriz energética

brasileira, atualmente, é muito maior que em outros países com porte

econômico similar. Entretanto, parece inevitável que no Brasil a médio e

longo prazo haja uma maior dependência dos combustíveis fósseis

(particularmente do gás natural), uma vez que novos aproveitamentos de

energia renovável, em especial a hidrelétrica pelo potencial natural brasileiro,

vão necessitando de maiores investimentos para serem implantados.

O objetivo deste trabalho consiste em avaliar a evolução da energia

renovável na matriz energética brasileira. Para atingir este objetivo foi feita

no item II uma revisão bibliográfica da teoria que envolve os conceitos de

energia, com ênfase na Primeira e na Segunda Lei da Termodinâmica, de

recursos naturais, de crescimento econômico e de intensidade energética.

Em particular, para o crescimento econômico foi pesquisada a influência da

entropia no crescimento dos países e procurou-se justificar, com o auxílio da

equação geral do crescimento que esta fonte de recursos não representa

limitação, pois a fonte primária da entropia consumida pelos países é o sol e

enquanto ele emitir seus raios em direção à Terra, haverá disponibilidade de

consumo do recurso entropia. No item III, foi feita uma revisão histórica dos

principais aspectos da matriz energética brasileira e mundial, com o objetivo

de descrever e entender a participação das principais fontes renováveis na

matriz energética. Para auxiliar o entendimento da elevada participação das

fontes renováveis na matriz energética brasileira buscou-se comparações

com as matrizes de outros países. Após uma seleção foram escolhidos o

Canadá e o Japão, por serem países com alto consumo energético, mas

disponibilidades de recursos naturais e políticas energéticas diferentes.

Finalmente, no item IV foi feita uma análise econométrica dos dados

referentes à oferta interna de energia no Brasil desde 1945 e ao Produto

Interno Bruto para determinar a elasticidade Energia PIB. Utilizando o

método dos Mínimos Quadrados Ordinários foram feitas algumas regressões

entre estas duas variáveis, oferta interna de energia e produto interno bruto.

Em função da relação entre estas duas variáveis, foram testadas diversas


13

regressões, ora tendo a energia como variável dependente e o PIB como

variável independente, ora a energia como variável independente e o PIB

como variável dependente. Nos modelos de regressão foram feitos testes de

raiz unitária e testes de cointegração de Johansen. Para evitar o viés de

omissão, em função da característica da relação entre energia e PIB foi

utilizado o método da variável instrumental que é um método de estimação

que permite reconhecer a presença da variável não-observada. Além da

determinação do modelo económétrico que permitisse regredir a Oferta

interna de energia com o PIB foi feita uma análise para determinar qual a

relação de causalidade entre elas, utilizando o método da Causalidade de

Granger. Os resultados encontrados foram bastante satisfatórios e estão em

linha com os resultados encontrados em outros países.


14

II. REVISÃO BIBLIOGRÁFICA

II.I. CONCEITOS DE ENERGIA

Energia se refere ao potencial inerente de um sistema para realizar

uma ação ou executar um trabalho. Apesar de todos nós termos um

sentimento do que é energia, é muito difícil elaborar uma definição precisa

para ela. Na verdade a Física aceita a energia como conceito primitivo, sem

definição, ou seja, apenas caracterizando-a. A conversibilidade é uma

característica fundamental da energia, para que possa ser adequadamente

utilizada. Sob certas circunstâncias, determinada forma de energia pode se

transformar em outra, possibilitando seu uso mais adequado e eficiente às

necessidades e disponibilidades do momento, logicamente em função da

tecnologia disponível. Uma medida usual de energia para estudos

econômicos é a tonelada equivalente de petróleo (tEP)1.

Considerando as fontes de energia atualmente consumidas pela

sociedade estas podem ser classificadas em dois tipos: fontes primárias,

originadas de processos fundamentais da natureza, como a energia

proveniente da irradiação solar, a energia nuclear, proveniente dos núcleos

dos átomos ou a energia gravitacional; e as fontes secundárias, derivadas

das primeiras, representando apenas transformações e/ou diferentes formas

daquelas, tais como a energia da biomassa, cuja origem é a energia solar,

das marés, cuja origem primeira é gravitacional devida ao movimento entre

terra e lua e a energia geotérmica, cuja origem vem das altas temperaturas

existentes no interior da Terra. Sob a ótica física a energia se manifesta sob

diversas formas, dentre as quais podemos destacar:

• radiação;

• química;

• nuclear

• térmica

• mecânica

• elétrica 1 A conversão de tEP para unidades comuns de energia e força estão apresentadas no Apêndice A


15

• magnética

• elástica

Outra forma de classificar as fontes energéticas é com relação à

categoria dos recursos naturais que as originam. Desta forma, as fontes

podem ser classificadas em renováveis (eólica, solar, geotérmica, hidráulica

e biomassa) e as não-renováveis (petróleo, carvão mineral e atômica).

Em termos mundiais, segundo a Energy Information Association (EIA),

órgão do governo dos Estados Unidos, a geração primária de energia foi de

421 bilhões de MBTU, ou 10,61x109 tEP. A geração primária, também em

2003, nos países da Organisation for Economic Co-operation and

Development (OECD) foi de 5,90x109 tEP. Para situar o Brasil neste

contexto, a demanda brasileira, neste mesmo ano, foi de 0,20 x109 tEP, ou

1,89% da demanda mundial.

Os sistemas2 trocam energia uns com os outros transformando a

energia de uma fonte em outro tipo de energia que pode ser utilizado pelo

homem. Por exemplo, a energia irradiada pelo sol que é transformada em

energia química. Esta energia, depois de transformada é utilizada pela

sociedade sob diversas formas; porém, na sua totalidade, os processos de

conversão e transferência de energia são governados por duas leis

fundamentais: a Primeira e a Segunda Lei da Termodinâmica. A Primeira Lei

da Termodinâmica é em essência a lei de conservação de massa e energia,

que estabelece uma mudança necessariamente qualitativa entre massa e

energia, não podendo haver nem criação e nem destruição da mesma

(Georgescu-Roegen,1999). Pela Primeira Lei da Termodinâmica, o balanço

energético de um sistema genérico pode ser resumido através da igualdade,

na qual a energia útil obtida de um sistema é igual à energia consumida pelo

sistema, deduzidas as perdas ocorridas neste sistema. Outra definição

importante é a da eficiência mecânica no uso da energia de um determinado

sistema, que é dada pela razão entre a energia útil obtida do sistema e a

2 Definição utilizada por Georgescu-Roegen (1999): um sistema é um conjunto de elementos interconectados, em que transformações ocorridas em uma das partes, influenciarão todas as outras partes.


16

energia consumida pelo mesmo.

Para discorrer sobre a Segunda Lei da Termodinâmica (SLT) vamos

utilizar as definições de Georgescu-Roegen (1999) e o exemplo da

combustão em um pedaço de carvão. Antes do início da queima, toda

energia química está livre no sentido de estar disponível para ser utilizada e

realizar algum tipo de trabalho. A energia livre liberada na reação é a

máxima quantidade de energia que pode realizar trabalho útil. Durante o

processo de queima, contudo, a energia vai perdendo sua qualidade de

aproveitamento, de forma que ao final da combustão ela se dissipa

completamente no meio ambiente, tornando-se energia dispersa, isto é,

energia numa forma tal que não pode ser mais utilizada para o mesmo

propósito.

Ainda segundo Georgescu-Roegen (1999), para analisar a SLT é

necessário definir um conceito mais amplo da variável entropia, que pode ser

vista como um índice da quantidade relativa de energia dissipada em uma

determinada estrutura isolada, ou mais precisamente, quão uniforme a

energia está distribuída nesta estrutura. Em outras palavras, alta entropia

significa uma estrutura na qual grande parte ou toda a energia encontra-se

dispersa e baixa entropia significa uma estrutura na qual grande parte ou

toda energia está livre.

O fato comum que envolve a interpretação da SLT diz que o calor

sempre flui do corpo mais quente para o corpo mais frio e jamais em sentido

contrario, cujo enunciado generalizado é que a entropia do universo (ou de

uma estrutura isolada) aumenta constantemente e irreversivelmente.

Atualmente, este conceito é interpretado como a transformação de ordem

em desordem. A idéia vem da observação que a energia livre é uma

estrutura ordenada, enquanto que energia dispersa é caótica e distribuída

desordenadamente. Georgescu-Roegen (1999) trata da irreversibilidade dos

processos entrópicos com bastante detalhe no seu livro. O interesse dos

economistas na irreversibilidade dos processos entrópicos é que se estes

não fossem irreversíveis, seria pouco provável a existência da escassez dos


17

recursos na vida humana, uma vez que os recursos naturais poderiam ser

utilizados tantas vezes quantas necessárias, até o infinito, e a humanidade

simplesmente se preocuparia em utilizar com maior ou menor velocidade os

estoques existentes. Outra questão de interesse, porém de natureza mais

geral, diz respeito a uma fraqueza humana, ou mais especificamente à

dificuldade do ser humano em admitir suas limitações para entender o

tempo, o espaço, a matéria e a energia. Por conta desta fraqueza é que,

mesmo que ninguém consiga sustentar ser possível aquecer uma caldeira

apenas com cinzas de carvão, o que seria contrário à SLT, de tempos em

tempos alguém busca provar que é possível com auxílio de algum

equipamento engenhoso retornar alta entropia para a condição de baixa

entropia. Ou seja, o homem está sempre disposto a acreditar que deve

existir alguma forma de energia que permita auto-gerar potência

perpetuamente. Em um processo econômico, insumos com baixa entropia

são transformados em produtos com alta entropia. Este é o limite imposto

pela física. A ciência econômica deve incorporar essa limitação.

Georgescu-Roegen (1999) ainda analisa o conceito de negentropia,

introduzido por Schrödinger (1943) para explicar que um sistema vivo

exporta entropia para manter sua própria entropia em nível baixo, ou seja, é

a perda de entropia de um sistema causada pelo maior fluxo de saída de

entropia que de entrada. Um exemplo na termodinâmica é dado pela troca

de calor entre um sistema com temperatura (frio) menor que outro (quente)

através de um sistema intermediário, que interliga os dois sistemas. Neste

caso, o sistema de interligação estará em equilíbrio, pois emite tanta energia

quanto recebe. Porém, como em termodinâmica, uma das definições de

entropia diz que esta é dada pela quantidade de calor, dividida pela

temperatura do meio, o fluxo de entropia que entra no sistema intermediário

vinda do sistema quente será menor que o fluxo de entropia que sai do

sistema intermediário e vai para o sistema frio. Ou seja, no sistema

intermediário há uma perda líquida de entropia, embora a quantidade total de

entropia aumente.


18

II.II. RECURSOS NATURAIS E CRESCIMENTO ECONÔMICO

Ao considerarmos a interface da economia com o meio ambiente, o

processo econômico tem seu inicio através das atividades de extração de

recursos naturais. Portanto, a revisão deste trabalho será iniciada pelas

definições que envolvem os recursos naturais e, em seguida, as que

envolvem crescimento econômico.

II.II.I. RECURSOS NATURAIS

A questão econômica fundamental que envolve o consumo de

recursos naturais diz respeito ao consumo das fontes de baixo custo de

aproveitamento, ou seja, é a taxa com a qual as fontes de baixo custo serão

exauridas ao longo do tempo.

Os recursos naturais são normalmente categorizados como

renováveis ou não-renováveis (exauríveis). Os recursos renováveis se auto-

regeneram, ou seja, são repostos pela natureza (energia solar, eólica,

hidroelétrica, biomassa e outras). Recursos não-renováveis são aqueles que,

depois de esgotados não podem mais ser produzidos (combustíveis fósseis,

urânio enriquecido, carvão mineral, gás natural e outros). Os recursos não-

renováveis têm sua quantidade total disponível na natureza limitada, logo

qualquer utilização num certo período de tempo significará que haverá

menos deste recurso disponível para próximos períodos. Contudo, a

distinção entre exauríveis e renováveis pode se confundir, uma vez que

recursos renováveis podem ser exauridos, se não forem gerenciados de

maneira sustentável. Por vezes, um recurso pode ter algumas características

de recursos renováveis e outras de exauríveis, como por exemplo, o solo.

Como recursos naturais utilizados na produção podem-se destacar o

uso do solo, subsolo, as águas, pluviosidade e clima, a flora e a fauna e


19

qualquer forma de energia natural que se encontra no espaço sideral. Neste

estudo será analisado o uso da energia renovável na produção.

A base da teoria econômica para os recursos não renováveis foi

formulada por Gray (1914) e Hotelling (1931). Estas análises foram

desenvolvidas, em um determinado contexto histórico, no qual os recursos

mundiais exauríveis (florestas, minerais e outros, renováveis e não

renováveis) estariam sendo extraídos rapidamente e vendidos a preços

relativamente baixos.

Uma fonte renovável, segundo Weil (2005), é aquela que pode ser

reabastecida por processos naturais e pode ser utilizada repetidamente.

Algumas fontes renováveis não são afetadas pela quantidade utilizada num

determinado período de tempo. O exemplo mais simples é a luz solar. A

quantidade de luz solar disponível a cada ano é aproximadamente a mesma

e a quantidade usada em qualquer ano não afeta a quantidade disponível

nos anos futuros. Para outras fontes renováveis a situação é mais complexa;

por exemplo, com relação às plantas e animais, embora esses recursos

possam regenerar-se, a quantidade de recursos disponíveis depende do

consumo passado e a velocidade com a qual se realiza a regeneração

depende do uso. Se for utilizado mais do que o possível a fonte pode ser

extinta.

Gordon (1954) foi o primeiro a formular de forma compreensiva as

regras para a utilização dos recursos renováveis ao longo do tempo. Em

seus estudos, utilizou a atividade da pesca e considerou seus recursos sob

duas condições distintas: uma que considerou o acesso livre aos recursos e

outra com os recursos sob propriedade exclusiva. Em suas conclusões

mostrou que sob a condição de acesso livre, os recursos poderiam se

exaurir até chegar próximo à extinção. Gordon (1954) mostrou, também, que

para os recursos renováveis, a decisão, de qual quantidade ótima deve ser

considerada é independente de quando utilizá-la, pois se os recursos não

forem consumidos, seu estoque aumenta naturalmente. Com o passar do

tempo, quanto maior a disponibilidade do estoque de recursos, mais


20

aumentará a taxa potencial de sua utilização.

Para ilustrar o processo que ocorre com as fontes renováveis, pode-

se construir uma relação matemática simples. Define-se St como o estoque

de recursos no início do período t, Ht é a quantidade de determinado recurso

consumido no período t e Gt é a quantidade que cresce no período t. A

variação no estoque de um período para o outro será a diferença entre a

quantidade que aumenta e a quantidade consumida. Isto é:

t t 1 t t tS S S G H+∆ = − = −

O aumento dos recursos é uma função de duas variáveis: do estoque

existente do recurso S e da capacidade de regeneração do meio ambiente. A

capacidade máxima é definida como a maior quantidade do recurso que

pode existir na natureza caso nunca tenha sido consumido. Se o estoque do

recurso é igual à capacidade máxima existente no meio ambiente, então não

haverá crescimento do estoque. Se o nível de estoque de recursos tem

valores próximos à capacidade máxima do meio ambiente, menores

quantidades de estoque significarão maiores taxas de crescimento. Por outro

lado, se o estoque é baixo, então um segundo fator deve ser considerado, o

tempo para regeneração, ou seja, o estoque só voltará a crescer se o tempo

com baixo consumo for longo o suficiente para permitir que o estoque volte à

máxima taxa de consumo sustentável. Esta situação ocorre no uso dos

aqüíferos subterrâneos.

A figura 1 mostra uma curva em forma de arco que representa o

crescimento de um recurso renovável como função de seu estoque. A forma

exata da curva depende do tipo de recurso considerado.

O pico da curva S* representa a máxima taxa de consumo

sustentável, que é a maior quantidade de recursos que pode ser utilizado

num período sem diminuir a quantidade de recursos disponíveis para uso

futuro. Neste ponto encontra-se o ponto ótimo do estoque de recursos S*.


21

G (Taxa de crescimento do recurso em t)

Máxima taxa de consumo sustentável

S (estoque do recurso) S* Capacidade (estoque ótimo) máxima

Figura 1: Evolução dos recursos renováveis com o estoque

Em resumo, para um recurso que ainda não foi utilizado, o estoque

será igual à capacidade máxima. Se o recurso for consumido com a taxa

máxima sustentável, o estoque diminuirá temporariamente antes de

estabilizar no ponto de estoque ótimo S*. Contudo, se a utilização do recurso

for maior que a taxa máxima sustentável por um grande período o estoque

cairá abaixo de S* e poderá atingir zero. Uma vez que o estoque cai abaixo

de S*, o estoque não poderá ser recuperado, simplesmente, reduzindo a

utilização à taxa máxima sustentável, é necessária uma utilização menor que

esta até que atinja novamente o ponto ótimo.

II.II.II. CRESCIMENTO ECONÔMICO

O crescimento econômico no longo prazo é função da acumulação

dos fatores e do aumento da produtividade dos mesmos. O produto real, Y é

resultado da combinação dos seguintes fatores de produção: trabalho, L,

que é constituído de uma parcela da população, conhecida como

economicamente mobilizável; capital, K, que compreende o conjunto de

riquezas acumuladas pela sociedade, das quais a população

economicamente ativa se utiliza para o exercício das atividades de

produção; terras T, que é a base sobre a qual se exercem demais atividades;


22

recursos naturais, R e progresso tecnológico, A.

A busca do equilíbrio entre os fatores de produção acima é uma

condição essencial para a manutenção do desenvolvimento econômico da

forma como conhecemos hoje. Caso contrário, os caminhos traçados podem

levar a uma rota de colisão com a natureza. A disponibilidade das reservas

naturais, renováveis ou não, não depende apenas dos níveis e das

dimensões de suas ocorrências, mas também de sua interação com os

demais fatores de produção, notadamente do nível de capacitação

tecnológica. Por outro lado, o nível de conhecimento e a racionalização do

uso, é que permitem utilizar as reservas naturais corretamente e viabilizar

seu efetivo aproveitamento na produção. O crescimento econômico utiliza-se

dos recursos naturais, no processo de geração de riquezas. Os recursos

naturais, por representarem um fator de produção limitado, assim como os

demais fatores, devem ser utilizados com maior produtividade, sem

sobrecarregar sua capacidade de utilização como fonte de geração de novos

recursos. O processo de desenvolvimento econômico deve se sustentar

numa utilização racional dos recursos, ou seja, que se tornem mais

duradouros e saudáveis nas relações entre a natureza fonte destes recursos

e as necessidades do homem.

Para estudar os efeitos dos recursos naturais no produto de um país

faremos uma análise simplificada, conforme proposto por Nordhaus (1992).

Utilizaremos o modelo geral para uma economia fechada, que é uma

extensão do modelo neoclássico tradicional de crescimento. Para determinar

Y corrigido para todas as externalidades envolvidas no processo econômico

utilizaremos a função G, que corrige o produto interno bruto, X e as

externalidades, P. O produto real corrigido será

Y=G(X,P)

Seja F uma função de produção clássica, suave (infinitamente

diferenciável) e com retornos constantes de escala, na qual todos os fatores

possuem produtos marginais positivos (primeiras derivadas parciais do

produto com relação aos fatores de produção positivas) e retornos


23

decrescentes (segundas derivadas parciais do produto com relação aos

fatores de produção negativas) podemos reescrever a função G, como.

Y=G(X,P)=F(L,R,T,K,A)

Neste modelo, os fatores de produção são fluxos tais que, L

representa o fluxo de trabalho, que é proporcional à população

economicamente ativa, R é o fluxo de recursos naturais, incluindo os

renováveis e os não-renováveis, T é o fluxo de terras do país, K é o serviço

do capital, proporcional ao estoque de capital e A representa o nível de

tecnologia. Sem perda da generalidade, Y pode ser convenientemente

reescrito na forma de uma função de produção do tipo Cobb-Douglas

generalizada, ou seja, uma função potencia, onde os expoentes são as

elasticidades do produto com relação aos fatores de produção. Teremos

então o produto Y

a b c dY=A*L *R *T *K (I)

Onde, num determinado período t de tempo, os expoentes que

representam a participação de cada respectivo fator de produção no produto

são funções das proporções dos fatores de produção:

Y La a(L,R,T,K,t) *L Y

∂= =∂

Y Rb b(L,R,T,K,t) *R Y

∂= =∂

∂= =∂Y Tc c(L,R,T,K,t) *T Y

∂= =∂Y Kd d(L,R,T,K,t) *K Y

Este modelo geral, que inclui os recursos naturais, pode ser simulado,

para uma economia fechada, com auxílio de técnicas de solução de

equações diferenciais, por exemplo, para calcular o efeito da diminuição de

um determinado fator no crescimento de longo prazo de um país. Uma

abordagem interessante é sugerida por Nordhaus (1992), através de


24

algumas simplificações na equação geral, que facilitam o tratamento

matemático e permitem de forma analítica avaliar a importância do fator de

produção no processo histórico de crescimento. Nordhaus utiliza este

modelo para realizar simulações, estima a limitação dos diversos recursos

naturais, como minerais, energia, efeito estufa e outros, no crescimento

econômico e apresenta os resultados individuais.

Um resultado interessante mostrado por Nordhaus (1992) é a

limitação que o recurso entropia poderia introduzir no crescimento mundial.

Em seu trabalho, Nordhaus afirma que “Uma das maiores preocupações

daqueles que estudam a ecologia e a sustentabilidade diz respeito às

implicações da termodinâmica na atividade econômica”. Nordhaus utiliza-se

dos conceitos de entropia e negentropia de Georgescu-Roegen (1999), para

quem a entropia é o termo técnico da termodinâmica que designa a medida

da energia não-disponível de um sistema fechado, enquanto que a

negentropia é a medida da energia disponível de um sistema fechado. Para

Georgescu-Roegen:

“[O]ur whole economic life feeds on low entropy, to wit, cloth, lumber,

china, copper, etc., all of which are highly ordered [i.e., negentropic]

structures…. Even with a constant population and a constant flow per capita

of mined sources, mankind’s dowry will ultimately be exhausted if the career

of the human species is not brought to an end earlier by other factors.” 3

Para Nordhaus (1992), utilizando a abordagem de Georgescu-Roegen

um sistema pode ser representado através do modelo geral de crescimento

para cálculo do produto, com alguns ajustes:

t t t t t, t tY min[F(L ,R ,T ,K A ), O ]= η

onde, Ot é o consumo humano de negentropia e η é razão fixa

consumo-produção de negentropia. Esta equação mostra que o aumento da

entropia (ou a diminuição da negentropia) no processo produtivo é um

3 Georgescu-Roegen (1999, páginas 277 e 296). Ênfase dada no original


25

atributo essencial da atividade econômica. A equação do balanço da

negentropia para um determinado sistema na superfície da terra é definida

como:

t t 1 t t tN N I O−= + − θ (II)

Seja Nt o estoque inicial de negentropia, It o fluxo líquido de entrada

de negentropia proveniente da energia solar e θt o fator de perda4. Pela SLT,

em um sistema fechado a negentropia, medida por Nt, deve diminuir ao

longo do tempo.

Para estimar as limitações ao crescimento impostas pela entropia,

Nordhaus considerou uma economia sem externalidades, e utilizou a

equação (II) acima, sem fazer ajustes, pois esta já inclui as restrições

tecnológicas para as diversas atividades da economia (conversão e

extração). A equação (II) não adiciona nenhuma restrição na atividade

econômica e, portanto mostra que virtualmente todo estoque de negentropia

está contido nas fontes apropriadas de recursos e a restrição ao crescimento

causada pela entropia já está contida nas próprias fontes de energia.

Qualquer correção adicional será dupla contagem. O próprio Georgescu-

Roegen (1999) argüiu que o fluxo de negentropia é enorme relativamente

aos recursos renováveis e não renováveis atualmente utilizados pelo homem

(em exaustão e em estoque). Como o fluxo de energia solar é tão maior que

as outras grandezas envolvidas, Nordhaus (1992) conclui que enquanto a

energia solar chegar à superfície terrestre a limitação ao crescimento

econômico pelo aumento de entropia será zero.

