Embed Size (px)
Citation preview
1
UMA ANÁLISE DA RELAÇÃO ENTRE O CONSUMO DE ENERGIA ELÉTRICA E
O CRESCIMENTO ECONÔMICO NO MUNDO
Ana Beatriz Carvalho Werlang
Illana Geller
Projeto de Graduação apresentado ao Curso de
Engenharia de Produção da Escola Politécnica,
Universidade Federal do Rio de Janeiro, como
parte dos requisitos necessários à obtenção do
título de Engenheiro.
Orientador: André Assis de Salles
Rio de Janeiro
Janeiro de 2018
2
3
Werlang, Ana Beatriz Carvalho
Geller, Illana
Uma Análise da Relação entre o Consumo de Energia
Elétrica e o Crescimento Econômico no Mundo/ Ana Beatriz
Carvalho Werlang e Illana Geller – Rio de Janeiro: UFRJ/ Escola
Politécnica, 2018.
X, 68 p.: il.; 29,7 cm.
Orientador: André Assis de Salles
Projeto de Graduação – UFRJ/ POLI/ Curso de Engenharia
de Produção, 2018.
Referências Bibliográficas: p. 56-58
1. Consumo energético. 2. PIB. 3. Regressão Linear 4.
Modelos Vetoriais Autoregressivos.
I. Universidade Federal do Rio de Janeiro, Escola
Politécnica, Curso de Engenharia de Produção. II. Análise da
Relação Estatística entre o Consumo Elétrico e o Crescimento
Econômico no Mundo
4
AGRADECIMENTOS
Em primeiro lugar, gostaríamos de agradecer à nossas famílias. Aos nossos pais, que
são a fonte de nossos maiores aprendizados e que dão amparo para todas as nossas escolhas.
Aos nossos irmãos, pela paciência diária e companheirismo. Aos nossos avós, que nos
ensinaram a importância de batalhar pelos nossos sonhos e nos passaram, direta e
indiretamente, seus valores de vida. Temos especial gratidão, também, a todos nossos
familiares e amigos que sempre estiveram ao nosso lado nos apoiando.
Fazemos aqui um agradecimento especial ao professor orientador deste trabalho,
André Assis de Salles, por ter nos oferecido todo suporte e orientação para a elaboração do
mesmo. Agradecemos também a Gabriel Rocha de Almeida Cunha, companheiro profissional
e amigo que nos auxiliou constantemente no desenvolvimento deste trabalho, inclusive na
escolha do tema, tornando-se também um orientador e inspirador deste trabalho.
Por último, agradecemos à Universidade Federal do Rio de Janeiro, aos professores,
em especial do Departamento de Engenharia Industrial, que estiveram presente em nossa
jornada acadêmica e que tanto nos ensinaram, e a todos os funcionários desta instituição.
5
Resumo do Projeto de Graduação apresentado à Escola Politécnica/ UFRJ como parte dos
requisitos necessários para a obtenção do grau de Engenheiro de Produção.
Uma Análise da Relação entre o Consumo de Energia Elétrica e o Crescimento Econômico no
Mundo
Ana Beatriz Carvalho Werlang
Illana Geller
Janeiro/2018
Orientador: André Assis de Salles
Curso: Engenharia de Produção
O tema da relação causal entre a demanda de energia e o PIB tem sido objeto de intensas
pesquisas ao longo das últimas três décadas. O presente trabalho busca analisar a evolução do
consumo energético de diferentes países do mundo e a relação do mesmo com o nível de
desenvolvimento econômico, representado pelo PIB. Para isso, foi construída uma base de
dados anuais contendo o PIB e o consumo de energia elétrica de 143 países no período entre
1990 e 2014. Assim, foram utilizados modelos de regressão linear e modelos vetoriais
autoregressivos para explicar o consumo de energia elétrica dos países e grupos de países. Os
resultados indicaram que não existe um comportamento padrão de elasticidade para a maioria
dos países com níveis semelhantes de desenvolvimento econômico. Apesar disso, foi
observado um bom desempenho na regressão linear simples para os dados agregados em
grupos de países, o que indica a possibilidade de se realizar um planejamento agregado
confiável.
Palavras-chave: Consumo energético, PIB, Regressão Linear, Modelos Vetoriais
Autoregressivos
6
Abstract of Undergraduate Project presented to POLI/UFRJ as a partial fulfillment of the
requirements for the degree of Industrial Engineer.
Analysis of the Relationship between Electric Energy Consumption and Economic Growth in
the World
Ana Beatriz Carvalho Werlang
Illana Geller
January/2018
Advisor: André Assis de Salles
Course: Industrial Engineering
The causal relationship between energy demand and GDP has been the subject of intense
research over the past three decades. The present work seeks to analyze the energy
consumption evolution of different countries of the world and the relation of the same with
the level of economic development, represented by GDP. For this purpose, an annual database
containing GDP and electricity consumption of 143 countries in the period between 1990 and
2014 was prepared. Thus, linear regression models and autoregressive vector models were
used to explain the electricity consumption of countries and groups of countries. The results
indicated that there is no standard elasticity behavior for most countries with similar levels of
economic development. Despite this, a good performance was observed in the simple linear
regression for aggregate data in groups of countries, which indicates the possibility of
performing a reliable aggregate planning.
