Medindo a Incerteza Econômica no Brasil

Pedro Costa Ferreira1, Ingrid C. L. de Oliveira1,

Lucas Farias Lima1 e Anna C. S. Barros1

Resumo

Nos últimos anos a literatura internacional acerca da mensuração e dos efeitos da incer-

teza na economia foi impulsionada por técnicas de web-scrapping, onde notícias são extraídas

de veículos de informação online, como as páginas dos jornais, e o texto extraído analisado

para geração de medidas que se relacionam com os movimentos da incerteza. Neste artigo

propomos uma metodologia similar para o Brasil, tentando circunverter as fraquezas de tra-

balhos similares aumentando o número de fontes de notícias e combinando informações de

expectativa e volatilidade do mercado de ações. Como resultado, criamos o IIE-Br (Indicador

de Incerteza Econômica - Brasil), divulgado mensalmente e fortemente relacionado com os

momentos de grande incerteza vividos pelo país no passado.

Palavras-chave: incerteza, economia, web-scrapping

1Instituto Brasileiro de Economia – IBRE, Fundação Getúlio Vargas – FGV. Botafogo, Rio de Ja-neiro, RJ, Brasil. Email: anna.barros@fgv.br; ingrid.oliveira@fgv.br; lucas.farias@fgv.br;pedro.guilherme@fgv.br.

1 Introdução

Com a lentidão da recuperação da crise de 2008 por parte dos Estados Unidos e alguns

países da Europa, maior destaque foi dado à vertente da literatura econômica que investiga

a relação entre incerteza e flutuações de variáveis macroeconômicas. Knight (1921) define

incerteza como a incapacidade de definir a probabilidade de ocorrência de eventos, ou seja, o

desconhecimento completo de eventos futuros.

Frente a cenários incertos parece natural que diferentes setores da economia se tornem

mais conservadores em suas ações, afetando a atividade econômica. Bloom (2014) observa

que a literatura teórica enfatiza três canais negativos da incerteza: (i) real options effects;

(ii) risk premium effects; e (iii) precautionary savings effects. No primeiro, tendo como

principais referências Bernanke (1983) e Pindyck (1990), as empresas ficam mais cautelosas,

postergando contratações e investimentos enquanto aguardam por mais informações. No

segundo canal, o aumento da incerteza geram um incremento na probabilidade de default,

aumentando o prêmio de risco no mercado financeiro. No último canal, famílias incertas

sobre sua renda futura adiam o consumo, principalmente de bens duráveis, como medida

preventiva.

As mesmas evidências teóricas que apontam para os efeitos nas firmas e consumidores

sugerem que a eficácia da política monetária é reduzida em ambientes de alta incerteza, de

maneira que cortes maiores de taxas de juros e taxações são necessários para estimular a

economia. Resultados empíricos desse fenômenos são discutidos em Dow (2004), Aastveit

et al. (2013) e Caggiano e Castelnuovo (2014).

Vários trabalhos buscaram também encontrar evidências empíricas das relações teóricas,

como exemplo Leahy e Whited (1996) Abel e Eberly (1995) e Guiso e Parigi (1999), que

estimavam equações envolvendo investimento e incerteza e corroboraram a relação negativa,

além da heterogeneidade das respostas, maiores para empresas mais restritas a investimen-

tos irreversíveis1, ou com grande poder de mercado. Uma limitação desses estudos era a

concentração em apenas um canal de transmissão dos efeitos da incerteza, uma vez que os

dados em níveis mais desagregados, utilizados nos estudos, estavam disponíveis apenas para

alguns setores. Outra abordagem é a utilização de modelos vetoriais autorregressivos (VAR),

que através das funções de impulso resposta permitem, por exemplo, associar altas da in-

certeza com quedas de compras de equipamentos e contratações, além de outras variáveis

macroeconômicas, como nos trabalhos de Bloom (2009) e Basu e Bundick (2012).

Outro fato estilizado diz que economias em desenvolvimento, como países da América

Latina e África do Sul, exibem níveis mais elevados de incerteza (Bloom, 2014). Koren

e Tenreyro (2007) e The World Bank (2012) apontam três possíveis explicações: (i) setor

industrial mais concentrado, implicando que eventuais choques no de oferta afetam mais

a economia; (ii) dependência de commodities; e (iii) profundidade do dano e dificuldade

de recuperação em casos de desastres naturais, epidemias, guerras, etc. Carrière-Swallow e

Céspedes (2013) investigam, ainda, as diferenças na amplitude e na persistência das respostas

do investimento e do consumo privado a choques de incerteza e concluem que economias em

desenvolvimento respondem a choques de incerteza de forma mais aguda e duradoura do que

países desenvolvidos. Especificamente para o cenário brasileiro, Costa Filho (2014) mostra

que, considerando um conjunto de proxies para incerteza e variáveis macroeconômicas, a

economia é negativamente afetada pelo aumento da incerteza, com efeitos mais agudos na

produção industrial, no PIB e na confiança do consumidor.