Uma vez que a entropia não representa limitação ao crescimento

econômico, uma análise importante a ser feita é entender a substituição dos

fatores de produção no longo prazo, através da recordação de alguns

conceitos. Como já foi dito, em economias competitivas há uma tendência

4 A quantidade perdida de negentropia na economia atual é muito grande, por exemplo, para voar de avião por aproximadamente 400 km, um passageiro necessita de um trabalho equivalente a 2.800 J, enquanto o avião gasta o equivalente a 240 milhões J em combustível, por passageiro. Nordhaus (1992, pg. 33).


26

dos mercados que envolvem os fatores de produção de equilibrarem-se no

longo prazo. Esta noção de equilíbrio de mercado, nos mercados de fator,

tem duas abordagens. A primeira é puramente descritiva e diz respeito ao

equilíbrio de mercado, onde oferta e demanda se igualam. A segunda, de

natureza teórica, é relacionada ao mecanismo causal que se supõe ser o

gerador do equilíbrio, pois na abordagem neoclássica, equilíbrio de mercado

significa também, que oferta e demanda por fatores se equilibram no longo

prazo e a demanda por fatores de produção vai se adaptar à dotação de

recursos produtivos.

O sentido da relação de causalidade entre eles é dado partindo dos

recursos produtivos e chegando à demanda por eles, sendo o primeiro, a

variável independente e o segundo a variável de ajuste ou dependente.

Sob a ótica da teoria neoclássica, o mecanismo básico que é visto em

economias competitivas é o assim chamado princípio da substituição (tanto

na produção, quanto no consumo). A idéia básica é a de que, sob condições

competitivas, qualquer aumento exógeno na dotação disponível de qualquer

fator de produção vai levar no longo prazo a um aumento na demanda por

este fator. Uma explicação para esta idéia, diz respeito a maior

disponibilidade daquele fator em relação à demanda inicial por ele, levando a

uma redução no seu preço em relação aos preços dos demais fatores de

produção. A queda resultante no preço relativo daquele fator terá então o

duplo efeito de tornar mais baratos: os métodos de produção que usam

aquele fator mais intensivamente (levando à substituição na produção) e o

preço final de bens e serviços, em cuja produção aquele fator é usado em

alta proporção (levando à substituição no consumo).

O efeito deste mecanismo de substituição por uma ou ambas as rotas

acima mencionadas é aumentar a demanda pelo fator de produção cuja

dotação tenha aumentado, uma vez que mudanças apropriadas vão tornar

lucrativo usar este fator mais intensivamente na produção, tanto pela via da

substituição direta (na produção), quanto pela via da substituição indireta de

fatores. Ou em outras palavras, a substituição no consumo leva a um


27

aumento na demanda por bens mais intensivos no fator que ficou mais

barato, gerando um aumento na demanda derivada por este fator. Contudo,

para que o mecanismo acima descrito opere no sentido postulado pelos

neoclássicos, as funções de demanda por fatores têm que ser

negativamente inclinadas.

II.III. INTENSIDADE ENERGÉTICA

Quando se pretende comparar os padrões de vida em diferentes

países, utiliza-se o Produto Interno Bruto per capita (PIB/capita), que resulta

da divisão em um determinado ano do valor do PIB pela população do país.

A renda per capita é um indicador do crescimento e do desenvolvimento de

um país. Em 2003 o Brasil ocupava a posição número 67 no ranking de

países. Em termos de consumo energético total, o Brasil é o maior

consumidor de energia da América Latina..

Quando se estuda o recurso energia, a intensidade energética, IE é

um dos indicadores mais utilizados para comparações econômicas. A IE é

calculada através da relação entre energia, E e PIB, ou seja, a IE mede a

relação entre consumo de energia de um país e o crescimento do seu PIB.

Este índice dimensiona a eficiência do uso da energia na criação de riqueza.

Há uma vasta literatura sobre o assunto, especialmente em se tratando de

análises econométricas relativas a impactos macroeconômicos decorrentes

de choques nos preços da energia. Da definição de intensidade energética

tem-se

= EIEPIB

A IE é usualmente expressa em tEP por mil dólares americanos de

PIB para um dado ano de referência. Da definição da intensidade energética

podemos obter as mudanças percentuais como segue:

logIE logE logPIB= −


28

IE E PIBIE E PIB

∆ ∆ ∆= − (III)

A tabulação dos valores da IE através de séries temporais de longo

prazo, segundo Goldemberg (2003), mostra que ela não é constante. Em

particular esta é uma das constatações deste trabalho para a matriz

energética brasileira, pois reflete os efeitos combinados de mudanças na

estrutura do PIB, assim como mudanças na combinação das fontes de

energia e na eficiência de seus usos. Neste caso é útil relacionar a energia e

o PIB pela equação:

E k PIBγ=

Onde γ é a elasticidade de renda do consumo de energia e k é uma

constante.

logE logk logPIB= γ + γ

E PIBE PIB

∆ ∆= γ

EEPIB

PIB

∆

γ =∆

Para a maior parte das nações verifica-se que a intensidade

energética tende a declinar ao longo do tempo. Há uma série de

interpretações possíveis para a causa desse declínio: os modelos

paramétricos se concentram nas modificações da eficiência energética intra-

setorial (Tolmasquim, 2000); nos modelos de insumo-produto, verificam-se

as modificações estruturais, bem como aquelas ocorridas na estrutura da

demanda final; e os modelos econométricos testam a relação entre o uso de

energia e a produção (Stern, 1993).

A tabela 1 abaixo relaciona alguns valores das mudanças percentuais

da IE no período de 1981 a 1991 para algumas regiões (Goldemberg, 2003):


29

∆E/E ∆PIB/PIB ∆IE/IE Elasticidade

Sul da Ásia 6,5 5,2 1,3 1,25

Leste da Ásia 7,7 6,6 1,1 1,17

América Latina 2,9 1,8 1,1 1,61

África 4,1 2,7 1,4 1,52OECD 1,4 3,7 -2,3 0,38Fonte: Energy in Developing Countries- Asectorial Analysis, OECD/IEA, Paris (1994) Tabela 1: Variação da intensidade energética ∆IE/IE para algumas regiões de 1981 a 1991

Deve-se notar que o conjunto de países formados pela OECD foi a

única região em que a variação de ∆IE/IE foi negativa no período

considerado. Nota-se ainda que o indicador intensidade energética abrange

o desempenho econômico do setor industrial e o impacto da substituição

energética e tecnológica sobre o consumo de energia deste setor. Em países

como o Brasil, com parque industrial constituído por indústrias maduras,

quando este não se altera em sua estrutura, a análise prospectiva da

intensidade energética é bastante influenciada pelo baixo valor unitário

médio da produção. Para ter uma maior eficiência energética em termos

econômicos, deve-se ter não apenas ganhos tecnológicos no consumo de

energia, mas também alterações de caráter monetário e econômico, pois

existe um limite tecnológico para redução da intensidade energética. Além

deste limite, é fundamental considerar a inserção do país na divisão

internacional do trabalho, uma vez que, para o atual desenvolvimento

tecnológico, a infra-estrutura energética mundial disponível torna-se

insustentável no longo prazo, se expandidos ao nível de todas as nações,

pois continua sendo baseada em processos produtivos intensivos em

energia.

O impacto do crescimento econômico é atenuado pela diminuição da

intensidade energética ocasionada pelos efeitos combinados das mudanças

econômicas estruturais, do progresso tecnológico e dos aumentos nos

preços da energia

Os dados obtidos para realização da análise econométrica deste

trabalho são provenientes do Balanço Energético Nacional (BEN). Os dados

tabulados representam a Oferta Interna de Energia (OIE), que é a energia


30

disponibilizada para ser transformada, distribuída e consumida nos diversos

processos produtivos. A menos de ajustes estatísticos, a soma do consumo

final em todos os setores econômicos, com as perdas na distribuição e

armazenagem e com as perdas nos processos de transformação deve ser

igual à OIE.

A contabilização das diferentes formas de energia se dá com a

utilização de fatores de conversão, que levam em consideração a

capacidade de liberação de calor, de cada combustível, quando da sua

combustão completa (conceito de poder calorífico). 5

Na matriz energética brasileira o uso eficiente da energia nunca foi

fator prioritário. Aumentar a eficiência com que a energia é utilizada ou

promover a eficiência energética, ou a conservação da energia deve ser

sempre um objetivo a ser alcançado. Existem várias possibilidades para

aumentar a eficiência na utilização das fontes primárias de energia,

conforme Goldemberg (2003):

• Potencial teórico representa o que se pode atingir com base

em considerações termodinâmicas nas quais os serviços

decorrentes do uso de energia não são reduzidos, mas a

demanda por energia e as perdas são minimizadas por meio do

processo de substituição, reutilização de materiais, calor e

perdas;

• Potencial técnico representa economias de energia que

resultam do uso das tecnologias mais eficientes do ponto de

vista energético, as quais são comercialmente disponíveis, sem

levar em conta considerações econômicas;

5 Quantidade de calor, em kcal, que desprende 1 kg ou 1Nm³ de combustível, quando da sua combustão completa. Os combustíveis que originam H2O nos produtos da combustão têm um poder calorífico superior (PCS) e um poder calorífico inferior (PCI). Tanto o PCS quanto o PCI são calculados em base seca, ou seja, com 0% de umidade. Para evaporar a H2O formada é consumida parte do calor gerado, resultando no poder calorífico inferior e que, na realidade, tem significado prático (BEN 2005).


31

• Potencial de mercado é o que se espera obter dadas as

condições de contorno, tais como o preço da energia, as

preferências dos consumidores e as políticas públicas;

• Potencial econômico representa a economia de energia que

seria obtida se todas as adaptações e substituições fossem

feitas utilizando as tecnologias mais eficientes e que fazem

sentido econômico com os preços de energia a mercado. O

potencial econômico implica um mercado que funcione bem

com competição entre novos investimentos no suprimento e

demanda de energia e total disponibilidade de informações

necessárias para a tomada de decisão;

• Potencial Social representa a economia de energia se as

externalidades, tais como os custos dos danos causados ou

evitados na saúde, poluição do ar e outros impactos ecológicos

fossem levados em conta.

II.IV. ELASTICIDADE ENERGIA/PIB

Economistas de todo o mundo dedicam parte de seu tempo

analisando o impacto que os preços do petróleo e de outros energéticos

possam causar na atividade econômica. Para correlacionar o uso da energia

e a atividade econômica, diversos estudos foram realizados, mas as

explicações para esta correlação divergem entre os economistas. Diversos

argumentos mostram que esta correlação pode não ser tão direta, quanto

possa induzir nossa intuição sobre o assunto (Cleveland,1999). Durante as

décadas de 70 e 80, quando ocorreram os choques do petróleo, o aumento

da escassez de energia não gerou uma redução tão flagrante da atividade

econômica. Indo além, estas situações estimularam substituições e

mudanças tecnológicas que, de certa forma, dissociaram o uso da energia

do crescimento do PIB. A negação de uma relação determinista entre

consumo de energia e crescimento econômico e por conseqüência,


32

desenvolvimento, tem sido advogada por vários autores (BERRAH, 1983,

TOLMASQUIM, 1993),

Como conseqüência, aceitando-se que esta relação pode não ser

direta, o país pode adotar um modelo de desenvolvimento menos intensivo

em energia. Esta diretriz é mais importante para os países em

desenvolvimento, aonde qualquer hipótese de desenvolvimento, conduz

necessariamente a um aumento do consumo de energia, em função da forte

dinâmica demográfica e do baixo nível de renda geral da população.

Alguns autores entre eles MARTIN (1988) demonstraram que a

associação entre intensidade energética e PIB é conseqüência do tipo de

industrialização adotada para promover o crescimento e o desenvolvimento

de um país. Desta forma, uma industrialização baseada em indústrias

pesadas, intensivas em energia (energo-intensivas) levará fatalmente a um

aumento da intensidade energética. Atualmente, os países em

desenvolvimento enfrentam uma situação de maior dificuldade para crescer,

que os países hoje desenvolvidos enfrentaram no passado. Os mesmos

recursos utilizados para o crescimento dos países desenvolvidos, quando

empregados hoje pelos países em desenvolvimento, não serão suficientes

e/ou, custarão bem mais caro, pois há uma relativa configuração de

escassez de recursos em relação ao passado.

Uma análise histórica das relações entre energia e crescimento

econômico mostra, para os países desenvolvidos, uma evolução das

elasticidades, crescentes no início, as elasticidades atingem um ponto de

saturação, para depois decrescerem, ou seja, baixas elasticidades no início,

atingem valores compreendidos entre 1,5 e 2 durante os primeiros anos de

industrialização, para em seguida cair para um valor próximo da unidade,

decrescendo progressivamente.

A questão emergente seria a de identificar o quão forte é a relação

entre energia e produção econômica. Indo além, determinar qual o potencial

para que modificações estruturais, tecnológicas e institucionais os dissocie.

Para isso, Cohen (2005) sugere a utilização de um indicador de intensidade


33

material na produção de bens e serviços, além da usual intensidade

energética.

Esse indicador paralelo de intensidade da economia material, e que

não será objeto de estudo deste trabalho, é calculado a partir da quantidade

de material necessário à produção de uma unidade monetária do PIB. Na

verdade, busca-se através da desmaterialização, saber qual a redução

absoluta ou relativa na quantidade de materiais empregados e a quantidade

de resíduos gerados na produção de uma unidade de produção econômica

que é possível de se atingir. Pode se atribuir este processo evolucionário à

maturação das economias ou ao crescimento da renda das populações

(Ayres, 1989). Tem-se observado, nos países desenvolvidos, que na medida

em que a renda cresce, as preferências dos consumidores tendem a

transferir-se para o consumo de serviços. Na produção de serviços a

quantidade de material empregado é naturalmente inferior, quando

comparado à maior parte dos bens produzidos. De fato, à medida que uma

economia cresce as necessidades por bens de infra-estrutura do tipo pontes,

estradas de ferro, construção de indústrias pesadas, decrescem reduzindo o

consumo de aço, cimento e outros materiais de indústrias de base. Ademais,

há a melhoria de eficiência do uso de materiais e a substituição por materiais

mais baratos,

II.V. CURVA DE KUZNETS

Seguindo a linha do raciocínio abordado na seção anterior, chega-se

à curva conhecida como Curva de Kuznets Ambiental (CKA), um indicador

de sustentabilidade ambiental amplamente utilizado, que teve origem na

teoria do economista Simon Kuznets, em 1955. Kuznets desenhou a curva

do nível de desigualdade social para países desenvolvidos em função da

renda per capita e chegou a um perfil de “U” invertido, uma vez que a

desigualdade, conforme teorizado por Kuznets, inicialmente aumenta e

passa a diminuir após um determinado estágio de desenvolvimento. Análises

empíricas têm sido feitas desde então para atestar que a relação se verifica


34

não só para desigualdade, como também para outros processos como a

exaustão de recursos, para alguns processos de poluição e

desflorestamento. Ainda, a CKA tem sido largamente usada como indicador

de sustentabilidade (Banco Mundial, 1992).

As explicações usualmente utilizadas para a dissociação entre o

consumo de energia e o crescimento utilizando a teoria de Kuznets provem

da constatação que nos estágios iniciais de desenvolvimento (renda per

capita baixa), o consumo de recursos (que inclui energia) é baixo. Neste

estágio a economia é tradicionalmente baseada na agricultura e o índice de

mecanização é baixo. Com o aumento subseqüente da industrialização há

um incremento da demanda de insumos materiais para a construção da

infra-estrutura básica. Com o estabelecimento do desenvolvimento, as

necessidades por infra-estrutura básica diminuem à medida com que cresce

a demanda por serviços, menos material-intensivos. Há quem argumente

(Bernardini, Galli,1993) inclusive, que a CKA se verifica não somente para os

diferentes estágios de desenvolvimento de uma nação, mas também entre

países, denotando diferenças no nível de desenvolvimento econômico

destes países. Em outras palavras, países localizados na parte crescente da

curva estariam em estágios mais atrasados de desenvolvimento do que

aqueles que se situam na parte decrescente da curva.

Apesar de muitos resultados empíricos demonstrarem que a teoria de

Kuznets é válida, ainda há severas críticas a sua utilização. Dados coletados

entre 1966 e 1990 (Cleveland, 1999) mostraram que a maioria dos países

desenvolvidos de fato dissociou o consumo do crescimento entre 1966 e

1984, mas no final da década de 80 tornaram a mostrar a associação entre

energia e crescimento, apresentando intensidades energéticas que crescem

com o PIB. O resultado seria uma curva em N e não mais um U invertido,

como tradicionalmente se apresenta a CKA.


35

III. MATRIZES ENERGÉTICAS

III.I. ANÁLISE DA MATRIZ ENERGÉTICA BRASILEIRA

Pelas normas dos Estados Unidos, em 2002, o Brasil podia ser

considerado um consumidor de energia modesto. Em relação aos Estados

Unidos, o consumo brasileiro de eletricidade per capita era de 13% e o total

de geração de energia primária era de aproximadamente 14% (IEA,2002).

Em 2005, o IEA informou que o Brasil era o décimo maior consumidor de

energia do mundo e o terceiro maior no hemisfério ocidental, atrás dos

Estados Unidos e do Canadá

Fonte: MME – BEN 2005

Figura 2: Participação dos principais energéticos na matriz brasileira ao longo do tempo

Como pode ser visto na figura 2, a mudança na utilização das fontes

primárias de geração de energia no período considerado mostrou que houve

uma importante modernização na matriz energética, a explicação para este

efeito está descrita no item IV.I deste trabalho. Porém em termos gerais, o

consumo de energia cresceu a taxa de 5,6 % ao ano no período de 1979 a

2000, sendo que o destaque ocorreu na geração hidroelétrica com

crescimento de 9,2 % ao ano, no mesmo período, aumentando sua

participação. O crescimento do consumo de gás natural aumentou a uma

taxa de 27,3% ao ano, porém quando agrupado em petróleo e seus

derivados, verifica-se que praticamente a participação do grupo não se

alterou.

1975

48.5%

3.5%6.8%

36.3%

4.6%

0.4%

1990

43.7%

6.8%14.1%

20.1%

13.4% 1.9%

2004

48.0%

6.7%14.4%

13.2%

13.5%

4.2%

PETRÓLEO, GÁS NATURAL E DERIV. CARVÃO MINERAL E DERIVADOS

HIDRÁULICA E ELETRICIDADE LENHA E CARVÃO VEGETAL

PRODUTOS DA CANA OUTRAS(*)


36

Para entendermos a evolução da matriz energética brasileira,

principalmente após a década de 70 é interessante utilizarmos algumas

considerações feitas por GOLDEMBERG (2002), uma vez que durante as

décadas de 50 e 60, mais de 60% da matriz era composta por energia

gerada pela lenha e carvão vegetal.

A partir de 1974, a dependência externa brasileira pelo petróleo teve

conseqüências desastrosas na balança de pagamentos do país. A

importação de petróleo, em 1972, representava 9.4 % do valor de todas as

exportações, enquanto que em 1980 passou a ser 51 %, apesar do esforço

governamental em aumentar as exportações. Esta foi a uma das razões,

senão a principal para introdução do programa de utilização do álcool (Pró-

Álcool) como combustível, no período de 1975 a 1980. O Pró-Álcool

objetivou a conversão do motor dos automóveis à gasolina para álcool,

primeiramente para uma mistura álcool-gasolina e, posteriormente a

fabricação de motores que utilizavam 100% de álcool. A partir da década de

80 o desenvolvimento do Pró-Álcool aliado ao aumento das reserva

petrolíferas brasileiras e à diminuição do preço internacional do petróleo

diminuíram o percentual das importações de petróleo para 13,7 % em 1990,

6,9% em 1998 e 11,8 em 2000.

Após os grandes déficits no biênio 1974-75 e com o preço do açúcar

no mercado internacional baixo, as medidas e os subsídios dados pelo

governo fizeram do Pró-Álcool um sucesso. Em 2001 a produção de álcool

atingiu 10,7 Gl, dos quais 30% eram consumidos como álcool hidratado (com

4% de água) em mais de 6,0 milhões de veículos. Embora em certos

momentos a produção de carros com motor a álcool tenha diminuído, em

função dos preços internacionais do petróleo, o uso do álcool como

combustível aumentou consistentemente.

Atualmente, como fonte renovável, a biomassa ganhou força e o

Brasil, atualmente, é o segundo maior produtor de cana de açúcar do mundo

além de ser um importante exportador de álcool anidro, sendo que sua

adição à gasolina vem crescendo consideravelmente, principalmente nos


37

Estados Unidos e no Japão. Os fatores mundiais que levaram o Brasil a esta

posição são: a dependência externa a combustíveis fósseis não-renováveis;

problemas políticos com companhias produtoras de petróleo; restrições

ambientais para diminuir a poluição ambiental; questões de mudança

climática do planeta; e o aumento da consciência pública sobre o

desenvolvimento sustentável.

O programa brasileiro de desenvolvimento do álcool, com participação

significativa na matriz energética, é atualmente um paradigma a ser seguido.

Os subsídios utilizados pelo governo foram importantes para a maturação do

álcool como importante fonte energética, no início do programa, e com a

queda dos custos de produção e o aumento da escala de produção,

deixaram de atuar, fazendo com que o mercado atuasse livremente. Este

padrão brasileiro é aplicado mundialmente numa enorme gama de novas

tecnologias.

Com base nesta experiência, o Brasil propôs no World Summit on

Sustainable Development (WSSD) de 2002, a iniciativa para que os países

buscassem estabelecer metas globais concretas, de forma a considerar uma

participação mínima das fontes renováveis em suas matrizes energéticas.

Em termos de crescimento mundial, enquanto os combustíveis fósseis

crescem a uma taxa de 2% ao ano, a energia eólica e solar fotovoltaica

crescem a taxa de 30% ao ano, aquecimento solar a 8% ao ano e biomassa

a 3% ao ano, ou seja, todas as fontes renováveis crescem acima da taxa de

crescimento dos combustíveis fósseis. A energia renovável, quase sempre,

está disponível próximo ao local de consumo, possuindo um grande

potencial para ser aproveitada, em tese, de forma ilimitada.

Uma visão geral da matriz energética do Brasil em 2004, bem como

de seus indicadores energéticos, mostra que o Brasil tinha uma OIE per

capita de 1,17 tEP se situando bem abaixo da média mundial (1,65 tEP/hab

– dado de 2002), abaixo da Argentina (1,54 tEP) e muito abaixo dos USA

(7,97 tEP). Já a intensidade energética que era de 0,24 tEP/mil US$ (dólar

de 1995) se mostra comparativamente mais alta que a da Argentina (0,23


38

tEP/mil US$1995), dos Estados Unidos (0,25 tEP/mil US$1995) e do Japão

(0,09 tEP/mil US$1995). Este último indicador, aliás, demonstra que o Japão

necessita investir em energia, por unidade de PIB, menos da metade do que

o Brasil investe.

Na condição de exportador de aço, alumínio, ferro ligas, celulose,

açúcar e outros produtos de baixo valor agregado, o Brasil apresenta

estrutura produtiva intensiva em energia e capital. Dados do IBGE indicam

que em 2004, a OIE, influenciada pelo crescimento de produtos de

exportação intensivos em energia e pelo crescimento interno de alguns

setores (materiais de transporte, química, dentre outros), apresentou

crescimento de 5,7%, taxa superior à do PIB (crescimento de 4,9%). Note-se

que não tem sido comum a OIE crescer acima da economia quando esta

apresenta bom desempenho.

O gás natural continuou, em 2004, a aumentar sua participação na

matriz energética passando de 7,7% (em 2003) para 8,9%, resultado da sua

crescente utilização na geração elétrica, na indústria e no transporte. A

hidráulica manteve a participação próxima de 14,4%. O fraco desempenho

da produção de petróleo e o alto desempenho da demanda interna de

energia elevaram a dependência externa de petróleo de 12,5%, em 2003

para 15,9% em 2004.

Ainda em 2004, 43,9% da OIE foi gerada por fontes de energia

renovável, enquanto que a média mundial foi de 13,6% e nos países da

OECD foi de 6%, em 2002. Desta forma, o Brasil continuou a manter as

vantagens comparativas em relação ao resto do mundo em termos de

utilização de fontes renováveis de energia.