Em vista das consequências negativas de choques de incerteza na atividade econômica de

um país e da crescente literatura sobre o tema, mostra-se relevante um estudo aprofundado

para o Brasil. Assim, o presente artigo propõe a criação do Indicador de Incerteza da Econo-

mia – Brasil (IIE-Br) com o objetivo de mensurar o grau de incerteza econômica do país, ao

longo do tempo.

1Definidos como aqueles onde o capital investido não pode ou não vale a pena ser recuperado, tendo comoexemplo comum as plantas industriais

3

Por se tratar de um sentimento individual e subjetivo acerca da economia, a incerteza não é

diretamente observável. A literatura econômica propõe uma gama de proxies a fim de traduzi-

la quantitativamente. A medida considerada padrão pela literatura e amplamente usada é

a volatilidade do mercado acionário, vide Alexopoulos et al. (2009), Costa Filho (2014) e

Haddow et al. (2013), com destaque para o indicador baseado na volatilidade esperada pela

média de preços ponderados de put e call das opções do SPX do Standard and Poor’s 500

Index de 30 dias anteriores.

O sentimento de incerteza refletido em notícias de jornais também desempenha um papel

importante na mensuração da incerteza. Baker et al. (2016) criam um indicador de incerteza

baseado na frequência de notícias dos principais jornais dos Estados Unidos. O mesmo foi

feito por Haddow et al. (2013) para Inglaterra e por Alexopoulos et al. (2009) com notícias

publicadas pelo The New York Times.

Por outro lado, tem-se a incerteza relacionada à incapacidade de previsão da economia,

divergências nas expectativas de especialistas acerca de variáveis macroeconômicas sinali-

zam a incerteza do o mercado sobre o futuro da economia. Uma das medidas de incerteza

apresentada Haddow et al. (2013) corresponde ao grau de dispersão das empresas quanto ao

seu lucro futuro e à previsão do PIB. Guiso e Parigi (1999), por sua vez, baseiam-se nas in-

formações - fornecidas pelos empresários - sobre a distribuição de probabilidade subjetiva da

demanda futura para medir a incerteza italiana enquanto Bachmann et al. (2013) construíram

outro tipo de medida de incerteza, baseada em pesquisas do tipo survey, utilizando os mi-

crodados do German IFO Business Climate Survey para a Alemanha e do Business Outlook

Survey para os Estados Unidos.

Baseado na literatura supracitada, o IIE-Br considera a frequência de notícias sobre in-

certeza veiculadas nos principais jornais do país, o grau de dispersão dos especialistas acerca

de variáveis componentes do relatório Focus e a volatilidade do IBOVESPA.

O artigo é composto por mais 4 seções: na seção 2 estão descritos os aspectos metodoló-

4

gicos da construção do indicador; a seção 3 expõe a série histórica do IIE-Br e disserta sobre

os principais fatos relacionados ao seu comportamento ao longo dos anos; na seção 4 analisa-

se empiricamente as faixas de valores para as quais as respostas do investimento a choques de

incerteza são mais agudas; finalmente, a seção 5 resume os resultados encontrados e aponta

os caminhos a serem seguidos dentro da literatura sobre incerteza econômica.

2 Metodologia

Bloom (2014) e Haddow et al. (2013) defendem que não existe uma única medida que

mensure a incerteza, mas sim medidas distintas que, em conjunto, minimizam os erros isola-

dos de cada uma. Seguindo essa linha, o Indicador de Incerteza da Economia-Brasil (IIE-Br)

é constituído de três medidas de incerteza: i) a primeira, IIE-Br Mídia, baseada na frequência

de notícias com menção à incerteza econômica em jornais de grande circulação; ii) a segunda,

IIE-Br Expectativa, construída a partir das dispersões das previsões do mercado (FOCUS -

Relatório de Mercado2); e iii) a terceira, um indicador criado a partir da volatilidade do mer-

cado de ações, o IIE-Br Mercado.

2.1 IIE-Br Mídia

Baseado nos trabalhos realizados por Baker et al. (2016) e Alexopoulos et al. (2009), o

IIE-Br Mídia é a proxy que mede a incerteza econômica levando em consideração a frequên-

cia de notícias que remetem ao tema em seis jornais nacionais.

A captura das notícias se deu de três formas distintas: na primeira captura-se as notícias no

formato online através do próprio website dos jornais; a segunda também foi realizada através

do website do jornal, porém as notícias foram extraídas do jornal impresso digitalizado; e, por

2Boletim semanal divulgado pelo Banco Central do Brasil contendo informações sobre as expectativas deinstituições financeiras para os principais indicadores econômicos da economia brasileira: http://www.bcb.gov.br/pec/GCI/PORT/readout/readout.asp.

5

fim, em casos onde não foi possível a captura através de websites próprios dos jornais, obteve-

se as notícias por meio da rede social Twitter. Devido à grande popularização dessa rede

social, como visto em Hong e Davison (2010) e Armstrong e Gao (2010), muitas empresas

passaram a utilizá-la como meio de divulgação de sua marca, caso esse dos provedores de

conteúdo como jornais, revistas e portais de notícias. A escolha por distinguir entre notícias

online e impressa de uma mesma fonte (jornal) considera que notícias veiculadas no jornal

impresso tendem a ter maior importância, visto que a impressão eleva o custo de veiculação

do jornal impresso se comparado ao jornal online.

A base de notícias usada para a construção e o cálculo do indicador contém mais de duas

milhões de notícias dos principais jornais veiculados no Brasil, categorizados em três formas

de captura, vide Tabela 1.

Jornal Tipode captura Notícias

Valor EconômicoOnline 167426

Impresso 161038

Folha de São PauloOnline 910835

Impresso 188980Correio Braziliense Twitter 215403Estado de São Paulo Twitter 187864

Jornal O Globo Twitter 246467Zero Hora Twitter 106459

Tabela 1: Total de Notícias Capturadas

A classificação das notícias quanto ao sentimento de incerteza econômica foi baseada no

índice criado por Baker et al. (2016), em que foram selecionados e combinados termos que

remetessem aos assuntos economia e incerteza econômica. Caso uma notícia apresentasse

uma combinação dos termos escolhidos, esta era classificada como notícia de incerteza. As-

sim, foram criados dois grupos de termos para classificar as notícias: o primeiro associado

ao assunto “Economia” e cujo termo utilizado foi “Economia”; e o segundo com termos di-

retamente relacionados à incerteza, composto pelas palavras “Incerteza”, “Instabilidade” e

6

“Crise”. Com o intuito de absorver também palavras relacionadas aos termos selecionados,

como por exemplo “Incerto” ao invés de “Incerteza”, foi realizado um processo de lematiza-

ção, onde as palavras são reduzidas aos seus radicais: “ECON” para economia e “INSTAB”,

“INCERT” e “CRISE” para os termos de incerteza. As notícias que possuem pelo menos um

termo de cada grupo são contabilizadas como notícias que remetem à incerteza econômica.

O cálculo do IIE-Br Mídia baseia-se na proporção de notícias sobre incerteza econômica,

considerando o critério de classificação baseado em palavras, nos diferentes meios de captura

de notícias da seguinte forma:

Pk,t =Ik,t

Tk,t

onde Pk,t é a proporção de notícias sobre incerteza do tipo de captura k (jornal online, im-

presso ou Twitter) no mês t, Tk,t é a quantidade de notícias publicadas pela mídia k no mês t

dentre as quais um total de Ik,t foi classificado como referente à incerteza.

Visto que o jornal online e o Twitter contemplam mídias da mesma natureza, calcula-se a

proporção de notícias de incerteza para mídia online como:

Ponline,t =Pjornal,t +PTwitter,t

2

A incerteza na mídia em geral é, então, calculada pela média das notícias da mídia online

e impressa:

Pmídia,t =Pimpresso,t +Ponline,t

2

O IIE-Br Mídia resulta da padronização da série histórica de Ptotal a partir da média e do

desvio padrão na janela de referência, período de janeiro de 2005 a dezembro de 2014.

7

2.2 IIE-Br Expectativa

O IIE-Br Expectativa é um indicador baseado nas informações das séries de expectativa de

mercado geradas pelo Banco Central. Essas expectativas são projeções diárias de empresas

do setor financeiro ou não, previamente cadastradas, para diversas áreas macroeconômicas

em diferentes períodos (Marques et al., 2003).

Visando os indicadores com amostras representativas, foram considerados os indicadores

presentes na classificação das cinco instituições que produzem as melhores previsões3. As-

sim, o IIE-Br Expectativa considera em seu cálculo o coeficiente de variação das previsões

12 meses à frente tanto do Índice de Preços ao Consumidor Amplo (IPCA) quanto da taxa de

câmbio. A escolha da data de coleta das previsões considera o dia no mês em que existe maior

número de previsões e em que existe uma isenção de qualquer fonte externa de influência,

como por exemplo uma reunião do COPOM4. Para o IPCA adota-se o último dia útil antes

da divulgação do IPCA 15 enquanto para a taxa câmbio foi considerado o último dia útil do

mês anterior ao mês de divulgação do IIE-Br.