Em resumo, para um país que possui o porte econômico do nível do

Brasil, a matriz energética brasileira apresenta uma característica bastante

peculiar, que é a alta participação da energia renovável. Esta alta

participação confere vantagens comparativas ao Brasil em relação aos

outros países: baixa perda elétrica em relação à OIE e baixa emissão de

CO2 na atmosfera. A primeira é conseguida pela elevada participação da


39

geração hidráulica, e a segunda, pela grande utilização da biomassa na

geração de energia em combustíveis automotivos. Pela primeira, as perdas

na transformação e na distribuição são de apenas 7% da OIE no Brasil,

enquanto que em outros países as perdas montam a valores entre 25 e 30%

da OIE (elevada geração de energia elétrica de origem térmica). Pela

segunda, o Brasil apresenta baixa taxa de emissão de CO2, de 1,62

tCO2/tEP, quando comparada com a média mundial, de 2,32 tCO2/tEP.

III.II. ENERGIA RENOVÁVEL NA MATRIZ ENERGÉTICA DE OUTROS PAÍSES

O estudo anual de projeção do consumo energético, denominado

International Energy Outlook, elaborado pela International Energy Agency

(IEA) em 2006, mostra que o consumo de combustíveis fósseis continua

crescendo. O petróleo continua sendo a fonte de energia dominante, mas

com tendência de diminuição de consumo nos próximos 25 anos. O gás

natural por sua vez continua sendo uma opção desejada para geração de

energia elétrica, principalmente pelo seu baixo conteúdo de carbonos, que o

prioriza quando os países desejam diminuir a emissão de gases que causam

o efeito estufa. O carvão também teve sua utilização aumentada em

praticamente todas as regiões do mundo exceto o Japão que tem sua

produção de energia elétrica dominada por gás natural e plantas nucleares.

Esta combinação de aumento de preços faz com que a projeção do consumo

de carvão aumente sua participação na matriz energética nos próximos 25

anos. Os países como China e Índia, onde o carvão é abundante serão

responsáveis por este aumento. Somente estes países respondem por cerca

de 70% do aumento no consumo mundial do carvão. Neste estudo o IEA

mostra que a tendência de aumento de participação no mercado de energia

será no gás natural e nas fontes renováveis. Nos próximos 25 anos,

segundo o IEA a participação do gás natural aumentará de 19% para 22% e

as energias renováveis de 18% para 19%, crescimento pouco significativo.

Em termos absolutos a energia renovável no mundo tem tido forte


40

crescimento. Por exemplo, a geração de energia eólica no mundo tem

crescido a taxas próximas a 30% ao ano, lógico que comparativamente a

uma base pequena. Por outro lado em termos relativos a participação das

modernas fontes renováveis, na matriz energética mundial, incluindo

grandes usinas hidroelétricas, têm permanecido em torno de 4%. Cenários

utilizados em estudos de projeção energética consideram que no médio

prazo, esta participação deverá aumentar muito. O estudo desenvolvido

pela IEA, denominado Alternative Policy Scenario considera o potencial

impacto das novas políticas do meio ambiente e energia, já aplicadas em

muitos países. Nestes cenários alternativos a participação das fontes

renováveis é projetada para atingir 40% ou mais ocorrendo o aumento

principalmente nos países da OECD. Em virtude das dificuldades que

envolvem a implantação dos projetos de fontes renováveis de energia, como

altos custos, longos períodos de maturação dos projetos e o valor intrínseco

da infra-estrutura existente, as fontes renováveis não substituirão os

combustíveis fósseis ou os combustíveis de origem nuclear nos próximos

anos, embora os primeiros possam ajudar a aumentar o período de

utilização dos segundos.

Nos países em desenvolvimento, muitas vezes com sistemas

inadequados de fornecimento de energia elétrica, a energia renovável pode

prover, através de geração distribuída, uma alternativa aos altos custos de

implantação de redes de distribuição de energia elétrica nas áreas rurais.

Benefícios adicionais poderão incluir desenvolvimento econômico social do

acesso universal à energia elétrica. Nos países industrializados e nas

economias em transição, já em estágio próximo ao acesso universal, o

desenvolvimento acelerado de fontes renováveis evitarão o aumento da

emissão de CO2 na atmosfera e poderão facilitar a transferência tecnológica

para paises em desenvolvimento.

Quando os objetivos da utilização da energia renovável dizem

respeito à redução de emissões de gases que causam o efeito estufa,

algumas considerações devem ser feitas. Alguns aspectos, como forma de

transporte, podem diminuir o benefício do uso de uma fonte em princípio


41

mais limpa, que leva a preocupação de que para este fim específico todo o

ciclo do combustível deve ser analisado minuciosamente, como por exemplo

ocorre nas fontes de biomassa, entre eles o álcool proveniente da cana-de

açúcar e do milho.

A viabilidade econômica para implementação de projetos de fontes de

energia renovável nos países desenvolvidos aumentou muito nos últimos 10

anos. Algumas plantas eólicas, pequenas centrais hidroelétricas e

geotérmicas estão tornando-se competitivas para vender energia no

mercado de atacado. Outras como a energia fotovoltaica, os aquecedores

solares e algumas fontes de biomassa ainda necessitam subsídios para

tornarem-se competitivas. Em áreas rurais a energia renovável ainda

representa a melhor alternativa.

Seja qual for o modelo regulatório, este deverá ser necessariamente

transparente, ser claro e coeso em relação aos mecanismos de mercado,

das políticas governamentais e incentivos. A relevância e a utilidade da

energia renovável varia de país para país. Porém, em média, como já foi

dito, a participação das fontes renováveis na geração de energia no mundo é

muito pouco representativa.

Fonte : EIA-jun/06

Figura 3: Evolução das principais fontes energéticas nos países da OECD

Na Figura 3 acima, apresenta-se um gráfico que demonstra a

evolução, nos últimos 25 anos, das participações das principais fontes

primárias de energia na matriz energética mundial, divididas em renováveis e

0,0%10,0%20,0%30,0%40,0%50,0%

1980

1985

1990

1995

2000

2005

Part

icip

ação

na

mat

riz e

nerg

étic

a m

undi

al (m

il m

ilhõe

s M

M B

TU)

Petóleo Gás natural Carvão Nuclear Renováveis


42

em cada uma das principais fontes não-renováveis.

Historicamente, a participação das fontes renováveis na matriz

energética mundial tem se mantido abaixo de 10%. Apesar de existirem

alguns países em que esta participação atinge participações maiores, não há

caso em que esta participação atinja os níveis existentes no Brasil. A seguir

iremos descrever dois arranjos de matrizes energéticas de dois países

diferentes, com o objetivo de comparar a participação das fontes renováveis,

obviamente em função dos recursos energéticos disponíveis: o Japão alto

consumidor de energia, porém com pouca disponibilidade de recursos

naturais e o Canadá, também consumidor intensivo de energia, mas ao

contrário do Japão dispõe de muitos recursos naturais. Uma breve descrição

das características de cada matriz é apresentada a seguir.

III.II.I. MATRIZ ENERGÉTICA DO JAPÃO

Como dispõe de poucos recursos naturais, o Japão depende de

importações para suprir mais de 80% da energia necessária. O petróleo

responde com cerca de 50% de todo o suprimento de energia primária, dos

quais 88% são supridos pelo Oriente Médio. Como pode ser visto na Figura

4 abaixo, após a crise da década de 70 o Japão reduziu sua dependência

energética do petróleo e passou a priorizar a energia nuclear.

A evolução da matriz energética japonesa mostra o desequilíbrio entre

a geração de energia com fontes renováveis e com fontes não renováveis.

Praticamente inexistente na década de 60, as fontes de energia renováveis,

passaram a representar pouco mais de 4 % em 2001, data do levantamento

efetuado.


43

Figura 4: Participação das fontes energéticas na matriz japonesa

III.II.II. MATRIZ ENERGÉTICA DO CANADÁ

O Canadá desenvolveu uma política energética muito parecida com a

brasileira no que diz respeito às fontes renováveis de energia, principalmente

pelo potencial hídrico que possui. A Figura 5 mostra a evolução das

participações de cada fonte na matriz energética do Canadá a partir de 1973.

Uma análise desta informação mostra que apesar de existirem semelhanças

nas políticas energéticas, a participação das fontes renováveis na matriz

canadense é bem menor que no Brasil, com aproximadamente 11% de

participação na oferta interna de energia.

Fonte:IEA- Energy Policies of IEA Countries - 2000

Figura 5: Evolução da matriz energética canadense

Fonte:Governo Japonês, General Energy Statistics

1973

48,6%

31,0%

5,9%

2,1%

8,4%

3,9% 2005

37,1%

37,6%

9,1%

5,3%

6,9%

4,0%1997

33,5%

37,8%

11,8%

5,9%

8,3%

2,7%

PETRÓLEO E DERIVADOS GÁS NATURAL CARVÃO

NUCLEAR HIDRÁULICA OUTRAS RENOVÁVEIS


44

Como ocorre no Brasil, a geração de energia através da

hidroeletricidade é a principal fonte de energia elétrica do Canadá. A geração

hidroelétrica canadense representa aproximadamente dois terços de toda

energia elétrica gerada. A tabela 2 abaixo mostra os maiores produtores de

energia hidroelétrica em 2002.

Países Produção (GWh)

Capacidade (MW)

Canada 353.000 67.100

Estados Unidos 300.000 76.000

Brasil 300.000 64.000

China 258.000 82.700

Russia 174.000 44.700

Noruega 121.000 27.600

Total Mundo 2.740.000 729.000

Fonte: World Atlas and Industry Guide, International Journal on Hydropower and Dams. Aqua-Media International, UK, 2003.

Tabela 2 – Geração Hidrelétrica no mundo em 2002


45

IV. ANÁLISE DOS DADOS

Como mencionado no início, o objetivo principal deste trabalho

consiste em avaliar a evolução da energia renovável na matriz energética

brasileira, mapeando o comportamento das fontes geradoras de energia

renovável e de energia não-renovável, no período de tempo que pudesse

englobar as reformas estruturais e econômicas pelas quais o Brasil passou

após a Segunda Guerra Mundial.

Para dar subsídio a este estudo foram realizadas algumas regressões

entre o PIB e as variáveis de energia: oferta interna de energia total, oferta

de energia renovável e oferta de energia não-renovável. Importante também

passou a ser o entendimento de qual seria a relação de causalidade entre as

variáveis citadas acima. Para tanto foi feita uma análise com o auxílio dos

testes de causalidade de Granger. Adicionalmente foi feito o cálculo do

indicador intensidade energética das fontes renováveis, das fontes não-

renováveis e da oferta total de energia, para traçar o perfil da geração

energética brasileira ao longo do período estudado.

A informação sobre o PIB brasileiro foi obtido na base de dados do

Instituto de Pesquisa Econômica Aplicada (IPEA), que elaborou a série a

partir do valor do PIB nominal, em Reais de 2005, utilizando-se do novo

Sistema de Contas Nacionais do IBGE. O PIB em Reais constantes de 2005

foi utilizado como objetivo de minimizar os efeitos das variações monetárias

ocorridas, principalmente a partir da década de 80.

Os dados referentes à geração de energia foram extraídos do Balanço

Energético Nacional - BEN, que é uma base de dados elaborada pelo

Ministério das Minas e Energia. Esta base de dados contém entre outras

informações, os valores de oferta interna de energia para cada tipo de fonte

geradora, desde 1945.

As informações sobre a OIE total brasileira desde 1945, bem como da

OIE de cada fonte de energia renovável e não-renovável foram obtidas com

base no BEN de 2005, ano base 2004. Sobre os dados de energia coletados


46

para esta base valem algumas considerações iniciais de como são obtidos e

publicados.

A elaboração e a publicação do BEN é uma atribuição da Empresa de

Pesquisas Energéticas (EPE), vinculada ao Ministério das Minas e Energia,

em conjunto com a equipe da Secretaria de Planejamento e

Desenvolvimento Energético – SPE/MME. Os dados são publicados

anualmente, desde 1970, e anteriormente em base qüinqüenal, desde 1945,

o BEN apresenta extensa pesquisa sobre consumo, produção e

comercialização dos diferentes energéticos em âmbito nacional, bem como

informações relativas à oferta e ao consumo das fontes de energia, nas suas

formas primárias e secundárias, obtidas junto aos diversos agentes

produtores e consumidores de energia. A base de dados que dá suporte às

edições do BEN contempla, desde 1970, os fluxos físicos anuais de 49

formas e grupos de energia, num conjunto total de 47 atividades, dentre os

quais produção, estoques, comércio externo, transformação, distribuição e

consumo nos setores econômicos. Adicionalmente aos fluxos físicos, são

incorporadas informações de instalações energéticas, de recursos e

reservas, de preços dos principais energéticos, de dados econômicos, de

dados estaduais e de dados mundiais, com o objetivo de possibilitar

diferentes análises das mudanças estruturais ocorridas na demanda e oferta

de energia.

Apesar de representarem uma extensa base de dados, para os

padrões brasileiros, as informações apresentadas no BEN são qüinqüenais,

entre 1940 e 1970. Se fossem utilizados somente os dados qüinqüenais, a

amostra seria pequena e poderia introduzir viés na análise. Alternativamente,

buscaram-se outras fontes de informações sobre energéticos produzidos

neste período em base anual. Outra fonte de informações para dados anuais

neste período é a base de dados denominada “Estatísticas do Século XX"

com as estatísticas populacionais, sociais, políticas, culturais e econômicas,

publicadas ao longo do Século XX e produzidas pelo IBGE e outros órgãos

públicos, composta por 326 séries históricas. Nela estão incluídos dados de

produção e consumo das principais fontes energéticas desde o início do


47

Século XX, de forma anual. Apesar de obter a maioria das informações

sobre fontes renováveis e não-renováveis, algumas informações

fundamentais não puderam ser obtidas, como por exemplo, aquelas

relacionadas à produção/consumo da lenha e do carvão vegetal entre 1940 e

1970, que são as duas mais importantes fontes energéticas neste período.

Somente estas duas fontes, em conjunto, representavam mais de 89% de

participação na OIE em 1940, tendo decrescido sua participação até 50% em

1970, mesmo assim uma participação elevada. Como solução alternativa

para suprir esta deficiência, buscou-se a interpolação dos dados no período

intra-qüinqüenal para a geração por carvão e lenha, mas esta alternativa

introduzia viés na regressão.

IV.I. DISTRIBUIÇÃO DAS FONTES ENERGÈTICAS

A primeira providência para uma análise estatística é entender os

dados. Na Figura 6, os dados da oferta primária de energia no Brasil, desde

1940, referentes à tabela 3 do Apêndice B, estão agrupados em fontes

renováveis e fontes não renováveis.

Fonte: BEN 2005

Figura 6: Participação das fontes renováveis e não renováveis na matriz brasileira desde 1940

Os dados mostram que as fontes renováveis tiveram um decréscimo

de participação na matriz energética brasileira, enquanto que as fontes não-

renováveis tiveram um forte aumento de participação até início da década de

0,0

20,0

40,0

60,0

80,0

100,0

1940

1950

1960

1970

1980

1990

2000

2002

2004

Part

icip

ação

na

Mat

riz E

nerg

étic

a (%

)

Renovável Não Renovável


48

80. Este fato deveu-se principalmente à substituição da lenha e do carvão

vegetal por petróleo e seus derivados. Como já foi dito anteriormente neste

trabalho, estas constatações mostram que houve uma modernização na

utilização das fontes primárias de energia no Brasil, ao longo dos últimos 65

anos. Apesar da queda na participação das fontes renováveis na matriz

energética brasileira até o início da década de 80 de lá para cá esta

participação ainda manteve-se em altos patamares, ou seja, acima de 40% e

permanecem sem comparação em qualquer outro país do mundo. O fato a

ser ressaltado é que apesar da alta participação das fontes renováveis até

1980 a obtenção deste combustível não era sustentável pois acontecia um

desmatamento predatório. Uma análise importante que deve ser feita para

se entender a matriz energética brasileira é a evolução do índice intensidade

energética, não só para a OIE total, mas também para cada fonte de

geração isoladamente.

IV.II. CÁLCULO DA INTENSIDADE ENERGÉTICA

O cálculo do indicador IE para o caso brasileiro, a partir de 1940, foi

feito com as informações disponíveis nas tabelas 3 e 4, no Apêndice B,

utilizando-se a relação (III) obtida no item II.III.

Figura 7: ∆IE/IE para as fontes renováveis e variação da energia renovável desde 1945

-0,15

-0,1

-0,05

0

0,05

0,1

0,15

1945

1947

1949

1951

1953

1955

1957

1959

1961

1963

1965

1967

1969

1971

1973

1975

1977

1979

1981

1983

1985

1987

1989

1991

1993

1995

1997

1999

2001

2003

∆Energia Ren. ⁄ Energia Ren. ∆IEren/Ieren


49

Com a relação (III), calculou-se a variação ∆IE/IE primeiro para o

caso da energia renovável e traçado o gráfico da figura 7 acima, para

verificar o comportamento da variação percentual da energia renovável e da

variação percentual da IE das fontes renováveis, a qual será denominada

IEren.Adotou-se o mesmo procedimento para o caso da IE para fontes não

renováveis IEren, cujo gráfico está apresentado na figura 8.

Figura 8: ∆IE/IE para fontes não renováveis e variação da energia não renovável desde 1945

Para a IE que considera a OIE total IEtot, a variação está na figura 9.

Figura 9: ∆IE/IE para OIE total e variação da OIE desde 1945

-0,15

-0,1

-0,05

0

0,05

0,1

0,15

1945

1947

1949

1951

1953

1955

1957

1959

1961

1963

1965

1967

1969

1971

1973

1975

1977

1979

1981

1983

1985

1987

1989

1991

1993

1995

1997

1999

2001

2003

∆Energia Total ⁄ Energia Total ∆IEtot/IEtot

-0,2

-0,1

0

0,1

0,2

0,3

0,4

1945

1947

1949

1951

1953

1955

1957

1959

1961

1963

1965

1967

1969

1971

1973

1975

1977

1979

1981

1983

1985

1987

1989

1991

1993

1995

1997

1999

2001

2003

∆Energia N.Ren. ⁄ Energia N.Ren. ∆IEnren/IEnren


50

As figuras 7, 8 e 9 mostram que até aproximadamente 1980 a

variação do PIB foi maior que a variação da intensidade energética para as

fontes renováveis e, conseqüentemente, para a OIE total, uma vez que até

este período, a lenha e o carvão vegetal eram as fontes dominantes na

matriz energética brasileira. Já para a intensidade energética das fontes

renováveis isto não ocorreu e a sua variação foi constantemente positiva.

Para entender a variação da IE brasileira apresenta-se na figura 10

sua evolução a partir de 1945. A análise desta figura, em conjunto com as

figuras 7, 8 e 9, mostra que o impacto da mudança tecnológica, ou seja da

modernização e da industrialização da economia brasileira, sobre a matriz

energética brasileira é bastante acentuada e com grande variação nos

primeiros 30 anos, ou seja, até após o primeiro choque do petróleo, no início

da década de 70. No período seguinte, compreendido entre o primeiro e o

segundo choque do petróleo, a IE continuou diminuindo, porém num ritmo

menor. A partir do início da década de 80, com menor crescimento

econômico, a IE passou a mudar pouco se mantendo praticamente

constante nestes últimos 20 anos.

Figura 10: Intensidade energética do Brasil, em tEP/mil R$ de 2005

0

0,05

0,1

0,15

0,2

0,25

0,3

1945

1949

1953

1957

1961

1965

1969

1973

1977

1981

1985

1989

1993

1997

2001

2005


51

Outra forma de visualizar a variação da IE brasileira ao longo do

tempo é como mostrada na Figura 11 abaixo, porém foi refeito o cálculo para

variações percentuais e considerando a IE em 1945, como índice igual a

100.

Figura 11: Índice de intensidade energética, considerando o valor da IE em 1945 igual a 100

No próximo item será analisado o comportamento de cada fonte de

geração, para corroborar ou não a constatação da análise feita acima.

IV.II.I. INTENSIDADE ENERGÉTICA POR FONTE

Nesta seção serão apresentadas as curvas que mostram a evolução

da IE para cada fonte de energia não-renovável e renovável, com o objetivo

de identificar os efeitos da mudança tecnológica em cada uma delas.

Ainda, sobre as fontes energéticas apresentamos um pequeno

histórico de cada uma delas (Goldemberg, 2002), mostrando sua importância

relativa e seus aspectos principais.

0

20

40

60

80

100

120

1945

1947

1949

1951

1953

1955

1957

1959

1961

1963

1965

1967

1969

1971

1973

1975

1977

1979

1981

1983

1985

1987

1989

1991

1993

1995

1997

1999

2001

2003

Indi

ce In

tens

idad

e en

ergé

tica

(IE-1

945

=100

)


52

a) PETRÓLEO, GÁS NATURAL E DERIVADOS

Até a década de 70 a produção brasileira era pequena, com pequeno

volume de reservas descobertas. De 1979 até 2000 o total de reservas

aumentou muito (mais de 10 vezes) chegando a atingir a produção de

177.000 t/dia. Após 2000 a produção continuou crescendo a uma taxa média

de 18% ao ano chegando à auto-suficiência em 2005. A maior parte das

reservas encontra-se fora do continente.

A produção de gás aumentou cerca de 8,0% ao ano de 1992 a 2001,

de forma que o Brasil era o 37º maior produtor de gás do mundo. O Brasil

iniciou na década de 90 um programa de importação de gás dos países

vizinhos, Bolívia e Argentina, buscando aumentar a participação do gás na

matriz energética para algo em torno de 10% em 2010. Novas reservas

foram incorporadas através de descobertas de reservas na bacia de Santos

e na Bahia.

A IE do petróleo e gás cresce até o início da década de 60, mantendo-

se constante até o segundo choque do petróleo, depois uma queda até

meados da década de 80, aumentando até final dos anos 90 permanecendo

praticamente constante nos últimos 6 anos.

Figura 12: Intensidade energética do Petróleo, em tEP/mil R$ de 2005

0

0,01

0,02

0,03

0,04

0,05

0,06

1945

1947

1949

1951

1953

1955

1957

1959

1961

1963

1965

1967

1969

1971

1973

1975

1977

1979

1981

1983

1985

1987

1989

1991

1993

1995

1997

1999

2001

2003


53

b) CARVÃO MINERAL E DERIVADOS

O carvão brasileiro só aparece em quantidades significativas nos

estados do sul, mas tem pouca representatividade na matriz energética

brasileira. O carvão é do tipo betuminoso e não tem utilização metalúrgica.

Figura 13: Intensidade energética do Carvão Mineral e seus derivados, em tEP/mil R$ de 2005

Em termos de IE para o Carvão Mineral, durante o período analisado,

houve um pequeno crescimento após a Segunda Guerra Mundial, mas pelo

baixo poder calorífico e pouca ocorrência no território brasileiro que este

energético possui, esteve sempre próximo a zero.

c) URÂNIO (U308) E DERIVADOS

O Brasil só tem duas usinas nucleares e sua geração representa

pouco mais de 1% da matriz energética. Por outro lado o Brasil possui a

sexta maior reserva de Urânio do mundo, cerca de 300.000 t, porém não

detém tecnologia de enriquecimento e importa todo urânio enriquecido que

necessita. O encerramento do acordo nuclear com a Alemanha deixou

graves problemas de peças de reposição nas instalações nucleares

brasileiras.

0

0,0020,004

0,006

0,0080,01

0,012

0,014

0,0160,018

0,02


54

Figura 14: Intensidade energética do Urânio e Derivados, em tEP/mil R$ de 2005

A IE desta fonte energética é muito próxima de zero. Embora, a

geração seja muito pequena dentro da matriz brasileira, mostra uma

tendência de modernização na diversificação para uso de outras fontes.

d) HIDRÁULICA E ELETRICIDADE

O Brasil possui muitos recursos hídricos que permitem a geração

hidroelétrica localizados, principalmente, na região Sul e Sudeste. O

potencial é avaliado de forma a produzir um nível médio de potência anual

garantido. A capacidade instalada atual é de 79.000 MW. Itaipu, a maior

usina geradora brasileira possui uma capacidade instalada de 12.500 MW; o

Brasil possui 22 plantas com potência de geração acima de 1.000 MW. Estas

características a tornam a fonte renovável mais importante em termos de

geração de energia elétrica.