A incerteza captada pelas expectativas do mercado é mensurada a partir das séries dos

coeficientes de variação das expectativas 12 meses à frente para o IPCA e para a taxa de

câmbio padronizadas, considerando a janela de referência, como

Iexp,t =IIPCA,t + Icambio,t

2(1)

onde Iexp,t é o indicador de incerteza econômica baseado nas expectativas de mercado no mês

t, IIPCA,t e Icambio,t são os coeficientes de variação padronizados das expectativas 12 meses

à frente de t para o IPCA e para a taxa de câmbio, respectivamente. O IIE-Br consiste no

indicador Iexp,t padronizado a partir da janela de referência.

3Para mais informações acesse: http://www4.bcb.gov.br/Pec/GCI/PORT/Focus/top5.asp4Comitê de Política Monetária: http://www.bcb.gov.br/?red-copom

8

2.3 IIE-Br Mercado

Haddow et al. (2013) afirmam que em tempos de alta incerteza os preços dos ativos ten-

dem a ter alta volatilidade. Os autores consideram, ainda, que na medida que a incerteza

sobre os preços dos ativos das empresas refletem sua perspectiva de demanda, essa medida

pode ser considerada um razoável guia para a incerteza econômica.

Neste sentido, o cálculo do IIE-Br Mercado estima a incerteza baseada na variabilidade

do mercado acionário brasileiro. A proxy utilizada para o cálculo do indicador foi a série com

os preços de fechamentos diários do IBOVESPA5, que é o indicador de desempenho médio

das cotações de ativos de maior representatividade do mercado nacional de ações.

O cálculo do IIE-Br Mercado envolve a obtenção do coeficiente de variação mensal dos

preços dos fechamentos diários do IBOVESPA, calculado como

Volt =σIBOV,t

µIBOV,t,

onde Volt é o coeficiente de variação do período t e σIBOV,t e µIBOV,t são, respectivamente, o

desvio padrão e a média dos fechamentos diários do IBOVESPA para o período t.

O IIE-Br Mercado consiste, portanto, da série resultante da padronização de Volt conside-

rando a janela de 120 meses entre janeiro de 2005 e dezembro de 2014 (janela de referência).

2.4 Consolidação do Indicador

A incerteza econômica brasileira é medida a partir da média ponderada6 dos componentes

IIE-Br Mídia, IIE-Br Expectativa e IIE-Br Mercado com os seguintes pesos:

IIEBr∗t = 0,7 IIEBrmidia,t +0,2 IIEBrexpectativa,t +0,1 IIEBrmercado,t .

5http://www.bmfbovespa.com.br/pt_br/produtos/indices/indices-amplos/indice-bovespa-ibovespa.html

6A escolha dos ponderadores será melhor explicada na seção 4.

9

O IIE-Br é dado pela padronização de IIEBr∗t tal que o indicador final possua média 100 e

desvio padrão 10 dentro da janela de referência.

A série histórica do IIE-Br inicia em janeiro de 2000, entretanto seus componentes são

agregados à medida que novas informações são disponibilizadas, de acordo com a Figura 7.

A padronização das séries componentes do IIE-Br considera o período entre janeiro de 2005 e

dezembro de 2014, janela de referência de 120 meses (dez anos), onde todas as componentes

encontram-se disponíveis.

3 Análise da série histórica do IIE-Br

O comportamento histórico da incerteza brasileira, segundo a metodologia explicitada na

seção 2, pode ser observado na Figura 1. Nota-se a grande volatilidade do indicador, com

momentos tanto de incerteza acentuada quanto períodos de queda não necessariamente asso-

ciados a acontecimentos econômicos marcantes. Apesar da volatilidade do IIE-Br, destacam-

se pelo menos quatro períodos em que a incerteza parece migrar de patamar (em nível) e,

na tentativa de explicar seu aumento consistente, ainda na Figura 1 encontram-se sinalizados

eventos históricos com potencial para justificar choques positivos de incerteza.

10

Figura 1: IIE-Br

(a) (b) (c) (d) (e) (f) (g) (h) (i)

Jan

00

Jan

01

Jan

02

Jan

03

Jan

04

Jan

05

Jan

06

Jan

07

Jan

08

Jan

09

Jan

10

Jan

11

Jan

12

Jan

13

Jan

14

Jan

15

Jan

16

Jan

17

80

90

100

110

120

130

140

150

(a) Abr/2000 - crise da Bolha da Internet; (b) Set/2001 - atentado ao World Trade Center; (c) Out/2002 - eleições presidenciais;

(d) Abr/2005 - crise do Mensalão; (e) Ago/2007 - crise do subprime; (f) Set/2008 - quebra do Lehman Brothers; (g) Ago/2011

- rebaixamento da nota de crédito dos EUA; (h) Ago/2012 - crise da zona do euro; (i) Out/2014 - eleições presidenciais;

O IIE-Br apresentou uma trajetória de crescimento a partir de meados de 2001, até de-

zembro de 2002. Durante esse período, a incerteza doméstica foi afetada tanto por eventos

internacionais, como os atentados ao World Trade Center nos EUA em setembro de 2001

quanto com o cenário político nacional. Em 2002, com as eleições presidenciais e a chance

real da escolha do primeiro presidente afiliado a um partido de esquerda, pouco se pôde infe-

rir sobre as políticas que seriam adotadas no país. Observou-se em outubro de 2002 o maior

nível da série histórica do IIE-Br Expectativa (Figura 2), refletindo as divergências sobre as

expectativas para o IPCA e para a taxa de câmbio doze meses à frente.

11

Jan

00

Jan

01

Jan

02

Jan

03

Jan

04

Jan

05

Jan

06

Jan

07

Jan

08

Jan

09

Jan

10

Jan

11

Jan

12

Jan

13

Jan

14

Jan

15

Jan

16

Jan

17

75

85

95

105

115

125

135

145

155

165

175

Figura 2: IIE-Br Expectativa

Após um longo período de incerteza relativamente estável ao redor da média, observa-

se em setembro de 2008 um expressivo choque no IIE-Br como consequência da quebra do

banco de investimentos Lehman Brothers. O componente IIE-Br Mercado registrou nesse

mês seu máximo histórico, como observado na Figura 3. Os meses posteriores a esse evento

apresentaram uma queda gradual da incerteza, até que no final de 2009 o indicador parece

retornar ao seu nível usual.

Jan

00

Jan

01

Jan

02

Jan

03

Jan

04

Jan

05

Jan

06

Jan

07

Jan

08

Jan

09

Jan

10

Jan

11

Jan

12

Jan

13

Jan

14

Jan

15

Jan

16

Jan

17

85

95

105

115

125

135

145

155

165

175

Figura 3: IIE-Br Mercado

O terceiro período em que o comportamento do IIE-Br sugere uma mudança de patamar

ocorreu entre meados de 2011 e meados de 2012. Verificamos um forte crescimento do

12

indicador em agosto de 2011, associado ao rebaixamento da nota de crédito dos EUA. A

resposta mais expressiva a esse episódio foi observada no IIE-Br Mídia (Figura 4), porém o

IIE-Br Mercado (Figura 3) também apresentou choque positivo.

Jan

00

Jan

01

Jan

02

Jan

03

Jan

04

Jan

05

Jan

06

Jan

07

Jan

08

Jan

09

Jan

10

Jan

11

Jan

12

Jan

13

Jan

14

Jan

15

Jan

16

Jan

17

80

90

100

110

120

130

140

150

Figura 4: IIE-Br Mídia

A alta volatilidade do indicador prejudica o reconhecimento da data de início da sua

trajetória de crescimento. Entretanto, é notória a mudança de patamar da incerteza brasileira

nos últimos três anos. O cenário atual de incerteza tem sido alimentado, principalmente,

pelos sucessivos escândalos políticos.

4 Ponderação dos Componentes do IIE-Br

Para definir a ponderação do indicador foram utilizadas evidências de dois estudos: o pri-

meiro tinha como propósito original compensar a escassez de notícias online durante o início

dos anos 2000, o que, após análise de várias opções7, fez-se a partir da inclusão de informa-

ções do boletim FOCUS (componente “expectativas”) e oscilação dos preços de fechamento

do índice Ibovespa (componente “mercado”). O segundo estudo surgiu da observação de que

a inclusão desses dados ajudava a melhor representar as oscilações de incerteza no período

7Citar informações testadas ou argumentar escolhas

13

inicial do indicador, o prolema era definir como incluí-los de maneira a não afetarem os anos

seguintes, quando, por sua vez, já havia abundância de fontes de notícias online.

Assim, analisou-se o comportamento do indicador em períodos associados a elevados

níveis de incerteza econômica no país. definindo-se os valores aproximados de pesos para os

quais as elevações de incerteza ocorriam em conformidade com tais eventos, como na Figura

1. A seleção de pesos deixou claro que a componente de mídia é a que melhor se ajusta às

recentes oscilações de incerteza. Não obstante, houveram momentos que essa componente

falhou em capturar aumentos da incerteza que - baseado nos eventos ocorridos e oscilações de

outros indicadores - de fato ocorreram, como nas eleições de 2002. Foram exatamente nesses

períodos que as componentes “mercado” e “expectativas” contribuíram para a coerência do

indicador.