Figura 15: Intensidade energética Hidráulica e Eletricidade, em tEP/mil R$ de 2005

00,0020,0040,0060,0080,01

0,0120,0140,0160,0180,02

0

0,0005

0,001

0,0015

0,002

0,0025


55

A IE desta fonte energética até a década de 70 foi inexpressiva. Com

a entrada em operação das grandes usinas hidroelétricas brasileiras houve

um aumento consistente até o final da década de 90. A seqüência de

aumentos a partir de 1975 teve uma abrupta interrupção em 2001 com o

racionamento causado pela diminuição do nível dos reservatórios de água.

Após a queda voltou a ter tendência de aumentos sucessivos, atingindo o

mesmo patamar de antes de 2001. Esta fonte tem sofrido nos últimos anos

pela diminuição dos investimentos, mas atingiu um patamar de importância,

como é sabido, na matriz energética brasileira e passou a ser uma das três

maiores gerações hidráulicas no mundo, como visto anteriormente.

e) LENHA E CARVÃO VEGETAL

A lenha foi um dos principais combustíveis utilizados no Brasil até

1954 e sua utilização permaneceu constante em termos absolutos,

significando que em termos percentuais sua participação tenha decaído

drasticamente de 69% em 1955 para pouco mais de 13% em 2004.

Como a lenha, o carvão vegetal também foi um dos principais

combustíveis até a década de 50. Sua utilização principal é na indústria

siderúrgica onde é responsável por grande parte da matéria prima para

produção do aço, em substituição ao coque importado. Sua fonte de

obtenção sempre foram as florestas naturais, com conseqüente

desmatamento em diversas áreas. Esta forma de obtenção levou muitas

vezes à falta de suprimento de lenha com elevação de preços, pois as

reservas ficavam cada vez mais distantes do consumidor.

O consumo de lenha doméstico tem sido progressivamente

substituído pelo Gás Liquefeito de Petróleo (GLP) e pela eletricidade. Com a

crise do petróleo, o consumo de lenha em caldeiras aumentou de forma

importante. Apesar de ser uma fonte renovável de energia, seu consumo até

o início da década de 90 ocorreu de forma não sustentável. Ainda hoje,

embora os grandes produtores de carvão vegetal cuidem para que a origem

seja conhecida, muitos pequenos produtores ainda mantêm a extração

predatória e a informalidade, sem se preocupar com a sustentabilidade do


56

meio ambiente. Um fato que torna o carvão vegetal uma fonte com potencial

de crescimento é sua utilização como fonte renovável, de forma sustentada.

Já em 2001, o percentual de florestas sustentáveis atendia 54% do consumo

de carvão mineral do Brasil.

Figura 16: Intensidade energética da Lenha e Carvão Vegetal, em tEP/mil R$ de 2005

Como pode ser visto na figura 16 acima, a IE desta fonte decaiu de

forma intensa até o final da década de 70 decaiu de forma menos intensa

entre a década de 80 e o final da década de 90 e tem se mantido

praticamente constante, com valores muito baixos. Pode-se notar a

importância desta fonte na evolução da matriz energética brasileira, uma vez

que sua diminuição representou praticamente o perfil de queda da IE da OIE

brasileira.

f) CANA-DE-AÇUCAR E DERIVADOS

O Brasil possui um alto potencial para o uso da biomassa, sendo a

área cultivada, exclusivamente com a cana-de-açúcar, em 2005 de 6 milhões

de hectares, podendo ainda ser aumentada de forma sustentável, segundo

diversas fontes, sem causar desmatamento. Ao lado do tradicional uso como

combustível, a moderna utilização do etanol e do bagaço têm se constituído

numa importante fonte de energia na matriz brasileira. O Pró-Álcool foi

0

0,05

0,1

0,15

0,2

0,25

0,3

1945

1948

1951

1954

1957

1960

1963

1966

1969

1972

1975

1978

1981

1984

1987

1990

1993

1996

1999

2002


57

iniciado, em 1975, com produção de 0,9 Gl (bilhões de litros) e em 2000 já

participava com 19% da matriz energética, equivalente a 14 Gl de etanol de

cana de açúcar produzido. A utilização do bagaço de cana na indústria

sucroalcooleira corresponde atualmente um potencial extra na geração de

energia elétrica, principalmente no Sudeste, onde a produção de açúcar e

álcool ocorre durante o período em que o restante do sistema,

essencialmente hidráulico, tem uma queda na sua produção.

Figura 17: Intensidade energética da Cana-de-açúcar e Derivados, em tEP/mil R$ de 2005

A IE aumenta consideravelmente a partir de 1975 com o lançamento

do Pró-Álcool e atinge atualmente os mesmos níveis, em termos de IE, da

geração hidráulica.

g) OUTRAS RENOVÁVEIS

Apesar do alto potencial existente no Brasil pelo longo perfil costeiro,

a utilização de energia eólica ainda é tímida e a implantação de grandes

fazendas de vento tem altos valores de investimento, que diminuem sua

atratividade.

A energia solar, pela grande área atingida pelos raios solares durante

um longo período do ano no Brasil, deveria ser mais bem aproveitada. Estas

duas fontes ainda possuem participação insignificante na matriz energética

brasileira.

0

0,002

0,004

0,006

0,008

0,01

0,012

0,014

0,016

0,018


58

A utilização destas fontes a partir da década de 70 mostra que a IE

deixou de ser zero a partir daí e tem crescido a altas taxas, porém com

pouco significado para a matriz energética brasileira.

Figura 18: Intensidade energética de outras fontes renováveis, em tEP/1000 R$ de 2005

IV.III. ANÁLISE ECONOMÉTRICA

Para realizar a análise das variações do PIB e da demanda de

energia através do tempo faz-se necessário uma revisão dos principais

conceitos econométricos que vão auxiliar na determinação do modelo de

regressão. As variáveis que serão regredidas (ver tabelas 4 e 5 no Apêndice

B) são a OIE total, a OIE das fontes renováveis, a OIE das fontes não-

renováveis, expressas em tEP/ano e o PIB em Reais deflacionados a valores

de 2005.

IV.III.I. REVISÃO DAS TÉCNICAS ECONOMÉTRICAS

A econometria deve ser utilizada para auxiliar na definição de

modelos econômicos com, os dados disponíveis. Portanto, para realizar um

bom trabalho é importante, ou ainda crucial, escolher o modelo estatístico

0

0,0005

0,001

0,0015

0,002

0,0025

0,003

0,0035

1945

1948

1951

1954

1957

1960

1963

1966

1969

1972

1975

1978

1981

1984

1987

1990

1993

1996

1999

2002


59

que contenha não só o modelo econômico como submodelo, mas que

também contemple um processo gerador de dados, para ser utilizado como

ferramenta para a previsão. Assim serão revistas, a seguir, algumas

definições básicas da análise econométrica.

IV.III.I.I. TESTE DE RAÍZ UNITÁRIA

Para entender se uma série de tempo é estacionária ou não, é

necessário realizar alguns testes estatísticos e verificar se a raiz ρ do

polinômio equivalente ao modelo é igual a um. Por isto a denominação teste

de raiz unitária.

t t 1 ty y e−= α + ρ + t =1, 2, 3, .....

Se uma série é Integrada de ordem zero, representada por I(0), para

torná-la estacionária não é necessária nenhuma modificação para fazer a

regressão. Por outro lado, processos com raiz unitária, ditos integrados de

ordem 1, I(1), tais como os passeios aleatórios precisam ser diferenciados

uma vez para que seja obtido um processo estacionário. Modelos com

tendência estocástica, em geral, devem ser diferenciados para se tornarem

estacionários. Para uma dada série, determinar a ordem de integração é

uma tarefa não muito simples, sendo necessários vários testes estatísticos

para esta verificação. A presença de raiz unitária implica que dado um

choque no modelo, este gerará como resultado um impacto de longa

duração. Para testar se um modelo tem raiz unitária deve-se proceder a

técnicas estatísticas de rejeição da hipótese nula (H0), ou seja, se

estatisticamente rejeitamos ou não rejeitamos H0: ρ = 1 contra H1: ρ< 1. Para

verificar estatisticamente esta hipótese é comumente utilizado o Teste de

Dickey-Fuller. O princípio básico deste teste diz que, sob H0 a variável

dependente do modelo yt-1 é I(1). Sendo assim, o teste da estatística t não se

aplica e os autores determinaram uma distribuição assintótica da estatística t

com valores críticos assintóticos calculados e tabulados. Para testar modelos

multi-variáveis utiliza-se o teste de Dickey-Fuller Aumentado.


60

IV.III.I.II. TESTE DE JOHANSEN PARA COINTEGRAÇÃO

Para realizar o teste de Dickey-Fuller é importante determinar

corretamente a forma dos regressores determinísticos. A mesma situação se

aplica para o Teste de Johansen. O Teste de Johansen tem como principal

característica a possibilidade de testar formas restritas de vetores que

cointegram.

A chave para compreender claramente todos estes testes de

hipóteses, dentre os quais se inclui o Teste de Johansen, segundo Enders

(2004), é que se houver r vetores cointegrados, somente r combinações

lineares destes vetores serão estacionárias. Todas as outras combinações

lineares serão não-estacionárias. Para testar a presença do intercepto em

vetores cointegrados, uma vez que a probabilidade de encontrar uma

combinação linear estacionária de n variáveis é maior com a presença de

intercepto no vetor cointegrado, do que se ele estiver ausente, Johansen

provou que se a estatística é suficientemente grande, é possível rejeitar a

hipótese nula de intercepto no(s) vetor(es) cointegrado(s) e conclui que há

uma tendência linear nas variáveis. Este será precisamente o nosso caso,

conforme mostram os gráficos das Figuras 20 a 23.

Se houver um único vetor cointegrado, os métodos de Engle-Granger

e Johansen apresentarão a mesma distribuição assintótica. Ainda, se r=1 e

se apenas um parâmetro está sendo testado, o teste Estatística t é

assintoticamente equivalente ao teste de Johansen.

IV.III.I.III. VARIÁVEL INSTRUMENTAL

Na presença de uma série na qual será definido um modelo de

regressão, pode-se deparar com o problema de viés de omissão de

variáveis. Neste caso, Wooldridge (2003) discute que há usualmente três

opções a seguir: ignorar o problema e sofrer as conseqüências de

estimadores viesados e inconsistentes; tentar achar e utilizar uma proxy para

a variável não-observada; ou assumir que a variável omitida não muda com


61

o tempo e utilizar os métodos de efeitos fixos ou de primeira diferenciação.

Outra forma de solucionar o problema é deixar a variável não-

observada no termo do erro, sem se limitar a estimar o modelo apenas pelo

método dos mínimos quadrados ordinários, mas usar um método de

estimação que reconheça a presença da variável não-observada. Este é o

procedimento de utilização da variável Instrumental. Para descrever o

método, considere um simples modelo de regressão, onde se acha que x e u

são correlacionados

= β + β +0 1y x u

≠Cov(x,u) 0

O método da variável instrumental funciona mesmo que x e u sejam

correlacionados, mas deve-se utilizar o método dos mínimos quadrados se

não forem correlacionados. De forma a obter estimadores consistentes

quando há a correlação é necessária uma variável z que tenha a seguintes

propriedades: não seja correlacionada com u (Cov(z,u)=0), mas seja

correlacionada com x (Cov((z,x)≠0). A variável z que satisfaz as condições

acima é denominada Variável Instrumental para x.

IV.III.II. MODELO DE REGRESSÃO

Os dados utilizados neste trabalho representam valores calculados de

variáveis econômicas como PIB e Demanda de Energia, que obviamente, ao

longo do tempo não podem ser consideradas independentes, ou seja,

dependem da ordem cronológica em que acontecem na economia de um

país. Antes de descrever o procedimento de escolha do modelo de

regressão com base nas variáveis de interesse é importante lembrar que os

dados da OIE renovável, não-renovável e total apresentados nas tabelas 3

do Apêndice B são qüinqüenais, entre 1945 e 1970, e anuais a partir de

1971, enquanto que os dados do PIB são anuais. Uma tentativa de

complementar os dados da OIE anuais entre 1945 e 1970, para aumentar o


62

número de pontos da amostra e tornar a análise mais robusta, foi buscar

informações anuais independentes de cada fonte. Porém, algumas

dificuldades surgiram na obtenção desses dados para os casos da lenha, da

madeira e da cana-de-açúcar e seus derivados. Não foi possível obter

dados, em base anual e no período considerado, que fossem minimamente

confiáveis para essas fontes. A opção escolhida foi interpolar os dados

qüinqüenais e completar a base de dados. Entretanto, a importância das

fontes, lenha e carvão vegetal, na matriz energética brasileira é muito grande

neste período e introduziu viés na série para fontes renováveis, como pode

ser visto na figura 19(a) abaixo. Nesta figura pode-se notar que pela alta

participação da geração por lenha e carvão vegetal na matriz energética a

curva entre 1940 e 1970 é praticamente uma reta sem variação. Na figura 19

(b) nota-se que o efeito da interpolação é bem menor

(a) (b) Figura 19: OIE das fontes renováveis (a) e não renováveis (b) em 1000 tEP/ano desde 1940 mostrando o efeito da interpolação anual entre 1940 e 1970

IV.III.II.I. CARACTERÍSTICAS DAS VARIÁVEIS DE INTERESSE

O desenvolvimento do modelo de regressão iniciou-se com a

definição das variáveis de interesse e da análise de cada uma delas. A

amostra de dados utilizada efetivamente para este estudo considerou a

variação do PIB anual e das OIE`s total, renovável e não renovável, desde

1970. As regressões foram realizadas utilizando o Método dos Mínimos

Quadrados Ordinários, considerando as seguintes variáveis:

2000

040

000

6000

080

000

1000

00_

1940 1960 1980 2000ano

050

000

1000

0015

0000

_

1940 1960 1980 2000ano

OIE

não

reno

váve

l (1

000t

EP/a

no)

OIE

reno

váve

l (1

000t

EP/a

no)

ANUAIS QÜINQÜENAIS ANUAIS QÜINQÜENAIS


63

• para o PIB => Ln (PIB) a qual foi denominada lpib

Figura 20: Série de tempo do PIB a partir de 1970

• para OIE com fontes renováveis Eren => Ln (Eren) a qual foi denominada le_ren

Figura 21: Série de tempo para OIE das fontes renováveis a partir de 1970

• para a OIE com fontes não-renováveis Enren => Ln (Enren) a qual foi denominada Ie_nren

10.5

1111

.5le

_ren

1970 1980 1990 2000 2010ano

2020

.521

21.5

lpib

1970 1980 1990 2000 2010ano


64

Figura 22: Série de tempo para OIE das fontes não-renováveis a partir de 1970

• para a OIE com o total de energia gerada Etot => Ln (Etot) a qual foi

denominada Ie_tot

Figura 23: Série de tempo para OIE total gerada a partir de 1970

A análise visual das curvas acima, onde está desenhado o logaritmo

das variáveis de interesse no tempo, mostra que a tendência da variação

das demandas de energia é muito parecida com a tendência de variação do

PIB. Este fato sugere que deva haver uma correlação grande entre elas. Um

fato interessante é que não é percebida na figura acima, variação

significativa no período do racionamento de energia, não representando este

fato qualquer correção que se deva fazer com relação aos dados. Portanto,

será feita a seguir uma análise econométrica para determinar qual a

1010

.511

11.5

12le

_nre

n

1970 1980 1990 2000 2010ano


65

correlação existente entre elas e determinar um modelo de regressão, bem

como uma análise específica da causalidade de Granger entre elas.

Como a análise visual dos gráficos acima mostra que as séries podem

ter tendência estocástica, serão conduzidos testes para verificar se há Raiz

Unitária. Para tanto foram utilizados os testes KPSS, Dickey-Fuller

Aumentado, Dickey-Fuller GLS (mínimos quadrado generalizado) e Philipps-

Perron para cada uma das variáveis de interesse. O resumo dos testes está

apresentado na tabela 3 abaixo, enquanto que os resultados obtidos com o

software Stata estão apresentados no Apêndice C.

Em todos os testes, para todas as variáveis de interesse como era

esperado, não conseguimos rejeitar a hipótese nula que há raiz unitária, ou

seja todas possuem raiz unitária.

Tabela 3: Teste de raiz unitária para as variáveis de interesse

Em seguida foi feita a verificação de cointegração entre as variáveis

de interesse. Para esta verificação foi utilizado o teste de Johanson, que

rejeitou a hipótese nula de intercepto no vetor cointegrado, uma vez que a

estatística foi suficientemente grande, demonstrando que existe uma

tendência linear nas variáveis. Os testes foram realizados entre as seguintes

variáveis:

• lpib x le_tot, para testar a cointegração entre o PIB e a OIE total;

AADDFF KKPPSSSS DDFF--GGLLSS PPPP GGeerraall lpib Rejeita RU Aceita RU Aceita RU Rejeita RU Aceita RU (aceita s/ cte) (aceita s/ cte) le_ren Aceita RU Aceita RU Aceita RU Aceita RU Aceita RU le_nren Aceita RU Aceita RU Aceita RU Aceita RU Aceita RU (em torno tend) le_tot Aceita RU Aceita RU Aceita RU Aceita RU Aceita RU


66

• lpib x le_ren, para testar a cointegração entre o PIB e a OIE das

fontes de energia renovável;

• lpib x le_nren, para testar a cointegração entre o PIB e a OIE das

fontes de energia não-renovável; e finalmente

• lpib x le_ren x le_nren, para testar a cointegração entre o PIB, a OIE

das fontes de energia renovável e não-renovável;

Desta forma, como apresentado no item 2 do Apêndice C, para as

situações acima, que representam as possibilidades de regressão entre as

variáveis, todas as séries são cointegradas.

Para responder a questão de causalidade entre as variáveis energia e

PIB utilizamos os testes de causalidade de Granger, no período de 1974 e

2005 utilizando lpib e le_tot. Após as simulações entre estas duas variáveis,

considerando primeiro a situação em que é adotada a hipótese nula de que

le_tot não Granger causa lpib e a hipótese nula é rejeitada e em seguida

não é possível rejeitas a hipótese nula de que lpib não Granger causa

le_tot. Portanto, OIE total Granger causa o PIB e PIB não Granger causa IE

total, ou seja, há fortes indícios estatísticos que a Geração da energia causa

o PIB. Este é um resultado importante para definir o planejamento

estratégico do setor de energia.

Para fazer as regressões envolvendo as variáveis de interesse PIB,

OIE total, OIE renovável e OIE não renovável utilizou-se a metodologia da

variável instrumental, que é um método auxiliar na solução do problema de

viés de omissão. Somente a OIE total regredida contra o PIB possuiu algum

significado estatístico e permitiu definir uma relação passível de ser utilizada

como modelo de regressão.

Conforme pode ser visto no item 4 do Apêndice C os resultados de

três tentativas de modelagem para regredir OIE total contra o PIB. O Modelo

1 foi construído tendo a OIE total como variável dependente e considerando

os dados a partir de 1970 até 2005. A equação deste modelo é


67

• lpib =0,292*le_tot + 3,529

O coeficiente 0,292 da variável dependente que é, neste caso, a

elasticidade Energia - PIB, é muito baixo. Na próxima tentativa foi utilizado o

Modelo 2, tendo o PIB como variável dependente e utilizando 4 defasagens

no tempo da OIE total, para buscar um ajuste. Nesta simulação foram

utilizados os dados a partir de 1973 até 2005. A equação deste modelo é

• le_tot = -0,335*lpib + 1,603*(le_tot)-1 - 0,168*(le_tot)-2 -

0,577*(le_tot)-3 + 0,429*(le_tot)-4 + 3,674

Com este modelo de regressão não se conseguiu ajuste, como era

esperado corroborando os resultados do teste de causalidade de Granger

que está mostrado mais a frente.

Finalmente, considerou-se no Modelo3 somente os dados a partir de

1979, buscando retirar os efeitos dos dois choques do petróleo de 1971 e

1979 e utilizando a OIE total como variável dependente e duas defasagens

no temo do PIB.

• lpib =0,604*le_tot + 0,476*(lpib)-1 - 0,162*(lpib)-2 + 3,529

Os testes estatísticos obtidos com o Modelo 3 foram bastante

satisfatórios, como mostrado no item 4 do Apêndice C. Este modelo de

regressão, que relaciona a OIE total ao PIB, aponta uma elasticidade

Energia - PIB de 0,604 compatível com outros resultados obtidos por outros

autores como será descrito a seguir.

Diversos trabalhos foram realizados envolvendo a determinação da

elasticidade-preço e da elasticidade-renda de curto e longo prazo para a

demanda brasileira como em Modiano (1984) para as diversas classes de

consumidores, para a elasticidade preço no curto prazo (-0,062 a -0,451) e

no longo prazo (-0,183 a -0,403) e para a elasticidade-renda no curto prazo

(0,332 a 0,502) e no longo prazo (1,068 a 1,36), porém uma análise

elaborada pelo Banco Central do Brasil (2001) chamou a atenção para a

comparação com os resultados aqui obtidos. Trata-se de um estudo


68

apresentado no relatório de inflação de junho de 2001, que visava estimar o

impacto da crise energética sobre o PIB de 2001. Neste trabalho foram

considerados entre outras variáveis, como a participação de determinado

setor no PIB industrial, o corte médio efetivo de energia, o percentual de

atenuação dos efeitos devido ao processo de racionalização, o percentual de

autogeração de energia, o coeficiente de elasticidade energia-produto. A

estimativa dos coeficientes de elasticidade tomou por base a evolução da

produção industrial e do consumo de energia elétrica nas últimas duas

décadas. Para a indústria de transformação, utilizaram-se dados mensais do

consumo regional da Eletrobrás e de produção industrial regional do IBGE,

logaritmizados, de 1980 a 2000. O coeficiente obtido, resultante da

ponderação das elasticidades calculadas para as regiões nordeste, sudeste

e centro-oeste pelos respectivos consumos de energia, foi de 0,58 (a mesma

estimativa, utilizando-se dados em nível nacional, resulta em 0,48). A

elasticidade de 0,58 foi utilizada para a maior parte dos ramos industriais.

Em vista destes resultados pode-se considerar que o coeficiente de

elasticidade obtido neste trabalho está em linha com valores determinados

em outros trabalhos.


69

V. CONCLUSÃO

Este trabalho objetivou realizar uma revisão dos conceitos físicos e

termodinâmicos da primeira e da segunda lei, bem como entender a relação

entre Entropia e a Ciência Econômica. Buscou examinar as implicações da

forma com a qual a política energética brasileira e a utilização das diversas

fontes se desenvolveram ao longo dos últimos 60 anos e que levaram a

matriz energética brasileira ser tão singular em relação aos outros países em

termos da utilização da energia renovável. Outro ponto importante analisado

foi buscar através de uma análise histórica, com auxílio de uma extensa

base de dados e da intensidade energética, visualizar a modernização da

estrutura da matriz energética brasileira através das mudanças tecnológicas

ocorridas neste período de grande industrialização do Brasil. Foi possível

verificar que a priorização na implantação de um parque gerador de energia,

predominantemente baseado em fontes renováveis trará vantagens

competitivas ao Brasil, porém dificilmente a matriz energética brasileira

poderá manter seu perfil no longo prazo, em função dos altos investimentos

requeridos para a expansão do parque gerador com fontes renováveis.

Mesmo assim, como foi visto, é estrategicamente interessante, do ponto de

vista de garantir energia para o crescimento, que a participação da energia

renovável na geração total brasileira continue alta.

Em resumo pode-se dizer que as principais perguntas elaboradas

neste trabalho foram respondidas:

► foi analisada em detalhe a relação entre a entropia, grandeza física, e

a ciência econômica;

► foi demonstrado que o recurso entropia não impõe limitações ao

crescimento econômico dos países;

► a comparação da matriz energética brasileira com a matriz energética

dos outros países, participação das fontes renováveis : Brasil 44%,

enquanto que na grande maioria dos outros países não atinge 10%,

permitiu constatar que a política energética brasileira e os recursos


70

disponíveis permitiram o desenvolvimento de uma matriz mais

moderna e singular em relação às fontes renováveis;

♦ esta característica poderá trazer vantagens competitivas ao

Brasil, mas a tendência, histórica é o aumento na participação

das fontes não renováveis, na matriz energética, embora nos

últimos anos as fontes renováveis tenham mantido sua

participação na matriz energética brasileira;

► o estudo da variação da intensidade energética mostrou que esta caiu

acentuadamente até o início da década de 70 e depois permaneceu

praticamente constante, demonstrando a modernização das fontes

utilizadas;

E por último e mais importante foi a conclusão de ter-se chegado a

um valor que demonstra o papel expressivo da energia no crescimento

brasileiro, uma vez que foi obtido o valor de 0,61 na elasticidade da renda

brasileira na demanda de energia, ou seja para o crescimento do PIB de 1%,

a energia total tem que crescer 0,6%.