Uma abordagem mais sistemática foi feita avaliando o impacto das ponderações em fun-

ções do indicador que estimam efeitos de interesse da incerteza na economia, o que pode ser

feito, por exemplo, com funções de impulso resposta (FIR). Além disso, para corroborar os

resultados tomamos como função objetivo, também, o p-valor do teste de correlação residual

do modelo VAR utilizado para obter as funções de impulso-resposta.

Especificamente, o teste realizado é um Portmanteu, que avalia a hipótese nula de au-

sências de correlação das equações conjuntamente, através da soma dos traços das matrizes

de covariância de cada uma8. Por último, utiliza-se como defasagem máxima (para todas as

equações) o maior dos valores sugeridos pelos critérios de informação AIC e BIC, verificados

antes da estimação do modelo.

8Mais informações podem ser encontradas no manual do pacote vars: ftp://cran.r-project.org/pub/R/web/packages/vars/vars.pdf

14

IIE−Br M

ídia

0.0

0.2

0.40.6

0.81.0

IIE−Br Expect.

0.0

0.2

0.40.6

0.81.0

0.01

0.02

0.03

0.04

0.05

(a) P-Valor do teste decorrelação residual

IIE−Br M

ídia

0.0

0.2

0.40.6

0.81.0

IIE−Br Expect.

0.0

0.2

0.40.6

0.81.0

−0.6

−0.4

−0.2

0.0

(b) Banda superior do intervalode confiança da FIR

Figura 5: Funções objetivo para diferentes ponderações

Nesse sentido, olhamos para a significância estatística de testes de diagnóstico do mo-

delo VAR (que apresentamos na seção 5) e da magnitude da banda superior do intervalo de

confiança do impacto das funções de impulso resposta (FIR). No primeiro caso queremos os

maiores valores possíveis para os p-valores, já no segundo os menores, dado que considera-

mos o valor mínimo das respostas aos choques. Os resultados da otimização sugerem que

a concentração da ponderação na componente de notícias e de expectativas (para a primera

entre 70% e 80%, e na segundo entre 30% e 20%, contando com o valor residual do peso da

componente de mercado) otimiza as duas funções objetivo definidas.

Uma intuição de como se comportam essas funções pode ser vista na Figura 5, onde

superfícies para ponderações variando de 0,1 a 1 mostram os valores das funções para cada

combinação de peso. Naturalmente, para podermos visualizar essas superfícies reduzimos a

dimensão do problema, colocando a ponderação de uma das componentes como 1 menos a

soma das outras9. Assim, no eixo z temos o valor da função que nos interessa otimizar, e nos

eixos x e y o valor do peso da componente de mídia e expectativas, respectivamente.

Nas figuras vemos claramente que os valores que nos interessam melhoram (i.e. o p-

9A sugestão da truncagem em 1 do peso da componente de mídia é apenas um efeito indesejado da discreti-zação

15

valor aumenta e valor do impacto máximo diminui) à medida que o peso da componente de

expectativa cai, até em torno de 0,3, enquanto que o de mídia aumenta por volta de 0,710,

valores coerentes aos resultados da otimização.

Finalmente, com base nesses resultados e na observação do comportamento da série para

diversos valores de peso - tomando como referência de avaliação os períodos de ocorrência

dos eventos datados na Figura 1 - verificamos que a ponderação das componentes de midia,

expectativa e mercado em 70%, 20% e 10%, respectivamente, melhor retrata as flutuações da

incerteza da economia brasileira.

Todavia, se voltarmos a atenção para o momento atual, é possível que a componente de

notícias, apenas, capte todos os movimentos relevantes da incerteza.

5 Impacto da Incerteza sobre a Economia Real: Primeiros

Exercícios

Finalmente, para exemplificar os possíveis efeitos da incerteza na economia, utilizamos o

mesmo modelo VAR da seção 4 para extrair funções de impulso resposta a choques do IIEBR.

A simples especificação do modelo, para evitar complicações de identificação ou dificultar

a interpretação dos resultados, segue o artigo de Bloom (2009)11, onde a ordenação começa

com as variáveis latentes (incerteza, confiança, etc) seguida das de preço (juros, inflação, etc)

vindo por último as quantidades (produção, emprego, etc.).