71

BIBLIOGRAFIA

BERRAH, N.E., 1983, “Energie et Développement: “l’effet tunnel””, Revue de l’Énergie, 356, agosto, setembro, Paris. BANCO CENTRAL DO BRASIL, 2001, “Relatório de Inflação”, junho de 2001, Brasil BANCO MUNDIAL, 1992, “Informe sobre el desarrollo mundial 1992: desarrollo y medio ambiente”, Oxford University Press, primera edicion, Estados Unidos. BERNARDINI,O., GALLI, R., 1993, “Dematerialization: long term trends in the intensity of use of materials and energy”, Futures, 431-448. CLEVELAND, C., 1999, "Ecological-Economic Underpinnings of Industrial Transformation", Industrial Transformation Research Directions, Draft for discussion at the IHDP-IT Open Science Meeting, IHDP, Amsterdam. COHEN, C., 2005, “Padrões de consumo, energia e meio ambiente”, Texto para Discussão, Universidade Federal Fluminense, Faculdade de Economia, Niterói, RJ. ENDERS, W., 2004, “Applied Econometric Time Series”, second edition, John Willey & Sons, Estados Unidos. GEORGECU-ROEGEN, N., 1999, “The Entropy Law and the Economic Process”, Harvard Un. Press, Cambridge, USA. GOLDEMBERG, J. , 2003, “Energia, Meio Ambiente, & Desenvolvimento”, EDUSP – Editora da Universidade de São Paulo. GOLDEMBERG, J. , COELHO, S. T., REI, F. 2002, “Brazilian energy matrix and sustainable development”, Energy for Sustainable Development, Volume VI, No. 4 l, pg. 55-59. GORDON, H. S., 1954, “Economic Theory of a Common-Property Resource: The Fishery”, Journal of Political Economy 62: 124-42. GRAY, L., 1914, “Rent Under the Assumption of Exhaustibility”, Quarterly Journal of Economics 28:466-89. HOTELLING, H., 1931, “The Economics of Exhaustible Resources”, Journal of Political Economy 39 (April): 137-175. MARTIN, J.M.L., 1988, Intensité Énergétique de l’Activité Économique dans les Pays Industrialisés: Les Évolutions de Très longues Périodes Livrent-elles dês Enseignements Utiles?, Économies et Sociétés, France.


72

MODIANO, E.M., 1984, “Elasticidade-renda e preço da demanda de energia elétrica no Brasil”Texto para Discussão número 68, Departamento de economia – PUC/RJ, Brasil NORDHAUS, W. D., 1992, “Lethal Model II:The Limits to Growth Revisited”, Brooking Papers on Economic Activity, 2, Yale University, Estados Unidos. SCRÖDINGER, E., 1943, “What is Life?” Canto Edition, Cambridge University Press, GB, 1992. STERN, D. I., 1993, “Energy use and economic growth in the USA. A multivariate approach”. Energy Econ. 15, 137–150, Oxford, GB. TOLMASQUIM, M. T., 1993, Meio Ambiente, Eficiência Energética e Progresso Técnico", Cadernos de Eficiência Energética, INEE, RJ. TOLMASQUIM, M. T., SZKLO, A.S. (Coord.), 2000, “A matriz energética brasileira na virada do milênio”, ENERGE/COPPE/UFRJ, Rio de Janeiro, Brasil. WEIL, D. N., 2005, “Economic Growth”, Pearson Education, Inc., 1st Ed., Estados Unidos. WOOLDRIDGE, J. M., 2003, “Introductory Econometrics: A modern Approach”, second edition, South Western, Ohio, Estados Unidos.


73

APÊNDICES APÊNDICE A – EQUIVALÊNCIAS DE UNIDADES

a) Energia

b) Massa

c) Volume


74

APENDICE B – PIB E OFERTA INTERNA DE ENERGIA

OFERTA INTERNA DE ENERGIA ( 10³ tep)

ANO

PETRÓLEO

E DERIV.

GÁS NATURAL

CARVÃO MINERAL E DERIVADOS

URÂNIO (U3O8) E DERIV.

ENERGIA ELÉTRICA

(HIDRÁULICA E TÉRMICA)

LENHA E CARVÃO VEGETAL

CANA-DE-AÇÚCAR E

DERIV.

OUTRAS RENOV. TOTAL

1940 1.522 1.520 0 352 19.795 563 0 23.752

1945 1.456 1.333 0 413 22.631 579 0 26.411

1950 4.280 1.583 0 536 25.987 892 0 33.278

1955 8.574 1.760 0 925 28.428 1.318 0 41.004

1960 12.668 1.412 0 1.580 31.431 2.131 0 49.222

1965 16.354 1.833 0 2.193 33.692 2.992 0 57.064

1970 25.251 170 2.437 0 3.420 31.852 3.593 223 66.945

1971 28.007 263 2.453 0 3.712 31.807 3.821 233 70.296

1972 31.314 295 2.583 0 4.355 32.143 4.318 301 75.309

1973 37.479 338 2.538 0 4.975 31.897 4.619 311 82.157

1974 41.413 513 2.692 0 5.650 32.599 4.594 349 87.810

1975 43.718 571 3.201 0 6.219 33.154 4.161 363 91.386

1976 47.965 637 3.416 0 7.132 31.882 4.695 412 96.138

1977 48.881 764 4.332 0 8.026 30.822 6.357 470 99.653

1978 53.333 926 4.982 0 8.822 29.794 7.149 561 105.565

1979 56.600 971 5.411 0 10.016 30.375 8.170 822 112.363

1980 55.393 1.092 5.902 0 11.063 31.083 9.217 1.010 114.761

1981 50.824 1.044 5.775 0 11.219 30.415 9.705 1.094 110.076

1982 50.817 1.400 6.104 16 12.101 29.109 11.409 1.169 112.124

1983 47.638 1.905 6.865 0 13.001 30.233 14.550 1.194 115.386

1984 46.535 2.406 8.477 857 14.314 33.340 15.989 1.425 123.343

1985 49.239 2.946 10.021 916 15.499 32.925 17.877 1.583 131.006

1986 54.084 3.445 10.146 37 16.567 32.766 18.143 1.770 136.957

1987 55.223 3.899 10.624 291 17.400 32.777 20.603 1.862 142.677

1988 56.520 4.050 10.857 167 18.658 32.565 19.619 2.002 144.438

1989 57.513 4.259 10.773 473 19.497 32.953 19.346 1.998 146.811

1990 57.749 4.337 9.615 598 20.051 28.537 18.988 2.126 142.000

1991 59.115 4.355 11.003 422 21.050 26.701 19.943 2.338 144.926

1992 60.869 4.595 10.678 347 21.264 25.089 20.342 2.745 145.929

1993 63.042 4.926 11.040 145 22.576 24.793 20.194 2.984 149.700

1994 66.692 5.128 11.353 43 23.595 24.854 22.773 3.004 157.442

1995 70.786 5.424 11.984 911 24.866 23.266 22.814 2.923 162.975

1996 77.605 5.946 12.491 783 25.990 21.976 23.893 3.088 171.771

1997 82.561 6.495 12.673 1.164 27.461 21.668 25.378 3.283 180.683

1998 86.346 6.813 12.455 1.522 28.444 21.265 25.284 3.449 185.578

1999 87.417 7.761 12.705 1.391 28.623 22.130 25.235 3.970 189.233

2000 86.743 10.256 13.571 1.806 29.980 23.060 20.761 4.439 190.615

2001 87.975 12.548 13.349 3.783 26.282 22.443 22.916 4.631 193.927

2002 85.373 14.803 13.005 3.698 27.738 23.639 25.431 5.050 198.737

2003 81.069 15.512 13.527 3.621 29.477 25.973 27.093 5.663 201.934

2004 83.648 19.061 14.225 3.170 30.804 28.203 28.775 5.860 213.744

2005 84.553 20.526 13.721 2.549 32.379 28.468 30.147 6.320 218.663

Fonte: BEN 2005

Tabela 4: Valores da OIE brasileira desde 1940


75

PIB NOMINAL ANO R$ mil 2005

1940 76.100

1945 93.580

1950 134.940

1955 186.510

1960 275.100

1965 339.230

1970 500.620

1971 557.410

1972 623.970

1973 711.130

1974 769.110

1975 808.850

1976 891.810

1977 935.820

1978 982.330

1979 1.048.730

1980 1.145.210

1981 1.096.540

1982 1.105.640

1983 1.073.250

1984 1.131.200

1985 1.220.000

1986 1.311.380

1987 1.357.670

1988 1.356.860

1989 1.399.730

1990 1.338.840

1991 1.352.650

1992 1.345.300

1993 1.411.550

1994 1.494.170

1995 1.557.280

1996 1.598.680

1997 1.650.980

1998 1.653.150

1999 1.666.140

2000 1.738.780

2001 1.761.560

2002 1.795.560

2003 1.805.340

2004 1.894.460

2005 1.937.600

Fonte: IPEA DATA 2006

Tabela 5: Valores do PIB brasileiro desde 1940 a valores deflacionados de 2005


76

APENDICE C – RESULTADOS DOS TESTES ECONOMÉTRICOS

1) Teste de Raiz Unitária a) Variável lpib . * Analise a significancia da última defasagem e monte a regressão abaixo a > lterando os lags . regress D.y L.y L(1 2 3).D.y trend Source | SS df MS Number of obs = 32 -------------+------------------------------ F( 5, 26) = 3.87 Model | .016454988 5 .003290998 Prob > F = 0.0094 Residual | .022137711 26 .00085145 R-squared = 0.4264 -------------+------------------------------ Adj R-squared = 0.3161 Total | .038592699 31 .001244926 Root MSE = .02918 ------------------------------------------------------------------------------ D.y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | -.2775312 .0884557 -3.14 0.004 -.4593544 -.0957079 LD. | .149498 .1541917 0.97 0.341 -.1674476 .4664435 L2D. | .1332933 .1571446 0.85 0.404 -.1897221 .4563086 L3D. | -.2625944 .1528649 -1.72 0.098 -.5768128 .051624 trend | .0063388 .0024683 2.57 0.016 .001265 .0114125 _cons | 5.722255 1.808185 3.16 0.004 2.005477 9.439033 ------------------------------------------------------------------------------ . predict res_ADF_ct, res (4 missing values generated) . ac res_ADF_ct, ytitle(, size(vlarge)) ylabel(, labsize(vlarge)) xtitle(, s > ize(vlarge)) xlabel(, labsize(vlarge)) caption(, size(vlarge)) legend(size(vl > arge)) . wntestq res_ADF_ct Portmanteau test for white noise --------------------------------------- Portmanteau (Q) statistic = 18.8914 Prob > chi2(14) = 0.1691 . . . *Teste ADF - altere os lags . dfuller y, trend regress lags(3) Augmented Dickey-Fuller test for unit root Number of obs = 32 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value ------------------------------------------------------------------------------ Z(t) -3.138 -4.316 -3.572 -3.223 ------------------------------------------------------------------------------ MacKinnon approximate p-value for Z(t) = 0.0976 ------------------------------------------------------------------------------ D.y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | -.2775312 .0884557 -3.14 0.004 -.4593544 -.0957079 LD. | .149498 .1541917 0.97 0.341 -.1674476 .4664435 L2D. | .1332933 .1571446 0.85 0.404 -.1897221 .4563086 L3D. | -.2625944 .1528649 -1.72 0.098 -.5768128 .051624 _trend | .0063388 .0024683 2.57 0.016 .001265 .0114125 _cons | 5.728594 1.810539 3.16 0.004 2.006977 9.450211 ------------------------------------------------------------------------------ . . *------------------------------------------------------------------* . *Taualfatau para (alfa,beta,ro)=(0,0,1) em Yt=alfa+betat+roYt-1+et * . * * . * Sample * . * size Probability of small value * . * n 0,90 0,95 0,975 0,99 * . * 25 2,77 3,20 3,59 4,05 * . * 50 2,75 3,14 3,47 3,87 * . * 100 2,73 3,11 3,42 3,78 * . * 250 2,73 3,09 3,39 3,74 *


77

. * 500 2,72 3,08 3,38 3,72 *

. * inf 2,72 3,08 3,38 3,71 *

. *------------------------------------------------------------------*

.

. *------------------------------------------------------------------*

. *Taubetatau para (alfa,beta,ro)=(0,0,1) em Yt=alfa+betat+roYt-1+et *

. * *

. * Sample *

. * size Probability of small value *

. * n 0,90 0,95 0,975 0,99 *

. * 25 2,39 2,85 3,25 3,74 *

. * 50 2,38 2,81 3,18 3,60 *

. * 100 2,38 2,79 3,14 3,53 *

. * 250 2,38 2,79 3,12 3,49 *

. * 500 2,38 2,78 3,11 3,48 *

. * inf 2,38 2,78 3,11 3,46 *

. *------------------------------------------------------------------*

.

.

. *Modelo com constante

. *Defasagem

. * pelos critérios de AIC SBC escolha a melhor defasagem

. varsoc L.y, maxlag(20) Selection order criteria Sample: 1991 2005 Number of obs = 15 +---------------------------------------------------------------------------+ |lag | LL LR df p FPE AIC HQIC SBIC | |----+----------------------------------------------------------------------| | 0 | 11.5917 .014266 -1.41223 -1.41273 -1.36502 | | 1 | 33.8433 44.503 1 0.000 .00084 -4.24577 -4.24677 -4.15136 | | 2 | 33.861 .03541 1 0.851 .000961 -4.11479 -4.1163 -3.97318 | | 3 | 34.1848 .6476 1 0.421 .00106 -4.02463 -4.02665 -3.83582 | | 4 | 36.0394 3.7093 1 0.054 .000959 -4.13859 -4.1411 -3.90257 | | 5 | 38.5016 4.9244 1 0.026 .000805 -4.33354 -4.33656 -4.05032 | | 6 | 40.4411 3.8791 1 0.049 .000733 -4.45882 -4.46234 -4.12839 | | 7 | 41.9803 3.0784 1 0.079 .000713 -4.53071 -4.53474 -4.15309 | | 8 | 42.4295 .89821 1 0.343 .000818 -4.45726 -4.46179 -4.03243 | | 9 | 43.863 2.8672 1 0.090 .000844 -4.51507 -4.5201 -4.04304 | | 10 | 44.5753 1.4246 1 0.233 .000998 -4.47671 -4.48224 -3.95748 | | 11 | 50.9574 12.764 1 0.000 .00059 -5.19432 -5.20035 -4.62788 | | 12 | 64.0435 26.172 1 0.000 .00016* -6.80579 -6.81233 -6.19215 | | 13 | 65.138 2.189 1 0.139 .000287 -6.8184 -6.82544 -6.15755 | | 14 | 467.639 805 1 0.000 . -60.3519 -60.3594 -59.6438 | | 15 | 472.337 9.3968 1 0.002 . -60.9783 -60.9859 -60.2703 | | 16 | 469.711 -5.253 1 . . -60.6281 -60.6357 -59.9201 | | 17 | 466.229 -6.9646 1 . . -60.1638 -60.1713 -59.4558 | | 18 | 461.586 -9.2856 1 . . -59.5448 -59.5523 -58.8367 | | 19 | 484.654 46.137 1 0.000 . -62.6205 -62.6281 -61.9125 | | 20 | 498.092 26.876* 1 0.000 . -64.4123* -64.4198* -63.7043* | +---------------------------------------------------------------------------+ Endogenous: L.y Exogenous: _cons . . * Analise a significancia da última defasagem e monte a regressão abaixo a > lterando os lags . regress D.y L.y Source | SS df MS Number of obs = 35 -------------+------------------------------ F( 1, 33) = 23.32 Model | .02444118 1 .02444118 Prob > F = 0.0000 Residual | .034582515 33 .001047955 R-squared = 0.4141 -------------+------------------------------ Adj R-squared = 0.3963 Total | .059023695 34 .001735991 Root MSE = .03237 ------------------------------------------------------------------------------ D.y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | -.0771292 .0159709 -4.83 0.000 -.1096222 -.0446362 _cons | 1.650748 .333853 4.94 0.000 .9715185 2.329977 ------------------------------------------------------------------------------ . predict res_ADF_c, res (1 missing value generated) . ac res_ADF_c, ytitle(, size(vlarge)) ylabel(, labsize(vlarge)) xtitle(, si > ze(vlarge)) xlabel(, labsize(vlarge)) caption(, size(vlarge)) legend(size(vla > rge)) . wntestq res_ADF_c Portmanteau test for white noise ---------------------------------------


78

Portmanteau (Q) statistic = 18.3038 Prob > chi2(15) = 0.2470 . . *Teste ADF - altere os lags . dfuller y, regress lags(0) Dickey-Fuller test for unit root Number of obs = 35 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value ------------------------------------------------------------------------------ Z(t) -4.829 -3.682 -2.972 -2.618 ------------------------------------------------------------------------------ MacKinnon approximate p-value for Z(t) = 0.0000 ------------------------------------------------------------------------------ D.y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | -.0771292 .0159709 -4.83 0.000 -.1096222 -.0446362 _cons | 1.650748 .333853 4.94 0.000 .9715185 2.329977 ------------------------------------------------------------------------------ . . *-----------------------------------------------------* . *Taualfami para (alfa, ro)=(0,1) em Yt=alfa+roYt-1+et * . * * . * Sample * . * size Probability of small value * . * n 0,90 0,95 0,975 0,99 * . * 25 2,20 2,61 2,97 3,41 * . * 50 2,18 2,56 2,89 3,28 * . * 100 2,17 2,54 2,86 3,22 * . * 250 2,16 2,53 2,84 3,19 * . * 500 2,16 2,52 2,83 3,18 * . * inf 2,16 2,52 2,83 3,18 * . *-----------------------------------------------------* . . . *Modelo sem tendencia e constante . *Defasagem . * pelos critérios de AIC SBC escolha a melhor defasagem . varsoc L.y, noconstant maxlag(20) Selection order criteria Sample: 1991 2005 Number of obs = 15 +---------------------------------------------------------------------------+ |lag | LL LR df p FPE AIC HQIC SBIC | |----+----------------------------------------------------------------------| | 1 | 33.7545 . 1 . .000743 -4.36727 -4.36777 -4.32006 | | 2 | 33.7896 .07028 1 0.791 .000846 -4.23862 -4.23962 -4.14421 | | 3 | 34.1791 .77898 1 0.377 .000921 -4.15722 -4.15872 -4.01561 | | 4 | 35.769 3.1797 1 0.075 .000858 -4.23586 -4.23787 -4.04705 | | 5 | 37.9511 4.3642 1 0.037 .000743 -4.39348 -4.39599 -4.15746 | | 6 | 40.1063 4.3103 1 0.038 .00065 -4.5475 -4.55052 -4.26428 | | 7 | 41.6913 3.1701 1 0.075 .00062* -4.6255 -4.62902 -4.29508 | | 8 | 41.8609 .33931 1 0.560 .000725 -4.51479 -4.51881 -4.13716 | | 9 | 42.3785 1.0351 1 0.309 .000823 -4.45047 -4.45499 -4.02564 | | 10 | 42.3902 .02333 1 0.879 .001028 -4.31869 -4.32372 -3.84666 | | 11 | 46.038 7.2957 1 0.007 .000821 -4.67174 -4.67727 -4.1525 | | 12 | 46.0389 .0018 1 0.966 .001137 -4.53853 -4.54456 -3.97209 | | 13 | 48.7686 5.4593 1 0.019 .001229 -4.76914 -4.77568 -4.1555 | | 14 | 57.8978 18.258 1 0.000 .000754 -5.85304 -5.86008 -5.19219 | | 15 | 351.337 586.88 1 0.000 . -44.8449* -44.8524* -44.1368* | | 16 | 351.17 -.33392 1 . . -44.8226 -44.8302 -44.1146 | | 17 | 343.005 -16.33 1 . . -43.734 -43.7415 -43.0259 | | 18 | 344.704 3.3993 1 0.065 . -43.9606 -43.9681 -43.2525 | | 19 | 344.478 -.45238 1 . . -43.9304 -43.938 -43.2224 | | 20 | 350.416 11.876* 1 0.001 . -44.7221 -44.7297 -44.0141 | +---------------------------------------------------------------------------+ Endogenous: L.y Exogenous: . . * Analise a significancia da última defasagem e monte a regressão abaixo a > lterando os lags . regress D.y L.y L(1).D.y, noconstant Source | SS df MS Number of obs = 34 -------------+------------------------------ F( 2, 32) = 21.69 Model | .057438986 2 .028719493 Prob > F = 0.0000 Residual | .042370338 32 .001324073 R-squared = 0.5755 -------------+------------------------------ Adj R-squared = 0.5490 Total | .099809324 34 .002935568 Root MSE = .03639


79

------------------------------------------------------------------------------ D.y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | .0008793 .0004063 2.16 0.038 .0000517 .0017069 LD. | .4609324 .1489263 3.10 0.004 .1575795 .7642854 ------------------------------------------------------------------------------ . predict res_ADF, res (2 missing values generated) . ac res_ADF, ytitle(, size(vlarge)) ylabel(, labsize(vlarge)) xtitle(, size > (vlarge)) xlabel(, labsize(vlarge)) caption(, size(vlarge)) legend(size(vlarg > e)) . wntestq res_ADF Portmanteau test for white noise --------------------------------------- Portmanteau (Q) statistic = 17.1831 Prob > chi2(15) = 0.3080 . . *Teste ADF - altere os lags . dfuller y, noconstant regress lags(1) Augmented Dickey-Fuller test for unit root Number of obs = 34 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value ------------------------------------------------------------------------------ Z(t) 2.164 -2.646 -1.950 -1.604 ------------------------------------------------------------------------------ D.y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | .0008793 .0004063 2.16 0.038 .0000517 .0017069 LD. | .4609324 .1489263 3.10 0.004 .1575795 .7642854 ------------------------------------------------------------------------------ . . . * teste de KPSS . *Estacionariedade no nível . kpss y, qs auto notrend KPSS test for y Automatic bandwidth selection (maxlag) = 2 Autocovariances weighted by Quadratic Spectral kernel Critical values for H0: y is level stationary 10%: 0.347 5% : 0.463 2.5%: 0.574 1% : 0.739 Lag order Test statistic 2 1.34 . . * Estacionariedade na tendencia deterministica . kpss y, qs auto KPSS test for y Automatic bandwidth selection (maxlag) = 2 Autocovariances weighted by Quadratic Spectral kernel Critical values for H0: y is trend stationary 10%: 0.119 5% : 0.146 2.5%: 0.176 1% : 0.216 Lag order Test statistic 2 .262 . . *Teste DF GLS . dfgls y DF-GLS for y Number of obs = 26 Maxlag = 9 chosen by Schwert criterion DF-GLS tau 1% Critical 5% Critical 10% Critical [lags] Test Statistic Value Value Value


80

------------------------------------------------------------------------------ 9 -1.843 -3.770 -2.756 -2.371 8 -1.330 -3.770 -2.766 -2.411 7 -1.607 -3.770 -2.812 -2.476 6 -1.239 -3.770 -2.885 -2.562 5 -1.210 -3.770 -2.978 -2.660 4 -1.290 -3.770 -3.082 -2.764 3 -1.353 -3.770 -3.188 -2.866 2 -1.660 -3.770 -3.288 -2.960 1 -1.547 -3.770 -3.373 -3.039 Opt Lag (Ng-Perron seq t) = 3 with RMSE .029806 Min SC = -6.588274 at lag 1 with RMSE .0327305 Min MAIC = -6.600167 at lag 3 with RMSE .029806 . dfgls y, notrend DF-GLS for y Number of obs = 26 Maxlag = 9 chosen by Schwert criterion DF-GLS mu 1% Critical 5% Critical 10% Critical [lags] Test Statistic Value Value Value ------------------------------------------------------------------------------ 9 2.019 -2.642 -2.297 -1.923 8 1.682 -2.642 -2.241 -1.890 7 1.741 -2.642 -2.219 -1.885 6 1.589 -2.642 -2.224 -1.901 5 1.757 -2.642 -2.251 -1.934 4 1.920 -2.642 -2.292 -1.979 3 2.166 -2.642 -2.342 -2.029 2 1.500 -2.642 -2.394 -2.080 1 1.867 -2.642 -2.442 -2.125 Opt Lag (Ng-Perron seq t) = 9 with RMSE .0252962 Min SC = -6.49722 at lag 1 with RMSE .034255 Min MAIC = -6.27862 at lag 2 with RMSE .0340391 . . *Teste de Philips e Perron . pperron y, trend regress Phillips-Perron test for unit root Number of obs = 35 Newey-West lags = 3 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value ------------------------------------------------------------------------------ Z(rho) -7.030 -23.780 -18.660 -16.080 Z(t) -4.231 -4.288 -3.560 -3.216 ------------------------------------------------------------------------------ MacKinnon approximate p-value for Z(t) = 0.0040 ------------------------------------------------------------------------------ y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | .7982837 .0480325 16.62 0.000 .7004447 .8961227 _trend | .0044368 .0016295 2.72 0.010 .0011177 .0077559 _cons | 4.174886 .9760435 4.28 0.000 2.18675 6.163021 ------------------------------------------------------------------------------ . pperron y, regress Phillips-Perron test for unit root Number of obs = 35 Newey-West lags = 3 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value ------------------------------------------------------------------------------ Z(rho) -2.740 -17.880 -12.820 -10.400 Z(t) -4.346 -3.682 -2.972 -2.618 ------------------------------------------------------------------------------ MacKinnon approximate p-value for Z(t) = 0.0004 ------------------------------------------------------------------------------ y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | .9228708 .0159709 57.78 0.000 .8903778 .9553638 _cons | 1.650748 .333853 4.94 0.000 .9715185 2.329977 ------------------------------------------------------------------------------


81

. pperron y, noconstant regress Phillips-Perron test for unit root Number of obs = 35 Newey-West lags = 3 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value ------------------------------------------------------------------------------ Z(rho) 0.064 -12.300 -7.460 -5.380 Z(t) 3.740 -2.644 -1.950 -1.604 ------------------------------------------------------------------------------ y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | 1.001829 .0003403 2944.31 0.000 1.001137 1.00252 ------------------------------------------------------------------------------

b) Variável e_tot

* Analise a significancia da última defasagem e monte a regressão abaixo a > lterando os lags . regress D.y L.y L(1).D.y trend Source | SS df MS Number of obs = 34 -------------+------------------------------ F( 3, 30) = 9.90 Model | .012118871 3 .004039624 Prob > F = 0.0001 Residual | .012239991 30 .000408 R-squared = 0.4975 -------------+------------------------------ Adj R-squared = 0.4473 Total | .024358862 33 .000738147 Root MSE = .0202 ------------------------------------------------------------------------------ D.y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | -.2573086 .0685816 -3.75 0.001 -.397371 -.1172462 LD. | .3978623 .1376129 2.89 0.007 .1168194 .6789053 trend | .0071462 .0020821 3.43 0.002 .002894 .0113983 _cons | 2.916669 .7694947 3.79 0.001 1.345151 4.488187 ------------------------------------------------------------------------------ . predict res_ADF_ct, res (2 missing values generated) . ac res_ADF_ct, ytitle(, size(vlarge)) ylabel(, labsize(vlarge)) xtitle(, s > ize(vlarge)) xlabel(, labsize(vlarge)) caption(, size(vlarge)) legend(size(vl > arge)) . wntestq res_ADF_ct Portmanteau test for white noise --------------------------------------- Portmanteau (Q) statistic = 13.2618 Prob > chi2(15) = 0.5821 . . . *Teste ADF - altere os lags . dfuller y, trend regress lags(1) Augmented Dickey-Fuller test for unit root Number of obs = 34 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value ------------------------------------------------------------------------------ Z(t) -3.752 -4.297 -3.564 -3.218 ------------------------------------------------------------------------------ MacKinnon approximate p-value for Z(t) = 0.0192 ------------------------------------------------------------------------------ D.y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | -.2573086 .0685816 -3.75 0.001 -.397371 -.1172462 LD. | .3978623 .1376129 2.89 0.007 .1168194 .6789053 _trend | .0071462 .0020821 3.43 0.002 .002894 .0113983 _cons | 2.923815 .771538 3.79 0.001 1.348124 4.499506 ------------------------------------------------------------------------------ . . *------------------------------------------------------------------* . *Taualfatau para (alfa,beta,ro)=(0,0,1) em Yt=alfa+betat+roYt-1+et *


82

. * *

. * Sample *


. * n 0,90 0,95 0,975 0,99 *

. * 25 2,77 3,20 3,59 4,05 *

. * 50 2,75 3,14 3,47 3,87 *

. * 100 2,73 3,11 3,42 3,78 *

. * 250 2,73 3,09 3,39 3,74 *

. * 500 2,72 3,08 3,38 3,72 *

. * inf 2,72 3,08 3,38 3,71 *

. *------------------------------------------------------------------*

.

. *------------------------------------------------------------------*

. *Taubetatau para (alfa,beta,ro)=(0,0,1) em Yt=alfa+betat+roYt-1+et *

. * *

. * Sample *


. * n 0,90 0,95 0,975 0,99 *

. * 25 2,39 2,85 3,25 3,74 *

. * 50 2,38 2,81 3,18 3,60 *

. * 100 2,38 2,79 3,14 3,53 *

. * 250 2,38 2,79 3,12 3,49 *

. * 500 2,38 2,78 3,11 3,48 *

. * inf 2,38 2,78 3,11 3,46 *

. *------------------------------------------------------------------*

.

.

. *Modelo com constante

. *Defasagem

. * pelos critérios de AIC SBC escolha a melhor defasagem

. varsoc L.y, maxlag(20) Selection order criteria Sample: 1991 2005 Number of obs = 15 +---------------------------------------------------------------------------+ |lag | LL LR df p FPE AIC HQIC SBIC | |----+----------------------------------------------------------------------| | 0 | 9.19926 .019626 -1.09323 -1.09374 -1.04603 | | 1 | 36.1122 53.826 1 0.000 .000621 -4.54829 -4.5493 -4.45388 | | 2 | 36.6625 1.1007 1 0.294 .000662 -4.48834 -4.48985 -4.34673 | | 3 | 37.0514 .77766 1 0.378 .000723 -4.40685 -4.40886 -4.21804 | | 4 | 38.2118 2.3208 1 0.128 .000718 -4.42824 -4.43075 -4.19222 | | 5 | 43.7987 11.174 1 0.001 .000397 -5.03982 -5.04284 -4.7566 | | 6 | 46.3536 5.1099 1 0.024 .000333 -5.24715 -5.25067 -4.91672 | | 7 | 50.0047 7.3022 1 0.007 .000245 -5.60063 -5.60465 -5.223 | | 8 | 53.0669 6.1243 1 0.013 .000198 -5.87558 -5.88011 -5.45075 | | 9 | 55.0339 3.9341 1 0.047 .00019 -6.00452 -6.00955 -5.53249 | | 10 | 56.222 2.3762 1 0.123 .000211 -6.0296 -6.03514 -5.51037 | | 11 | 60.2589 8.0738 1 0.004 .000171* -6.43452 -6.44056 -5.86808 | | 12 | 62.9698 5.4217 1 0.020 .000185 -6.66264 -6.66917 -6.04899 | | 13 | 68.7922 11.645 1 0.001 .000176 -7.30563 -7.31267 -6.64478 | | 14 | 480.823 824.06 1 0.000 . -62.1097 -62.1173 -61.4017 | | 15 | 488.697 15.747 1 0.000 . -63.1595* -63.1671* -62.4515* | | 16 | 474.825 -27.744 1 . . -61.31 -61.3175 -60.6019 | | 17 | 479.613 9.5773 1 0.002 . -61.9484 -61.956 -61.2404 | | 18 | 487.24 15.254 1 0.000 . -62.9654 -62.9729 -62.2573 | | 19 | 475.258 -23.964 1 . . -61.3678 -61.3753 -60.6597 | | 20 | 479.149 7.7819* 1 0.005 . -61.8866 -61.8941 -61.1785 | +---------------------------------------------------------------------------+ Endogenous: L.y Exogenous: _cons . . * Analise a significancia da última defasagem e monte a regressão abaixo a > lterando os lags . regress D.y L.y L(1).D.y Source | SS df MS Number of obs = 34 -------------+------------------------------ F( 2, 31) = 6.65 Model | .007312581 2 .003656291 Prob > F = 0.0040 Residual | .017046281 31 .00054988 R-squared = 0.3002 -------------+------------------------------ Adj R-squared = 0.2551 Total | .024358862 33 .000738147 Root MSE = .02345 ------------------------------------------------------------------------------ D.y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | -.0257953 .0143853 -1.79 0.083 -.0551342 .0035436 LD. | .3778266 .1596144 2.37 0.024 .0522909 .7033623 _cons | .3248593 .1717391 1.89 0.068 -.0254048 .6751234 ------------------------------------------------------------------------------ . predict res_ADF_c, res (2 missing values generated)


83

. ac res_ADF_c, ytitle(, size(vlarge)) ylabel(, labsize(vlarge)) xtitle(, si > ze(vlarge)) xlabel(, labsize(vlarge)) caption(, size(vlarge)) legend(size(vla > rge)) . wntestq res_ADF_c Portmanteau test for white noise --------------------------------------- Portmanteau (Q) statistic = 10.9475 Prob > chi2(15) = 0.7563 . . *Teste ADF - altere os lags . dfuller y, regress lags(1) Augmented Dickey-Fuller test for unit root Number of obs = 34 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value ------------------------------------------------------------------------------ Z(t) -1.793 -3.689 -2.975 -2.619 ------------------------------------------------------------------------------ MacKinnon approximate p-value for Z(t) = 0.3839 ------------------------------------------------------------------------------ D.y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | -.0257953 .0143853 -1.79 0.083 -.0551342 .0035436 LD. | .3778266 .1596144 2.37 0.024 .0522909 .7033623 _cons | .3248593 .1717391 1.89 0.068 -.0254048 .6751234 ------------------------------------------------------------------------------ . . *-----------------------------------------------------* . *Taualfami para (alfa, ro)=(0,1) em Yt=alfa+roYt-1+et * . * * . * Sample * . * size Probability of small value * . * n 0,90 0,95 0,975 0,99 * . * 25 2,20 2,61 2,97 3,41 * . * 50 2,18 2,56 2,89 3,28 * . * 100 2,17 2,54 2,86 3,22 * . * 250 2,16 2,53 2,84 3,19 * . * 500 2,16 2,52 2,83 3,18 * . * inf 2,16 2,52 2,83 3,18 * . *-----------------------------------------------------* . . . *Modelo sem tendencia e constante . *Defasagem . * pelos critérios de AIC SBC escolha a melhor defasagem . varsoc L.y, noconstant maxlag(20) Selection order criteria Sample: 1991 2005 Number of obs = 15 +---------------------------------------------------------------------------+ |lag | LL LR df p FPE AIC HQIC SBIC | |----+----------------------------------------------------------------------| | 1 | 35.851 . 1 . .000562 -4.6468 -4.64731 -4.5996 | | 2 | 36.5461 1.39 1 0.238 .000586 -4.60614 -4.60715 -4.51173 | | 3 | 37.0316 .97112 1 0.324 .00063 -4.53755 -4.53906 -4.39594 | | 4 | 38.0573 2.0513 1 0.152 .000633 -4.54097 -4.54298 -4.35216 | | 5 | 42.8941 9.6735 1 0.002 .000384 -5.05254 -5.05505 -4.81652 | | 6 | 44.3658 2.9435 1 0.086 .000369 -5.11544 -5.11846 -4.83222 | | 7 | 45.9444 3.1572 1 0.076 .000352* -5.19259 -5.19611 -4.86216 | | 8 | 46.0674 .24604 1 0.620 .000414 -5.07566 -5.07968 -4.69803 | | 9 | 46.4057 .67659 1 0.411 .000481 -4.98743 -4.99195 -4.5626 | | 10 | 49.5101 6.2087 1 0.013 .000398 -5.26801 -5.27304 -4.79598 | | 11 | 49.8462 .67231 1 0.412 .000494 -5.1795 -5.18503 -4.66026 | | 12 | 50.4453 1.1981 1 0.274 .000632 -5.12604 -5.13208 -4.5596 | | 13 | 50.5246 .15856 1 0.690 .000973 -5.00328 -5.00982 -4.38964 | | 14 | 54.2012 7.3532 1 0.007 .001234 -5.36016 -5.3672 -4.69931 | | 15 | 349.178 589.95 1 0.000 . -44.5571 -44.5647 -43.8491 | | 16 | 349.004 -.34849 1 . . -44.5339 -44.5414 -43.8258 | | 17 | 360.474 22.939 1 0.000 . -46.0632 -46.0707 -45.3551 | | 18 | 367.363 13.778 1 0.000 . -46.9817 -46.9892 -46.2736 | | 19 | 363.99 -6.7444 1 . . -46.532 -46.5396 -45.824 | | 20 | 370.715 13.449* 1 0.000 . -47.4286* -47.4362* -46.7206* | +---------------------------------------------------------------------------+ Endogenous: L.y Exogenous: . . * Analise a significancia da última defasagem e monte a regressão abaixo a


84

> lterando os lags . regress D.y L.y L(1).D.y, noconstant Source | SS df MS Number of obs = 34 -------------+------------------------------ F( 2, 32) = 36.37 Model | .043221563 2 .021610781 Prob > F = 0.0000 Residual | .019013807 32 .000594181 R-squared = 0.6945 -------------+------------------------------ Adj R-squared = 0.6754 Total | .062235369 34 .001830452 Root MSE = .02438 ------------------------------------------------------------------------------ D.y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | .0013961 .0005668 2.46 0.019 .0002416 .0025507 LD. | .4898226 .1540823 3.18 0.003 .1759673 .803678 ------------------------------------------------------------------------------ . predict res_ADF, res (2 missing values generated) . ac res_ADF, ytitle(, size(vlarge)) ylabel(, labsize(vlarge)) xtitle(, size > (vlarge)) xlabel(, labsize(vlarge)) caption(, size(vlarge)) legend(size(vlarg > e)) . wntestq res_ADF Portmanteau test for white noise --------------------------------------- Portmanteau (Q) statistic = 9.8294 Prob > chi2(15) = 0.8303 . . *Teste ADF - altere os lags . dfuller y, noconstant regress lags(1) Augmented Dickey-Fuller test for unit root Number of obs = 34 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value ------------------------------------------------------------------------------ Z(t) 2.463+ -2.646 -1.950 -1.604 ------------------------------------------------------------------------------ D.y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | .0013961 .0005668 2.46 0.019 .0002416 .0025507 LD. | .4898226 .1540823 3.18 0.003 .1759673 .803678 ------------------------------------------------------------------------------ . . . * teste de KPSS . *Estacionariedade no nível . kpss y, qs auto notrend KPSS test for y Automatic bandwidth selection (maxlag) = 2 Autocovariances weighted by Quadratic Spectral kernel Critical values for H0: y is level stationary 10%: 0.347 5% : 0.463 2.5%: 0.574 1% : 0.739 Lag order Test statistic 2 1.41 . . * Estacionariedade na tendencia deterministica . kpss y, qs auto KPSS test for y Automatic bandwidth selection (maxlag) = 2 Autocovariances weighted by Quadratic Spectral kernel Critical values for H0: y is trend stationary 10%: 0.119 5% : 0.146 2.5%: 0.176 1% : 0.216 Lag order Test statistic 2 .208


85

.

. *Teste DF GLS

. dfgls y DF-GLS for y Number of obs = 26 Maxlag = 9 chosen by Schwert criterion DF-GLS tau 1% Critical 5% Critical 10% Critical [lags] Test Statistic Value Value Value ------------------------------------------------------------------------------ 9 -1.363 -3.770 -2.756 -2.371 8 -1.118 -3.770 -2.766 -2.411 7 -1.255 -3.770 -2.812 -2.476 6 -1.421 -3.770 -2.885 -2.562 5 -1.694 -3.770 -2.978 -2.660 4 -1.803 -3.770 -3.082 -2.764 3 -2.083 -3.770 -3.188 -2.866 2 -2.574 -3.770 -3.288 -2.960 1 -2.575 -3.770 -3.373 -3.039 Opt Lag (Ng-Perron seq t) = 1 with RMSE .0212336 Min SC = -7.453715 at lag 1 with RMSE .0212336 Min MAIC = -7.128903 at lag 6 with RMSE .0189311 . dfgls y, notrend DF-GLS for y Number of obs = 26 Maxlag = 9 chosen by Schwert criterion DF-GLS mu 1% Critical 5% Critical 10% Critical [lags] Test Statistic Value Value Value ------------------------------------------------------------------------------ 9 1.741 -2.642 -2.297 -1.923 8 1.539 -2.642 -2.241 -1.890 7 1.549 -2.642 -2.219 -1.885 6 1.596 -2.642 -2.224 -1.901 5 1.660 -2.642 -2.251 -1.934 4 1.975 -2.642 -2.292 -1.979 3 2.050 -2.642 -2.342 -2.029 2 1.692 -2.642 -2.394 -2.080 1 1.836 -2.642 -2.442 -2.125 Opt Lag (Ng-Perron seq t) = 9 with RMSE .0202782 Min SC = -7.150453 at lag 1 with RMSE .0247102 Min MAIC = -6.830916 at lag 1 with RMSE .0247102 . . *Teste de Philips e Perron . pperron y, trend regress Phillips-Perron test for unit root Number of obs = 35 Newey-West lags = 3 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value ------------------------------------------------------------------------------ Z(rho) -8.099 -23.780 -18.660 -16.080 Z(t) -2.878 -4.288 -3.560 -3.216 ------------------------------------------------------------------------------ MacKinnon approximate p-value for Z(t) = 0.1697 ------------------------------------------------------------------------------ y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | .7966846 .0691369 11.52 0.000 .6558573 .9375119 _trend | .0053197 .0021562 2.47 0.019 .0009277 .0097116 _cons | 2.333177 .7763078 3.01 0.005 .7518896 3.914464 ------------------------------------------------------------------------------ . pperron y, regress Phillips-Perron test for unit root Number of obs = 35 Newey-West lags = 3 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value ------------------------------------------------------------------------------ Z(rho) -1.296 -17.880 -12.820 -10.400 Z(t) -2.256 -3.682 -2.972 -2.618 ------------------------------------------------------------------------------ MacKinnon approximate p-value for Z(t) = 0.1865 ------------------------------------------------------------------------------


86

y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | .9645085 .0132831 72.61 0.000 .9374838 .9915333 _cons | .451918 .156535 2.89 0.007 .1334451 .770391 ------------------------------------------------------------------------------ . pperron y, noconstant regress Phillips-Perron test for unit root Number of obs = 35 Newey-West lags = 3 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value ------------------------------------------------------------------------------ Z(rho) 0.099 -12.300 -7.460 -5.380 Z(t) 5.268 -2.644 -1.950 -1.604 ------------------------------------------------------------------------------ y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | 1.002843 .0003915 2561.85 0.000 1.002048 1.003639 ------------------------------------------------------------------------------

c) Variável e_ren

. * Analise a significancia da última defasagem e monte a regressão abaixo a > lterando os lags . regress D.y L.y L(1).D.y trend Source | SS df MS Number of obs = 34 -------------+------------------------------ F( 3, 30) = 2.95 Model | .00835589 3 .002785297 Prob > F = 0.0485 Residual | .028305976 30 .000943533 R-squared = 0.2279 -------------+------------------------------ Adj R-squared = 0.1507 Total | .036661866 33 .001110966 Root MSE = .03072 ------------------------------------------------------------------------------ D.y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | -.1474843 .0732027 -2.01 0.053 -.2969841 .0020155 LD. | .4152104 .1643709 2.53 0.017 .0795202 .7509006 trend | .0034336 .0018579 1.85 0.074 -.0003607 .0072279 _cons | 1.577678 .7729992 2.04 0.050 -.0009972 3.156353 ------------------------------------------------------------------------------ . predict res_ADF_ct, res (2 missing values generated) . ac res_ADF_ct, ytitle(, size(vlarge)) ylabel(, labsize(vlarge)) xtitle(, s > ize(vlarge)) xlabel(, labsize(vlarge)) caption(, size(vlarge)) legend(size(vl > arge)) . wntestq res_ADF_ct Portmanteau test for white noise --------------------------------------- Portmanteau (Q) statistic = 8.1963 Prob > chi2(15) = 0.9157 . . . *Teste ADF - altere os lags . dfuller y, trend regress lags(1) Augmented Dickey-Fuller test for unit root Number of obs = 34 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value ------------------------------------------------------------------------------ Z(t) -2.015 -4.297 -3.564 -3.218 ------------------------------------------------------------------------------ MacKinnon approximate p-value for Z(t) = 0.5934 ------------------------------------------------------------------------------ D.y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | -.1474843 .0732027 -2.01 0.053 -.2969841 .0020155


87

LD. | .4152104 .1643709 2.53 0.017 .0795202 .7509006 _trend | .0034336 .0018579 1.85 0.074 -.0003607 .0072279 _cons | 1.581111 .7747699 2.04 0.050 -.0011799 3.163403 ------------------------------------------------------------------------------ . . *------------------------------------------------------------------* . *Taualfatau para (alfa,beta,ro)=(0,0,1) em Yt=alfa+betat+roYt-1+et * . * * . * Sample * . * size Probability of small value * . * n 0,90 0,95 0,975 0,99 * . * 25 2,77 3,20 3,59 4,05 * . * 50 2,75 3,14 3,47 3,87 * . * 100 2,73 3,11 3,42 3,78 * . * 250 2,73 3,09 3,39 3,74 * . * 500 2,72 3,08 3,38 3,72 * . * inf 2,72 3,08 3,38 3,71 * . *------------------------------------------------------------------* . . *------------------------------------------------------------------* . *Taubetatau para (alfa,beta,ro)=(0,0,1) em Yt=alfa+betat+roYt-1+et * . * * . * Sample * . * size Probability of small value * . * n 0,90 0,95 0,975 0,99 * . * 25 2,39 2,85 3,25 3,74 * . * 50 2,38 2,81 3,18 3,60 * . * 100 2,38 2,79 3,14 3,53 * . * 250 2,38 2,79 3,12 3,49 * . * 500 2,38 2,78 3,11 3,48 * . * inf 2,38 2,78 3,11 3,46 * . *------------------------------------------------------------------* . . . *Modelo com constante . *Defasagem . * pelos critérios de AIC SBC escolha a melhor defasagem . varsoc L.y, maxlag(20) Selection order criteria Sample: 1991 2005 Number of obs = 15 +---------------------------------------------------------------------------+ |lag | LL LR df p FPE AIC HQIC SBIC | |----+----------------------------------------------------------------------| | 0 | 16.0222 .007902 -2.00296 -2.00347 -1.95576 | | 1 | 29.1926 26.341 1 0.000 .001562 -3.62568 -3.62669 -3.53128 | | 2 | 29.3179 .2506 1 0.617 .001762 -3.50906 -3.51057 -3.36745 | | 3 | 29.5568 .47768 1 0.489 .001965 -3.40757 -3.40958 -3.21876 | | 4 | 30.896 2.6784 1 0.102 .001903 -3.4528 -3.45531 -3.21678 | | 5 | 33.4695 5.147 1 0.023 .001576 -3.6626 -3.66561 -3.37938 | | 6 | 33.6566 .37416 1 0.541 .001811 -3.55421 -3.55773 -3.22378 | | 7 | 34.8244 2.3358 1 0.126 .001852 -3.57659 -3.58061 -3.19897 | | 8 | 36.093 2.5372 1 0.111 .001904 -3.6124 -3.61693 -3.18757 | | 9 | 36.1157 .04543 1 0.831 .002372 -3.4821 -3.48713 -3.01006 | | 10 | 36.1334 .0354 1 0.851 .003077 -3.35112 -3.35666 -2.83189 | | 11 | 36.5427 .81853 1 0.366 .004034 -3.27236 -3.27839 -2.70592 | | 12 | 43.2353 13.385 1 0.000 .002571 -4.03138 -4.03791 -3.41773 | | 13 | 66.9346 47.399 1 0.000 .000226* -7.05794 -7.06498 -6.3971 | | 14 | 461.247 788.63 1 0.000 . -59.4996 -59.5072 -58.7916 | | 15 | 467.671 12.848 1 0.000 . -60.3562 -60.3637 -59.6481 | | 16 | 477.416 19.489 1 0.000 . -61.6555 -61.663 -60.9474 | | 17 | 478.434 2.037 1 0.154 . -61.7913* -61.7988* -61.0832* | | 18 | 469.754 -17.362 1 . . -60.6338 -60.6414 -59.9258 | | 19 | 477.782 16.057* 1 0.000 . -61.7043 -61.7118 -60.9962 | | 20 | 477.782 0 1 . . -61.7043 -61.7118 -60.9962 | +---------------------------------------------------------------------------+ Endogenous: L.y Exogenous: _cons . . * Analise a significancia da última defasagem e monte a regressão abaixo a > lterando os lags . regress D.y L.y L(1).D.y Source | SS df MS Number of obs = 34 -------------+------------------------------ F( 2, 31) = 2.52 Model | .005133182 2 .002566591 Prob > F = 0.0965 Residual | .031528684 31 .001017054 R-squared = 0.1400 -------------+------------------------------ Adj R-squared = 0.0845 Total | .036661866 33 .001110966 Root MSE = .03189 ------------------------------------------------------------------------------ D.y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y |