A Tabela 2 sumariza as séries utilizadas e sua ordenação. Nela, BCB representa Banco

Central do Brasil, IBC-Br é o Índice de Atividade Econômica do Banco Central – Brasil,10O que implica na componente de mercado ser ponderada entre 0,2 e 0,111Assim como no exercício realizado por Bloom, também utilizamos a parte cíclica, extraída pelo filtro HP,

das variáveis (exceto das referentes a juros e índices de preço). Bachmann et al. (2013) faz uma crítica natural àessa abordagem, principalmente pela potencial remoção de efeitos de longo prazo do modelo, mas observa quea dimensão do VAR em questão diminui a importância dessa crítica. No caso deste artigo, além da dimensão doVAR, argumentamos também que dado ser um primeiro exercício, o interesse principal está nos efeitos de curtoprazo dos choques de incerteza.

16

Série Fonte OrdemIIE-Br FGV|IBRE 1

SELIC real BCB 2Câmbio BCB 3

ICB BM&F 4Desemprego FGV|IBRE 5

IBC-Br BCB 6PIM-PF IBGE 7

Tabela 2: Séries Utilizadas

PIM-PF é a Pesquisa Industrial Mensal de Produção Física, e ICB é o Índice de Commodities

Brasil. O período de coleta foi de dezembro de 2003 a outubro de 2015. Além disso, da

SELIC foi descontado o IPCA (ambos acumulados em 12 meses) e Câmbio é a cotação de

fechamento da razão Real (BRL) por Dólar Americano (USD). Finalmente, para a taxa de

desemprego mensal (Desemprego) foi utilizado o dado retropolado da PNAD Contínua pelo

departamento de Economia Aplicada da FGV|IBRE. Todos os dados estão dessazonalizados.

Time

PIM

−0.004

−0.003

−0.002

−0.001

0.000

0.001

0 10 20 30 40 50

−0.004

−0.003

−0.002

−0.001

0.000

0.001

(a) IBC

Time

PIM

−0.008

−0.006

−0.004

−0.002

0.000

0.002

0 10 20 30 40 50

−0.008

−0.006

−0.004

−0.002

0.000

0.002

(b) PIM

Figura 6: Respostas a choques no IIEBR

Na Figura 6a tem-se a reposta do IBC-Br, que, observando os intervalos de confiança,

sente os impactos entre o segundo e terceiro meses após o choque. A resposta é máxima no

sexto mês, a partir de onde a resposta inflexiona e converge para zero, de maneira que os

efeitos do choque duram cerca de 7 a 8 meses. Já para a PIM-PF, Figura 6b, a dinâmica é

17

similar, a não ser pela resposta mais aguda e imediata, seguida também de uma recuperação

levemente mais rápida, totalizando seis meses de efeito.

Finalmente, apesar das particularidades da economia brasileira, como um aparente mer-

cado de trabalho mais rígido e uma precedência dos efeitos na produção industrial em relação

aos preços, ambos os resultados são robustos para diversas ordenações e especificações, onde

inserimos e removemos, por exemplo, dados de exportação, importação, capacidade insta-

lada, taxa de juros americana e consumo das famílias. Valendo observar, por isso, que a

especificação final se deu pelos melhores resultados dos testes de diagnóstico.

6 Conclusão

De modo similar ao observado no cenário internacional durante a crise de 2008, o Brasil

também vem apresentando dificuldades para sair da pior recessão de sua história. A alta

incerteza doméstica surge como explicação para a lentidão na recuperação econômica, uma

vez que diferentes autores pontuam seus efeitos negativos em investimentos, contratações,

consumo e comércio.

Neste contexto, a relevância da mensuração da incerteza brasileira torna-se evidente.

Nicholas Bloom apresenta um indicador de incerteza econômica para o Brasil baseado na

frequência de notícias de incerteza da Folha de São Paulo. Buscando corrigir o possível viés

ocasionado pela análise de somente uma mídia nacional, o IIE-Br incorpora outros cinco jor-

nais nacionais. Contempla-se, ainda, informações sobre as divergências nas expectativas de

empresas para o IPCA e para a taxa de câmbio 12 meses à frente bem como dados sobre

a volatilidade do mercado acionário. O IIE-Br é, portanto, formado por três componentes:

IIE-Br Mídia, IIE-Br Expectativa e III-Br Mercado. Uma inovação do indicador proposto,

em termos tecnológicos, é a captura de todos os dados automaticamente através de técnicas

de web-scrapping.

18

Os pesos atribuídos a cada um dos componentes do IIE-Br são justificados pela capaci-

dade que cada componente tem de captar oscilações de incerteza não observadas em nenhum

dos outros e pela falta de informação no início da série história (Figura 7). Exercícios com

os pesos foram realizados seguindo duas abordagens: maximizar o p-valor do teste de corre-

lação nos resíduos do modelo VAR e minimizar (visto que os efeitos da incerteza na PIM-PF

são negativos) a função de impulso-resposta do modelo VAR. Em ambos os casos, os resulta-

dos encontrados para os pesos ótimos de cada uma das componentes corrobora a ponderação

inicial.