88

L1. | -.0179949 .0220119 -0.82 0.420 -.0628885 .0268987 LD. | .3484094 .1664776 2.09 0.045 .0088761 .6879427 _cons | .2162497 .2432006 0.89 0.381 -.2797612 .7122606 ------------------------------------------------------------------------------ . predict res_ADF_c, res (2 missing values generated) . ac res_ADF_c, ytitle(, size(vlarge)) ylabel(, labsize(vlarge)) xtitle(, si > ze(vlarge)) xlabel(, labsize(vlarge)) caption(, size(vlarge)) legend(size(vla > rge)) . wntestq res_ADF_c Portmanteau test for white noise --------------------------------------- Portmanteau (Q) statistic = 7.8630 Prob > chi2(15) = 0.9292 . . *Teste ADF - altere os lags . dfuller y, regress lags(1) Augmented Dickey-Fuller test for unit root Number of obs = 34 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value ------------------------------------------------------------------------------ Z(t) -0.818 -3.689 -2.975 -2.619 ------------------------------------------------------------------------------ MacKinnon approximate p-value for Z(t) = 0.8139 ------------------------------------------------------------------------------ D.y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | -.0179949 .0220119 -0.82 0.420 -.0628885 .0268987 LD. | .3484094 .1664776 2.09 0.045 .0088761 .6879427 _cons | .2162497 .2432006 0.89 0.381 -.2797612 .7122606 ------------------------------------------------------------------------------ . . *-----------------------------------------------------* . *Taualfami para (alfa, ro)=(0,1) em Yt=alfa+roYt-1+et * . * * . * Sample * . * size Probability of small value * . * n 0,90 0,95 0,975 0,99 * . * 25 2,20 2,61 2,97 3,41 * . * 50 2,18 2,56 2,89 3,28 * . * 100 2,17 2,54 2,86 3,22 * . * 250 2,16 2,53 2,84 3,19 * . * 500 2,16 2,52 2,83 3,18 * . * inf 2,16 2,52 2,83 3,18 * . *-----------------------------------------------------* . . . *Modelo sem tendencia e constante . *Defasagem . * pelos critérios de AIC SBC escolha a melhor defasagem . varsoc L.y, noconstant maxlag(20) Selection order criteria Sample: 1991 2005 Number of obs = 15 +---------------------------------------------------------------------------+ |lag | LL LR df p FPE AIC HQIC SBIC | |----+----------------------------------------------------------------------| | 1 | 28.4807 . 1 . .001501* -3.6641 -3.6646 -3.6169 | | 2 | 29.1184 1.2753 1 0.259 .001577 -3.61579 -3.61679 -3.52138 | | 3 | 29.1629 .08903 1 0.765 .001799 -3.48839 -3.4899 -3.34678 | | 4 | 30.0455 1.7651 1 0.184 .001841 -3.47273 -3.47474 -3.28392 | | 5 | 31.2073 2.3236 1 0.127 .001826 -3.4943 -3.49682 -3.25829 | | 6 | 31.2736 .13264 1 0.716 .002111 -3.36981 -3.37283 -3.08659 | | 7 | 32.5638 2.5805 1 0.108 .002095 -3.40851 -3.41203 -3.07809 | | 8 | 34.2364 3.3451 1 0.067 .002003 -3.49819 -3.50221 -3.12056 | | 9 | 34.2537 .03454 1 0.853 .002433 -3.36716 -3.37168 -2.94233 | | 10 | 34.6853 .86321 1 0.353 .002871 -3.29137 -3.2964 -2.81934 | | 11 | 34.7676 .16456 1 0.685 .003691 -3.16901 -3.17454 -2.64977 | | 12 | 34.8821 .22913 1 0.632 .005034 -3.05095 -3.05698 -2.48451 | | 13 | 37.2011 4.6379 1 0.031 .005748 -3.22681 -3.23334 -2.61316 | | 14 | 46.4216 18.441 1 0.000 .003482 -4.32288 -4.32992 -3.66203 | | 15 | 350.27 607.7 1 0.000 . -44.7027 -44.7102 -43.9947 | | 16 | 354.544 8.5465 1 0.003 . -45.2725 -45.28 -44.5644 | | 17 | 360.163 11.24 1 0.001 . -46.0218 -46.0293 -45.3137 | | 18 | 360.163 0 1 . . -46.0218 -46.0293 -45.3137 |


89

| 19 | 367.799 15.271 1 0.000 . -47.0398 -47.0474 -46.3318 | | 20 | 372.306 9.015* 1 0.003 . -47.6408* -47.6484* -46.9328* | +---------------------------------------------------------------------------+ Endogenous: L.y Exogenous: . . * Analise a significancia da última defasagem e monte a regressão abaixo a > lterando os lags . regress D.y L.y L(1).D.y, noconstant Source | SS df MS Number of obs = 34 -------------+------------------------------ F( 2, 32) = 13.93 Model | .028141355 2 .014070677 Prob > F = 0.0000 Residual | .032332813 32 .0010104 R-squared = 0.4653 -------------+------------------------------ Adj R-squared = 0.4319 Total | .060474168 34 .001778652 Root MSE = .03179 ------------------------------------------------------------------------------ D.y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | .0015698 .0006264 2.51 0.017 .0002938 .0028457 LD. | .3509635 .1659074 2.12 0.042 .0130211 .6889059 ------------------------------------------------------------------------------ . predict res_ADF, res (2 missing values generated) . ac res_ADF, ytitle(, size(vlarge)) ylabel(, labsize(vlarge)) xtitle(, size > (vlarge)) xlabel(, labsize(vlarge)) caption(, size(vlarge)) legend(size(vlarg > e)) . wntestq res_ADF Portmanteau test for white noise --------------------------------------- Portmanteau (Q) statistic = 7.6369 Prob > chi2(15) = 0.9375 . . *Teste ADF - altere os lags . dfuller y, noconstant regress lags(1) Augmented Dickey-Fuller test for unit root Number of obs = 34 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value ------------------------------------------------------------------------------ Z(t) 2.506 -2.646 -1.950 -1.604 ------------------------------------------------------------------------------ D.y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | .0015698 .0006264 2.51 0.017 .0002938 .0028457 LD. | .3509635 .1659074 2.12 0.042 .0130211 .6889059 ------------------------------------------------------------------------------ . . . * teste de KPSS . *Estacionariedade no nível . kpss y, qs auto notrend KPSS test for y Automatic bandwidth selection (maxlag) = 2 Autocovariances weighted by Quadratic Spectral kernel Critical values for H0: y is level stationary 10%: 0.347 5% : 0.463 2.5%: 0.574 1% : 0.739 Lag order Test statistic 2 1.36 . . * Estacionariedade na tendencia deterministica . kpss y, qs auto KPSS test for y Automatic bandwidth selection (maxlag) = 2 Autocovariances weighted by Quadratic Spectral kernel


90

Critical values for H0: y is trend stationary 10%: 0.119 5% : 0.146 2.5%: 0.176 1% : 0.216 Lag order Test statistic 2 .245 . . *Teste DF GLS . dfgls y DF-GLS for y Number of obs = 26 Maxlag = 9 chosen by Schwert criterion DF-GLS tau 1% Critical 5% Critical 10% Critical [lags] Test Statistic Value Value Value ------------------------------------------------------------------------------ 9 -1.703 -3.770 -2.756 -2.371 8 -1.601 -3.770 -2.766 -2.411 7 -1.425 -3.770 -2.812 -2.476 6 -1.623 -3.770 -2.885 -2.562 5 -2.140 -3.770 -2.978 -2.660 4 -1.828 -3.770 -3.082 -2.764 3 -1.733 -3.770 -3.188 -2.866 2 -1.577 -3.770 -3.288 -2.960 1 -1.771 -3.770 -3.373 -3.039 Opt Lag (Ng-Perron seq t) = 1 with RMSE .0313509 Min SC = -6.674403 at lag 1 with RMSE .0313509 Min MAIC = -6.569956 at lag 1 with RMSE .0313509 . dfgls y, notrend DF-GLS for y Number of obs = 26 Maxlag = 9 chosen by Schwert criterion DF-GLS mu 1% Critical 5% Critical 10% Critical [lags] Test Statistic Value Value Value ------------------------------------------------------------------------------ 9 0.396 -2.642 -2.297 -1.923 8 0.487 -2.642 -2.241 -1.890 7 0.706 -2.642 -2.219 -1.885 6 0.709 -2.642 -2.224 -1.901 5 0.479 -2.642 -2.251 -1.934 4 0.644 -2.642 -2.292 -1.979 3 0.717 -2.642 -2.342 -2.029 2 0.873 -2.642 -2.394 -2.080 1 0.853 -2.642 -2.442 -2.125 Opt Lag (Ng-Perron seq t) = 1 with RMSE .035107 Min SC = -6.448085 at lag 1 with RMSE .035107 Min MAIC = -6.544695 at lag 1 with RMSE .035107 . . *Teste de Philips e Perron . pperron y, trend regress Phillips-Perron test for unit root Number of obs = 35 Newey-West lags = 3 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value ------------------------------------------------------------------------------ Z(rho) -5.619 -23.780 -18.660 -16.080 Z(t) -1.682 -4.288 -3.560 -3.216 ------------------------------------------------------------------------------ MacKinnon approximate p-value for Z(t) = 0.7589 ------------------------------------------------------------------------------ y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | .8966897 .0764155 11.73 0.000 .7410365 1.052343 _trend | .0023841 .0019456 1.23 0.229 -.0015789 .0063471 _cons | 1.122732 .8094144 1.39 0.175 -.5259911 2.771455 ------------------------------------------------------------------------------ . pperron y, regress Phillips-Perron test for unit root Number of obs = 35 Newey-West lags = 3 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical


91

Statistic Value Value Value ------------------------------------------------------------------------------ Z(rho) -0.617 -17.880 -12.820 -10.400 Z(t) -0.659 -3.682 -2.972 -2.618 ------------------------------------------------------------------------------ MacKinnon approximate p-value for Z(t) = 0.8571 ------------------------------------------------------------------------------ y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | .9864812 .0218418 45.16 0.000 .9420437 1.030919 _cons | .1751824 .240996 0.73 0.472 -.3151276 .6654923 ------------------------------------------------------------------------------ . pperron y, noconstant regress Phillips-Perron test for unit root Number of obs = 35 Newey-West lags = 3 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value ------------------------------------------------------------------------------ Z(rho) 0.082 -12.300 -7.460 -5.380 Z(t) 3.729 -2.644 -1.950 -1.604 ------------------------------------------------------------------------------ y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | 1.002354 .0005055 1982.99 0.000 1.001327 1.003381 ------------------------------------------------------------------------------

d) Variável e_nren

. * Analise a significancia da última defasagem e monte a regressão abaixo a > lterando os lags . regress D.y L.y L(1).D.y trend Source | SS df MS Number of obs = 34 -------------+------------------------------ F( 3, 30) = 12.00 Model | .038719002 3 .012906334 Prob > F = 0.0000 Residual | .032262329 30 .001075411 R-squared = 0.5455 -------------+------------------------------ Adj R-squared = 0.5000 Total | .070981332 33 .002150949 Root MSE = .03279 ------------------------------------------------------------------------------ D.y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | -.2420701 .0659127 -3.67 0.001 -.3766818 -.1074584 LD. | .4516836 .1314968 3.43 0.002 .1831313 .720236 trend | .0076139 .0023688 3.21 0.003 .0027762 .0124516 _cons | 2.573939 .6916372 3.72 0.001 1.161427 3.986451 ------------------------------------------------------------------------------ . predict res_ADF_ct, res (2 missing values generated) . ac res_ADF_ct, ytitle(, size(vlarge)) ylabel(, labsize(vlarge)) xtitle(, s > ize(vlarge)) xlabel(, labsize(vlarge)) caption(, size(vlarge)) legend(size(vl > arge)) . wntestq res_ADF_ct Portmanteau test for white noise --------------------------------------- Portmanteau (Q) statistic = 12.1011 Prob > chi2(15) = 0.6714 . . . *Teste ADF - altere os lags . dfuller y, trend regress lags(1) Augmented Dickey-Fuller test for unit root Number of obs = 34 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value ------------------------------------------------------------------------------ Z(t) -3.673 -4.297 -3.564 -3.218 ------------------------------------------------------------------------------ MacKinnon approximate p-value for Z(t) = 0.0242


92

------------------------------------------------------------------------------ D.y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | -.2420701 .0659127 -3.67 0.001 -.3766818 -.1074584 LD. | .4516836 .1314968 3.43 0.002 .1831313 .720236 _trend | .0076139 .0023688 3.21 0.003 .0027762 .0124516 _cons | 2.581553 .6939105 3.72 0.001 1.164399 3.998707 ------------------------------------------------------------------------------ . . *------------------------------------------------------------------* . *Taualfatau para (alfa,beta,ro)=(0,0,1) em Yt=alfa+betat+roYt-1+et * . * * . * Sample * . * size Probability of small value * . * n 0,90 0,95 0,975 0,99 * . * 25 2,77 3,20 3,59 4,05 * . * 50 2,75 3,14 3,47 3,87 * . * 100 2,73 3,11 3,42 3,78 * . * 250 2,73 3,09 3,39 3,74 * . * 500 2,72 3,08 3,38 3,72 * . * inf 2,72 3,08 3,38 3,71 * . *------------------------------------------------------------------* . . *------------------------------------------------------------------* . *Taubetatau para (alfa,beta,ro)=(0,0,1) em Yt=alfa+betat+roYt-1+et * . * * . * Sample * . * size Probability of small value * . * n 0,90 0,95 0,975 0,99 * . * 25 2,39 2,85 3,25 3,74 * . * 50 2,38 2,81 3,18 3,60 * . * 100 2,38 2,79 3,14 3,53 * . * 250 2,38 2,79 3,12 3,49 * . * 500 2,38 2,78 3,11 3,48 * . * inf 2,38 2,78 3,11 3,46 * . *------------------------------------------------------------------* . . . *Modelo com constante . *Defasagem . * pelos critérios de AIC SBC escolha a melhor defasagem . varsoc L.y, maxlag(20) Selection order criteria Sample: 1991 2005 Number of obs = 15 +---------------------------------------------------------------------------+ |lag | LL LR df p FPE AIC HQIC SBIC | |----+----------------------------------------------------------------------| | 0 | 4.62956 .036094 -.483941 -.484444 -.436738 | | 1 | 31.8809 54.503 1 0.000 .001091 -3.98412 -3.98512 -3.88971 | | 2 | 33.0886 2.4155 1 0.120 .001066* -4.01182 -4.01333 -3.87021 | | 3 | 33.226 .27476 1 0.600 .001205 -3.8968 -3.89881 -3.70799 | | 4 | 33.4534 .45473 1 0.500 .001353 -3.79379 -3.7963 -3.55777 | | 5 | 34.3242 1.7416 1 0.187 .001406 -3.77656 -3.77958 -3.49334 | | 6 | 35.466 2.2837 1 0.131 .001423 -3.79547 -3.79899 -3.46505 | | 7 | 36.5608 2.1895 1 0.139 .001469 -3.8081 -3.81213 -3.43048 | | 8 | 36.5695 .01748 1 0.895 .001786 -3.67593 -3.68046 -3.2511 | | 9 | 39.0376 4.9363 1 0.026 .001607 -3.87169 -3.87671 -3.39965 | | 10 | 42.5994 7.1235 1 0.008 .001299 -4.21325 -4.21879 -3.69402 | | 11 | 44.1047 3.0106 1 0.083 .001472 -4.28063 -4.28666 -3.71419 | | 12 | 45.1398 2.0701 1 0.150 .001994 -4.2853 -4.29184 -3.67166 | | 13 | 52.1716 14.064 1 0.000 .001618 -5.08955 -5.09659 -4.4287 | | 14 | 434.595 764.85 1 0.000 . -55.946 -55.9535 -55.2379 | | 15 | 441.329 13.469 1 0.000 . -56.8439 -56.8515 -56.1359 | | 16 | 439.472 -3.7145 1 . . -56.5963 -56.6038 -55.8882 | | 17 | 472.099 65.254 1 0.000 . -60.9466 -60.9541 -60.2385 | | 18 | 459.486 -25.226 1 . . -59.2648 -59.2724 -58.5568 | | 19 | 477.298 35.624* 1 0.000 . -61.6397 -61.6473 -60.9317 | | 20 | 478.572 2.5485 1 0.110 . -61.8096* -61.8172* -61.1016* | +---------------------------------------------------------------------------+ Endogenous: L.y Exogenous: _cons . . * Analise a significancia da última defasagem e monte a regressão abaixo a > lterando os lags . regress D.y L.y L(1).D.y Source | SS df MS Number of obs = 34 -------------+------------------------------ F( 2, 31) = 9.87 Model | .027608538 2 .013804269 Prob > F = 0.0005 Residual | .043372794 31 .001399122 R-squared = 0.3890 -------------+------------------------------ Adj R-squared = 0.3495 Total | .070981332 33 .002150949 Root MSE = .0374


93

------------------------------------------------------------------------------ D.y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | -.0375864 .0196649 -1.91 0.065 -.0776932 .0025205 LD. | .4436905 .149961 2.96 0.006 .1378431 .7495379 _cons | .440784 .2221186 1.98 0.056 -.0122297 .8937978 ------------------------------------------------------------------------------ . predict res_ADF_c, res (2 missing values generated) . ac res_ADF_c, ytitle(, size(vlarge)) ylabel(, labsize(vlarge)) xtitle(, si > ze(vlarge)) xlabel(, labsize(vlarge)) caption(, size(vlarge)) legend(size(vla > rge)) . wntestq res_ADF_c Portmanteau test for white noise --------------------------------------- Portmanteau (Q) statistic = 9.3932 Prob > chi2(15) = 0.8561 . . *Teste ADF - altere os lags . dfuller y, regress lags(1) Augmented Dickey-Fuller test for unit root Number of obs = 34 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value ------------------------------------------------------------------------------ Z(t) -1.911 -3.689 -2.975 -2.619 ------------------------------------------------------------------------------ MacKinnon approximate p-value for Z(t) = 0.3267 ------------------------------------------------------------------------------ D.y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | -.0375864 .0196649 -1.91 0.065 -.0776932 .0025205 LD. | .4436905 .149961 2.96 0.006 .1378431 .7495379 _cons | .440784 .2221186 1.98 0.056 -.0122297 .8937978 ------------------------------------------------------------------------------ . . *-----------------------------------------------------* . *Taualfami para (alfa, ro)=(0,1) em Yt=alfa+roYt-1+et * . * * . * Sample * . * size Probability of small value * . * n 0,90 0,95 0,975 0,99 * . * 25 2,20 2,61 2,97 3,41 * . * 50 2,18 2,56 2,89 3,28 * . * 100 2,17 2,54 2,86 3,22 * . * 250 2,16 2,53 2,84 3,19 * . * 500 2,16 2,52 2,83 3,18 * . * inf 2,16 2,52 2,83 3,18 * . *-----------------------------------------------------* . . . *Modelo sem tendencia e constante . *Defasagem . * pelos critérios de AIC SBC escolha a melhor defasagem . varsoc L.y, noconstant maxlag(20) Selection order criteria Sample: 1991 2005 Number of obs = 15 +---------------------------------------------------------------------------+ |lag | LL LR df p FPE AIC HQIC SBIC | |----+----------------------------------------------------------------------| | 1 | 31.601 . 1 . .00099 -4.08014 -4.08064 -4.03294 | | 2 | 32.8274 2.4526 1 0.117 .000962* -4.11031 -4.11132 -4.01591 | | 3 | 33.1062 .55761 1 0.455 .001063 -4.01415 -4.01566 -3.87254 | | 4 | 33.189 .16566 1 0.684 .001211 -3.89187 -3.89388 -3.70305 | | 5 | 34.0592 1.7403 1 0.187 .001248 -3.87455 -3.87707 -3.63854 | | 6 | 35.1352 2.1521 1 0.142 .001262 -3.88469 -3.88771 -3.60147 | | 7 | 36.5348 2.7993 1 0.094 .001234 -3.93798 -3.9415 -3.60755 | | 8 | 36.5624 .05511 1 0.814 .001469 -3.80832 -3.81234 -3.43069 | | 9 | 38.2404 3.3559 1 0.067 .00143 -3.89871 -3.90324 -3.47388 | | 10 | 42.5156 8.5505 1 0.003 .001011 -4.33541 -4.34044 -3.86338 | | 11 | 43.4749 1.9186 1 0.166 .001156 -4.32999 -4.33552 -3.81075 | | 12 | 43.7036 .4574 1 0.499 .001553 -4.22715 -4.23318 -3.66071 | | 13 | 43.742 .0767 1 0.782 .002403 -4.09893 -4.10546 -3.48528 |


94

| 14 | 48.5338 9.5837 1 0.002 .002627 -4.60451 -4.61155 -3.94366 | | 15 | 48.549 .03032 1 0.862 .002622 -4.60653 -4.61357 -3.94568 | | 16 | 309.446 521.79 1 0.000 . -39.2594 -39.267 -38.5514 | | 17 | 346.052 73.212 1 0.000 . -44.1402 -44.1478 -43.4322 | | 18 | 350.535 8.9659 1 0.003 . -44.738 -44.7455 -44.0299 | | 19 | 349.46 -2.1501 1 . . -44.5946 -44.6022 -43.8866 | | 20 | 362.306 25.692* 1 0.000 . -46.3074* -46.315* -45.5994* | +---------------------------------------------------------------------------+ Endogenous: L.y Exogenous: . . * Analise a significancia da última defasagem e monte a regressão abaixo a > lterando os lags . regress D.y L.y L(1).D.y, noconstant Source | SS df MS Number of obs = 34 -------------+------------------------------ F( 2, 32) = 25.40 Model | .077597086 2 .038798543 Prob > F = 0.0000 Residual | .048882618 32 .001527582 R-squared = 0.6135 -------------+------------------------------ Adj R-squared = 0.5894 Total | .126479704 34 .003719991 Root MSE = .03908 ------------------------------------------------------------------------------ D.y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | .0014075 .000809 1.74 0.091 -.0002403 .0030554 LD. | .5660358 .1428394 3.96 0.000 .2750815 .8569902 ------------------------------------------------------------------------------ . predict res_ADF, res (2 missing values generated) . ac res_ADF, ytitle(, size(vlarge)) ylabel(, labsize(vlarge)) xtitle(, size > (vlarge)) xlabel(, labsize(vlarge)) caption(, size(vlarge)) legend(size(vlarg > e)) . wntestq res_ADF Portmanteau test for white noise --------------------------------------- Portmanteau (Q) statistic = 10.9878 Prob > chi2(15) = 0.7535 . . *Teste ADF - altere os lags . dfuller y, noconstant regress lags(1) Augmented Dickey-Fuller test for unit root Number of obs = 34 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value ------------------------------------------------------------------------------ Z(t) 1.740 -2.646 -1.950 -1.604 ------------------------------------------------------------------------------ D.y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | .0014075 .000809 1.74 0.091 -.0002403 .0030554 LD. | .5660358 .1428394 3.96 0.000 .2750815 .8569902 ------------------------------------------------------------------------------ . . . * teste de KPSS . *Estacionariedade no nível . kpss y, qs auto notrend KPSS test for y Automatic bandwidth selection (maxlag) = 2 Autocovariances weighted by Quadratic Spectral kernel Critical values for H0: y is level stationary 10%: 0.347 5% : 0.463 2.5%: 0.574 1% : 0.739 Lag order Test statistic 2 1.36 . . * Estacionariedade na tendencia deterministica . kpss y, qs auto


95

KPSS test for y Automatic bandwidth selection (maxlag) = 2 Autocovariances weighted by Quadratic Spectral kernel Critical values for H0: y is trend stationary 10%: 0.119 5% : 0.146 2.5%: 0.176 1% : 0.216 Lag order Test statistic 2 .118 . . *Teste DF GLS . dfgls y DF-GLS for y Number of obs = 26 Maxlag = 9 chosen by Schwert criterion DF-GLS tau 1% Critical 5% Critical 10% Critical [lags] Test Statistic Value Value Value ------------------------------------------------------------------------------ 9 -2.780 -3.770 -2.756 -2.371 8 -2.491 -3.770 -2.766 -2.411 7 -2.873 -3.770 -2.812 -2.476 6 -3.445 -3.770 -2.885 -2.562 5 -3.404 -3.770 -2.978 -2.660 4 -3.490 -3.770 -3.082 -2.764 3 -3.824 -3.770 -3.188 -2.866 2 -3.970 -3.770 -3.288 -2.960 1 -3.921 -3.770 -3.373 -3.039 Opt Lag (Ng-Perron seq t) = 5 with RMSE .0249665 Min SC = -6.91494 at lag 1 with RMSE .0277983 Min MAIC = -5.357234 at lag 1 with RMSE .0277983 . dfgls y, notrend DF-GLS for y Number of obs = 26 Maxlag = 9 chosen by Schwert criterion DF-GLS mu 1% Critical 5% Critical 10% Critical [lags] Test Statistic Value Value Value ------------------------------------------------------------------------------ 9 1.964 -2.642 -2.297 -1.923 8 1.922 -2.642 -2.241 -1.890 7 1.925 -2.642 -2.219 -1.885 6 2.006 -2.642 -2.224 -1.901 5 2.541 -2.642 -2.251 -1.934 4 2.094 -2.642 -2.292 -1.979 3 1.695 -2.642 -2.342 -2.029 2 1.533 -2.642 -2.394 -2.080 1 1.468 -2.642 -2.442 -2.125 Opt Lag (Ng-Perron seq t) = 1 with RMSE .0350845 Min SC = -6.449369 at lag 1 with RMSE .0350845 Min MAIC = -6.340036 at lag 1 with RMSE .0350845 . . *Teste de Philips e Perron . pperron y, trend regress Phillips-Perron test for unit root Number of obs = 35 Newey-West lags = 3 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value ------------------------------------------------------------------------------ Z(rho) -9.530 -23.780 -18.660 -16.080 Z(t) -3.108 -4.288 -3.560 -3.216 ------------------------------------------------------------------------------ MacKinnon approximate p-value for Z(t) = 0.1043 ------------------------------------------------------------------------------ y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | .7831753 .065962 11.87 0.000 .6488152 .9175354 _trend | .006108 .0024895 2.45 0.020 .001037 .0111789 _cons | 2.346062 .6911925 3.39 0.002 .9381491 3.753975 ------------------------------------------------------------------------------ . pperron y, regress


96

Phillips-Perron test for unit root Number of obs = 35 Newey-West lags = 3 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value ------------------------------------------------------------------------------ Z(rho) -2.301 -17.880 -12.820 -10.400 Z(t) -2.577 -3.682 -2.972 -2.618 ------------------------------------------------------------------------------ MacKinnon approximate p-value for Z(t) = 0.0979 ------------------------------------------------------------------------------ y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | .9395703 .0182062 51.61 0.000 .9025294 .9766112 _cons | .7148226 .2028133 3.52 0.001 .302196 1.127449 ------------------------------------------------------------------------------ . pperron y, noconstant regress Phillips-Perron test for unit root Number of obs = 35 Newey-West lags = 3 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value ------------------------------------------------------------------------------ Z(rho) 0.129 -12.300 -7.460 -5.380 Z(t) 3.421 -2.644 -1.950 -1.604 ------------------------------------------------------------------------------ y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- y | L1. | 1.003701 .00072 1393.95 0.000 1.002238 1.005165 ------------------------------------------------------------------------------

. * Analisar o gráfico e ver qual modelo que melhor se ajusta aos dados . * Modelo 1 - sem termos deterministas . * Modelo 2 - mi1 - modelo com diferenças de unidades . * Modelo 3 - mi1 e mi2 - modelo com diferenças de unidades com tendencia linear . * Modelo 4 - mi1, mi2, s1 - possui tendencia estocastica e deterministica . * Modelo 5 - mi1, mi2, s1, s2 - Tendencia quadratica . * . . * Quais os modelos que mais se adequam, indicar abaixo . * Modelo 3 . . . * lpib le_tot . *Modelo 3 . vecrank lpib le_tot , trend(constant) lags(1)levela ic Johansen tests for cointegration Trend: constant Number of obs = 35 Sample: 1971 2005 Lags = 1 ------------------------------------------------------------------------------- maximum trace 5% critical 1% critical rank parms LL eigenvalue statistic value value 0 2 156.96425 30.4963 15.41 20.04 1 5 172.15568 0.58024 0.1134*1*5 3.76 6.65 2 6 172.2124 0.00324 ------------------------------------------------------------------------------- maximum rank parms LL eigenvalue SBIC HQIC AIC 0 2 156.96425 -8.766223 -8.82442 -8.8551 1 5 172.15568 0.58024 -9.329561* -9.475053* -9.551753 2 6 172.2124 0.00324 -9.23122 -9.40581 -9.497851 ------------------------------------------------------------------------------- . . * lpib le_ren . *Modelo 3 . vecrank lpib le_ren , trend(constant) lags(1)levela ic Johansen tests for cointegration Trend: constant Number of obs = 35 Sample: 1971 2005 Lags = 1 -------------------------------------------------------------------------------


97

maximum trace 5% critical 1% critical rank parms LL eigenvalue statistic value value 0 2 133.13379 24.8739 15.41 20.04 1 5 144.80934 0.48684 1.5228*1*5 3.76 6.65 2 6 145.57071 0.04257 ------------------------------------------------------------------------------- maximum rank parms LL eigenvalue SBIC HQIC AIC 0 2 133.13379 -7.404482 -7.462679 -7.493359 1 5 144.80934 0.48684 -7.766912* -7.912404* -7.989105 2 6 145.57071 0.04257 -7.708838 -7.883428 -7.975469 ------------------------------------------------------------------------------- . . * lpib le_nren . *Modelo 3 . vecrank lpib le_nren , trend(constant) lags(1)levela ic Johansen tests for cointegration Trend: constant Number of obs = 35 Sample: 1971 2005 Lags = 1 ------------------------------------------------------------------------------- maximum trace 5% critical 1% critical rank parms LL eigenvalue statistic value value 0 2 137.61752 23.7936 15.41 20.04 1 5 149.15956 0.48291 0.7096*1*5 3.76 6.65 2 6 149.51434 0.02007 ------------------------------------------------------------------------------- maximum rank parms LL eigenvalue SBIC HQIC AIC 0 2 137.61752 -7.660695 -7.718892 -7.749572 1 5 149.15956 0.48291 -8.015496* -8.160988* -8.237689 2 6 149.51434 0.02007 -7.934188 -8.108778 -8.200819 ------------------------------------------------------------------------------- . . * lpib le_ren le_nren . *Modelo 3 . vecrank lpib le_ren le_nren , trend(constant) lags(1)levela ic Johansen tests for cointegration Trend: constant Number of obs = 35 Sample: 1971 2005 Lags = 1 ------------------------------------------------------------------------------- maximum trace 5% critical 1% critical rank parms LL eigenvalue statistic value value 0 3 212.7364 34.7287*1 29.68 35.65 1 8 228.66396 0.59753 2.8735*5 15.41 20.04 2 11 230.064 0.07689 0.0735 3.76 6.65 3 12 230.10073 0.00210 ------------------------------------------------------------------------------- maximum rank parms LL eigenvalue SBIC HQIC AIC 0 3 212.7364 -11.85162 -11.93892 -11.98494 1 8 228.66396 0.59753 -12.25386* -12.48665* -12.60937 2 11 230.064 0.07689 -12.02912 -12.3492 -12.51794 3 12 230.10073 0.00210 -11.92964 -12.27882 -12.4629 -------------------------------------------------------------------------------

3) Causalidade de Granger . . * Questao dos lags 1)testar m lags e ver se não muda a conclusao . * 2)Teste de autocorrelação residual . * 3)Critérios de informação . . gcause lpib le_tot, lag (5)regress Granger causality test Sample: 1975 to 2005 obs = 31 H0: le_tot does not Granger-cause lpib F( 5, 20) = 3.78 Prob > F = 0.0143 chi2(5) = 29.29 (asymptotic) Prob > chi2 = 0.0000 (asymptotic)


98

Source | SS df MS Number of obs = 31 -------------+------------------------------ F( 10, 20) = 236.00 Model | 1.65898177 10 .165898177 Prob > F = 0.0000 Residual | .014059263 20 .000702963 R-squared = 0.9916 -------------+------------------------------ Adj R-squared = 0.9874 Total | 1.67304104 30 .055768035 Root MSE = .02651 ------------------------------------------------------------------------------ lpib | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- lpib | L1. | .1993095 .2866173 0.70 0.495 -.3985638 .7971828 L2. | .3468149 .3706807 0.94 0.361 -.4264115 1.120041 L3. | -.2933093 .4098667 -0.72 0.482 -1.148276 .5616576 L4. | -.0348114 .4090317 -0.09 0.933 -.8880366 .8184138 L5. | .2197709 .2602473 0.84 0.408 -.3230954 .7626372 le_tot | L1. | .8952431 .3587212 2.50 0.021 .1469637 1.643522 L2. | -.244274 .6509937 -0.38 0.711 -1.602223 1.113675 L3. | -.1976119 .7341505 -0.27 0.791 -1.729023 1.333799 L4. | -.0615501 .6834121 -0.09 0.929 -1.487123 1.364023 L5. | .0789287 .3953989 0.20 0.844 -.7458591 .9037164 _cons | 6.255501 1.95266 3.20 0.004 2.182324 10.32868 ------------------------------------------------------------------------------ . predict res1, res (5 missing values generated) . ac res1 . wntestq res1 Portmanteau test for white noise --------------------------------------- Portmanteau (Q) statistic = 12.3128 Prob > chi2(13) = 0.5022 . drop res1


99

.

. gcause le_tot lpib, lag (4)regress Granger causality test Sample: 1974 to 2005 obs = 32 H0: lpib does not Granger-cause le_tot F( 4, 23) = 1.85 Prob > F = 0.1541 chi2(4) = 10.28 (asymptotic) Prob > chi2 = 0.0359 (asymptotic) Source | SS df MS Number of obs = 32 -------------+------------------------------ F( 8, 23) = 573.31 Model | 2.12863747 8 .266079684 Prob > F = 0.0000 Residual | .010674484 23 .000464108 R-squared = 0.9950 -------------+------------------------------ Adj R-squared = 0.9933 Total | 2.13931196 31 .069010063 Root MSE = .02154 ------------------------------------------------------------------------------ le_tot | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- le_tot | L1. | 1.865632 .2850381 6.55 0.000 1.275986 2.455278 L2. | -1.010057 .5196283 -1.94 0.064 -2.08499 .0648763 L3. | .0942864 .5434303 0.17 0.864 -1.029885 1.218458 L4. | .1711643 .3121308 0.55 0.589 -.4745274 .816856 lpib | L1. | -.5140368 .2191332 -2.35 0.028 -.9673484 -.0607251 L2. | .6436078 .2952662 2.18 0.040 .0328031 1.254412 L3. | -.3403151 .3191487 -1.07 0.297 -1.000524 .3198942 L4. | .0614858 .19973 0.31 0.761 -.3516873 .4746589 _cons | 1.72338 1.327712 1.30 0.207 -1.023201 4.469961 ------------------------------------------------------------------------------ . predict res1, res (4 missing values generated) . ac res1


100

. wntestq res1 Portmanteau test for white noise --------------------------------------- Portmanteau (Q) statistic = 17.3498 Prob > chi2(14) = 0.2380

4) Resultado econométrico para o modelo de regressão escolhido

. *Regressao com variavel instrumental modelo 1 pib -> energia 1970 . . ivreg2 lpib L.lpib (le_tot = L.le_tot) Instrumental variables (2SLS) regression ---------------------------------------- Number of obs = 35 F( 2, 32) = 3074.42 Prob > F = 0.0000 Total (centered) SS = 3.533766424 Centered R2 = 0.9948 Total (uncentered) SS = 15350.04526 Uncentered R2 = 1.0000 Residual SS = .0182566252 Root MSE = .02284 ------------------------------------------------------------------------------ lpib | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- le_tot | .2922806 .0709627 4.12 0.000 .1531962 .431365 lpib | L1 | .667806 .0629439 10.61 0.000 .5444382 .7911737 _cons | 3.528841 .5132226 6.88 0.000 2.522943 4.534738 ------------------------------------------------------------------------------ Anderson canon. corr. LR statistic (identification/IV relevance test): 67.000 Chi-sq(1) P-val = 0.0000 ------------------------------------------------------------------------------ Sargan statistic (overidentification test of all instruments): 0.000 (equation exactly identified) ------------------------------------------------------------------------------ Instrumented: le_tot Included instruments: L.lpib Excluded instruments: L.le_tot ------------------------------------------------------------------------------ . predict res1, res (1 missing value generated) . wntestq res1 Portmanteau test for white noise --------------------------------------- Portmanteau (Q) statistic = 22.0970 Prob > chi2(15) = 0.1053 . dwstat Durbin-Watson d-statistic( ., 35) = 1.873559 . ivendog Tests of endogeneity of: le_tot H0: Regressor is exogenous Wu-Hausman F test: 12.23276 F(1,31) P-value = 0.00144 Durbin-Wu-Hausman chi-sq test: 9.90329 Chi-sq(1) P-value = 0.00165 . ivhettest IV heteroskedasticity test(s) using levels of IVs only Ho: Disturbance is homoskedastic Pagan-Hall general test statistic : 2.315 Chi-sq(2) P-value = 0.3142 . drop res1 . . *Regressão modelo 2 energia -> pib 1973 . ivreg2 le_tot L(1 2 3 4).le_tot (lpib = L(1).lpib) Instrumental variables (2SLS) regression ----------------------------------------


101

Number of obs = 32 F( 5, 26) = 506.81 Prob > F = 0.0000 Total (centered) SS = 2.139311958 Centered R2 = 0.9898 Total (uncentered) SS = 4509.585527 Uncentered R2 = 1.0000 Residual SS = .0218161209 Root MSE = .02611 ------------------------------------------------------------------------------ le_tot | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- lpib | -.3352702 .2686549 -1.25 0.212 -.8618242 .1912838 le_tot | L1 | 1.603353 .2957024 5.42 0.000 1.023787 2.18292 L2 | -.1680337 .3679296 -0.46 0.648 -.8891625 .5530951 L3 | -.5775159 .3896658 -1.48 0.138 -1.341247 .1862151 L4 | .4292704 .2219282 1.93 0.053 -.005701 .8642417 _cons | 3.673575 2.710694 1.36 0.175 -1.639288 8.986439 ------------------------------------------------------------------------------ Anderson canon. corr. LR statistic (identification/IV relevance test): 13.337 Chi-sq(1) P-val = 0.0003 ------------------------------------------------------------------------------ Sargan statistic (overidentification test of all instruments): 0.000 (equation exactly identified) ------------------------------------------------------------------------------ Instrumented: lpib Included instruments: L.le_tot L2.le_tot L3.le_tot L4.le_tot Excluded instruments: L.lpib ------------------------------------------------------------------------------ . predict res1, res (4 missing values generated) . wntestq res1 Portmanteau test for white noise --------------------------------------- Portmanteau (Q) statistic = 16.2724 Prob > chi2(14) = 0.2970 . dwstat Durbin-Watson d-statistic( ., 32) = 2.171573 . ivendog Tests of endogeneity of: lpib H0: Regressor is exogenous Wu-Hausman F test: 16.11267 F(1,25) P-value = 0.00048 Durbin-Wu-Hausman chi-sq test: 12.54128 Chi-sq(1) P-value = 0.00040 . ivhettest IV heteroskedasticity test(s) using levels of IVs only Ho: Disturbance is homoskedastic Pagan-Hall general test statistic : 4.942 Chi-sq(5) P-value = 0.4229 . drop res1 . *Regressão modelo 3 pib -> energia 1979 . ivreg2 lpib L(1 2).lpib (le_tot = L.le_tot) Instrumental variables (2SLS) regression ---------------------------------------- Number of obs = 25 F( 3, 21) = 813.03 Prob > F = 0.0000 Total (centered) SS = .7589773085 Centered R2 = 0.9916 Total (uncentered) SS = 11132.8922 Uncentered R2 = 1.0000 Residual SS = .0064043672 Root MSE = .01601 ------------------------------------------------------------------------------ lpib | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- le_tot | .6041308 .1028703 5.87 0.000 .4025086 .8057529 lpib | L1 | .4755182 .1352448 3.52 0.000 .2104432 .7405932 L2 | -.1625607 .098028 -1.66 0.097 -.3546921 .0295706 _cons | 7.271503 1.31411 5.53 0.000 4.695894 9.847112 ------------------------------------------------------------------------------ Anderson canon. corr. LR statistic (identification/IV relevance test): 25.522 Chi-sq(1) P-val = 0.0000 ------------------------------------------------------------------------------ Sargan statistic (overidentification test of all instruments): 0.000 (equation exactly identified)


102

------------------------------------------------------------------------------ Instrumented: le_tot Included instruments: L.lpib L2.lpib Excluded instruments: L.le_tot ------------------------------------------------------------------------------ . predict res1, res (2 missing values generated) . wntestq res1 Portmanteau test for white noise --------------------------------------- Portmanteau (Q) statistic = 15.0367 Prob > chi2(10) = 0.1307 . dwstat Durbin-Watson d-statistic( ., 25) = 2.11563 . ivendog Tests of endogeneity of: le_tot H0: Regressor is exogenous Wu-Hausman F test: 1.58552 F(1,20) P-value = 0.22247 Durbin-Wu-Hausman chi-sq test: 1.83633 Chi-sq(1) P-value = 0.17538 . ivhettest IV heteroskedasticity test(s) using levels of IVs only Ho: Disturbance is homoskedastic Pagan-Hall general test statistic : 3.424 Chi-sq(3) P-value = 0.3308

Livros Grátis( http://www.livrosgratis.com.br )

Milhares de Livros para Download: Baixar livros de AdministraçãoBaixar livros de AgronomiaBaixar livros de ArquiteturaBaixar livros de ArtesBaixar livros de AstronomiaBaixar livros de Biologia GeralBaixar livros de Ciência da ComputaçãoBaixar livros de Ciência da InformaçãoBaixar livros de Ciência PolíticaBaixar livros de Ciências da SaúdeBaixar livros de ComunicaçãoBaixar livros do Conselho Nacional de Educação - CNEBaixar livros de Defesa civilBaixar livros de DireitoBaixar livros de Direitos humanosBaixar livros de EconomiaBaixar livros de Economia DomésticaBaixar livros de EducaçãoBaixar livros de Educação - TrânsitoBaixar livros de Educação FísicaBaixar livros de Engenharia AeroespacialBaixar livros de FarmáciaBaixar livros de FilosofiaBaixar livros de FísicaBaixar livros de GeociênciasBaixar livros de GeografiaBaixar livros de HistóriaBaixar livros de Línguas










http://www.livrosgratis.com.br/cat_1/administracao/1







http://www.livrosgratis.com.br/cat_2/agronomia/1







http://www.livrosgratis.com.br/cat_3/arquitetura/1







http://www.livrosgratis.com.br/cat_4/artes/1







http://www.livrosgratis.com.br/cat_5/astronomia/1







http://www.livrosgratis.com.br/cat_6/biologia_geral/1









http://www.livrosgratis.com.br/cat_8/ciencia_da_computacao/1











http://www.livrosgratis.com.br/cat_9/ciencia_da_informacao/1











http://www.livrosgratis.com.br/cat_7/ciencia_politica/1









http://www.livrosgratis.com.br/cat_10/ciencias_da_saude/1











http://www.livrosgratis.com.br/cat_11/comunicacao/1







http://www.livrosgratis.com.br/cat_12/conselho_nacional_de_educacao_-_cne/1















http://www.livrosgratis.com.br/cat_13/defesa_civil/1









http://www.livrosgratis.com.br/cat_14/direito/1







http://www.livrosgratis.com.br/cat_15/direitos_humanos/1









http://www.livrosgratis.com.br/cat_16/economia/1







http://www.livrosgratis.com.br/cat_17/economia_domestica/1









http://www.livrosgratis.com.br/cat_18/educacao/1







http://www.livrosgratis.com.br/cat_19/educacao_-_transito/1









http://www.livrosgratis.com.br/cat_20/educacao_fisica/1









http://www.livrosgratis.com.br/cat_21/engenharia_aeroespacial/1









http://www.livrosgratis.com.br/cat_22/farmacia/1







http://www.livrosgratis.com.br/cat_23/filosofia/1







http://www.livrosgratis.com.br/cat_24/fisica/1







http://www.livrosgratis.com.br/cat_25/geociencias/1







http://www.livrosgratis.com.br/cat_26/geografia/1







http://www.livrosgratis.com.br/cat_27/historia/1







http://www.livrosgratis.com.br/cat_31/linguas/1







Baixar livros de LiteraturaBaixar livros de Literatura de CordelBaixar livros de Literatura InfantilBaixar livros de MatemáticaBaixar livros de MedicinaBaixar livros de Medicina VeterináriaBaixar livros de Meio AmbienteBaixar livros de MeteorologiaBaixar Monografias e TCCBaixar livros MultidisciplinarBaixar livros de MúsicaBaixar livros de PsicologiaBaixar livros de QuímicaBaixar livros de Saúde ColetivaBaixar livros de Serviço SocialBaixar livros de SociologiaBaixar livros de TeologiaBaixar livros de TrabalhoBaixar livros de Turismo

http://www.livrosgratis.com.br/cat_28/literatura/1







http://www.livrosgratis.com.br/cat_30/literatura_de_cordel/1











http://www.livrosgratis.com.br/cat_29/literatura_infantil/1









http://www.livrosgratis.com.br/cat_32/matematica/1







http://www.livrosgratis.com.br/cat_33/medicina/1







http://www.livrosgratis.com.br/cat_34/medicina_veterinaria/1









http://www.livrosgratis.com.br/cat_35/meio_ambiente/1









http://www.livrosgratis.com.br/cat_36/meteorologia/1







http://www.livrosgratis.com.br/cat_45/monografias_e_tcc/1







http://www.livrosgratis.com.br/cat_37/multidisciplinar/1





http://www.livrosgratis.com.br/cat_38/musica/1







http://www.livrosgratis.com.br/cat_39/psicologia/1







http://www.livrosgratis.com.br/cat_40/quimica/1







http://www.livrosgratis.com.br/cat_41/saude_coletiva/1









http://www.livrosgratis.com.br/cat_42/servico_social/1









http://www.livrosgratis.com.br/cat_43/sociologia/1







http://www.livrosgratis.com.br/cat_44/teologia/1







http://www.livrosgratis.com.br/cat_46/trabalho/1







http://www.livrosgratis.com.br/cat_47/turismo/1







Paulo Sergio Capriglione - Livros Grátislivros01.livrosgratis.com.br/cp066876.pdf · principal é...

Documents

Transcript of Paulo Sergio Capriglione - Livros Grátislivros01.livrosgratis.com.br/cp066876.pdf · principal é...