Um estudo econométrico foi conduzido para investigar os efeitos de choques de incerteza

na atividade econômica, mensurada pelo IBC-Br, e na Produção Industrial Mensal de Pro-

dução Física (PIM-PF). Como resposta, observou-se queda estatisticamente significativa em

ambas as variáveis em meses posteriores ao choque de incerteza.

Referências

Aastveit, K. A., Natvik, G. J. e sergio sola (2013) Economic uncertainty and the effective-

ness of monetary policy. SSRN Electronic Journal. URLhttps://doi.org/10.2139%

2Fssrn.2353008.

Abel, A. e Eberly, J. (1995) Optimal investment with costly reversibility. NBER Working

Paper. URLhttps://doi.org/10.3386%2Fw5091.

Alexopoulos, M., Cohen, J. et al. (2009) Uncertain times, uncertain measures. University of

Toronto, Departament of Economics - Working Paper.

Armstrong, C. L. e Gao, F. (2010) Now tweet this how news organizations use twitter. Elec-

tronic News, 4, 218–235.

19

Bachmann, R., Elstner, S. e Sims, E. R. (2013) Uncertainty and economic activity: Evidence

from business survey data. American Economic Journal: Macroeconomics, 5, 217–249.

Baker, S. R., Bloom, N. e Davis, S. J. (2016) Measuring economic policy uncertainty. The

Quarterly Journal of Economics, 131, 1593–1636.

Basu, S. e Bundick, B. (2012) Uncertainty shocks in a model of effective demand. NBER

Working Paper. URLhttps://doi.org/10.3386%2Fw18420.

Bernanke, B. S. (1983) Irreversibility, uncertainty, and cyclical investment. The Quarterly

Journal of Economics, 98, 85–106.

Bloom, N. (2009) The impact of uncertainty shocks. Econometrica, 77, 623–685.

— (2014) Fluctuations in uncertainty. The Journal of Economic Perspectives, 28, 153–175.

Borovicka, J. e Hansen, L. P. (2016) Term structure of uncertainty in the macroeconomy.

Handbook of Macroeconomics, 2, 1641–1696.

Caggiano, G. e Castelnuovo, E. (2014) Uncertainty and monetary policy in good and bad

times. SSRN Electronic Journal. URLhttps://doi.org/10.2139%2Fssrn.2939377.

Carrière-Swallow, Y. e Céspedes, L. F. (2013) The impact of uncertainty shocks in emerging

economies. Journal of International Economics, 90, 316–325.

Costa Filho, A. E. d. (2014) Incerteza e atividade econômica no brasil. Economia Aplicada,

18, 421–453.

Dow, S. C. (2004) Uncertainty and monetary policy. Oxford Economic Papers, 56, 539–561.

Guiso, L. e Parigi, G. (1999) Investment and demand uncertainty. The Quarterly Journal of

Economics, 114, 185–227.

20

Haddow, A., Hare, C., Hooley, J. e Shakir, T. (2013) Macroeconomic uncertainty: what is it,

how can we measure it and why does it matter? Bank of England Quarterly Bulletin, Q2.

Hansen, L. P. (2017) Uncertainty in economic analysis and the economic analysis of

uncertainty. URLhttp://larspeterhansen.org/wp-content/uploads/2017/02/

uncertaintycurrent-6.pdf.

Hong, L. e Davison, B. D. (2010) Empirical study of topic modeling in twitter. Em Procee-

dings of the first workshop on social media analytics, 80–88. ACM.

Knight, F. H. (1921) Risk, uncertainty and profit. New York: Hart, Schaffner and Marx.

Koren, M. e Tenreyro, S. (2007) Volatility and development. The Quarterly Journal of Eco-

nomics, 122, 243–287.

Leahy, J. V. e Whited, T. M. (1996) The effect of uncertainty on investment: Some stylized

facts. Journal of Money, Credit and Banking, 28, 64–83. URLhttp://www.jstor.org/

stable/2077967.

Marques, A., Fachada, P. e Cavalcanti, D. C. (2003) Sistema banco central de expectativas de

mercado. Notas Técnicas do Banco Central do Brasil, 36.

Pindyck, R. (1990) Irreversibility, uncertainty, and investment. NBER Working Paper.

URLhttps://doi.org/10.3386%2Fw3307.

The World Bank (2012) Uncertainties and vulnerabilities. Global Economic Prospects Re-

port.

21

Figu

ra7:

Con

stru

ção

dasé

rie

hist

óric

a

22