Keywords: Energy Consumption, GDP, Linear Regression, Autoregressive Vector Models
7
Sumário
1. Introdução .................................................................................................................. 10
1.1 Motivação .............................................................................................................. 10
1.1.1 Eletricidade e desenvolvimento ...................................................................... 10
1.1.2 Papel econômico da energia ........................................................................... 11
1.3 Objetivos ................................................................................................................ 16
1.4 Estrutura do Trabalho ............................................................................................ 17
2. Revisão Bibliográfica ................................................................................................ 18
3. Abordagem Metodológica ........................................................................................ 21
3.1 Modelos Econométricos Utilizados ....................................................................... 21
3.2 Teste de Pressuposto de Normalidade ................................................................... 23
3.3 Testes de Estacionariedade e Cointegração ........................................................... 23
3.4 Análise de Regressão ............................................................................................. 24
3.5 Modelos vetoriais autorregressivos ....................................................................... 26
3.5.1 Modelos VAR ................................................................................................. 26
3.5.2 Modelos VEC ................................................................................................. 27
4. Dados da Amostra ..................................................................................................... 28
4.1 Coleta de Dados ..................................................................................................... 28
4.2 Apresentação dos Dados ........................................................................................ 28
5. Análise dos Resultados Obtidos ............................................................................... 39
5.1 Grupos de Países e Hipóteses de Regularidades ................................................... 39
5.1.1 Resultados do setor residencial ....................................................................... 40
5.1.2 Resultados do setor comercial ........................................................................ 42
5.1.3 Resultados do setor industrial ......................................................................... 44
5.1.4 Resultados do setor outros .............................................................................. 45
5.2 Análises Agregadas – Grupos de Países ................................................................ 47
5.2.1 Países da Europa ............................................................................................. 48
8
5.2.2 Países da América Latina................................................................................ 50
6. Conclusão e Comentários finais ............................................................................... 54
Referências Bibliográficas ............................................................................................ 56
Anexo .............................................................................................................................. 59
9
Índice de figuras
Figura 1: Log do consumo per capita vs log do PIB per capita para todos os países analisados
entre 1990 e 2014. .................................................................................................................... 11
Figura 2: Log do consumo industrial per capita vs log do PIB industrial per capita para todos
os países analisados entre 1990 e 2014. ................................................................................... 13
Figura 3: Log do consumo comercial per capita vs log do PIB comercial per capita para todos
os países analisados entre 1990 e 2014. ................................................................................... 13
Figura 4: Log do consumo residencial per capita vs log do PIB per capita para todos os países
analisados entre 1990 e 2014. ................................................................................................... 14
Figura 5: Elasticidade - Setor residencial. ................................................................................ 40
Figura 6: P valor para a regressão - Setor residencial. ............................................................. 41
Figura 7: P valor para o modelo VEC - Setor residencial. ....................................................... 41
Figura 8: Elasticidade - Setor comercial. ................................................................................. 42
Figura 9: P valor para a regressão - Setor comercial. ............................................................... 43
Figura 10: P valor para o modelo VEC - Setor comercial. ....................................................... 43
Figura 11: Elasticidade - Setor industrial. ................................................................................ 44
Figura 12: P valor para a regressão - Setor industrial............................................................... 44
Figura 13: P valor para o modelo VEC - Setor industrial. ....................................................... 45
Figura 14: Elasticidade - Setor outros. ..................................................................................... 46
Figura 15: P valor para a regressão - Setor outros. ................................................................... 46
Figura 16: P valor para o modelo VEC - Setor industrial. ....................................................... 47
Figura 17: Elasticidades dos países da Europa para o setor comercial. ................................... 48
Figura 18: Elasticidades dos países da Europa para o setor industrial. .................................... 49
Figura 19: Elasticidades dos países da Europa para o setor residencial. .................................. 49
Figura 20: Elasticidades dos países da América Latina para o setor comercial.. .................... 51
Figura 21: Elasticidades dos países da América Latina para o setor industrial. ....................... 51
Figura 22: Elasticidades dos países da América Latina para o setor industrial. ....................... 52
10
Índice de tabelas
Tabela 1-A: Resumo dos dados utilizados para o setor residencial ......................................... 29
Tabela 1-B: Resumo dos dados utilizados para o setor residencial (continuação) ................... 30
Tabela 1-C: Resumo dos dados utilizados para o setor residencial (continuação) ................... 31
Tabela 2-A: Resumo dos dados utilizados para o setor comercial ........................................... 31
Tabela 2-B: Resumo dos dados utilizados para o setor comercial (continuação) .................... 32
Tabela 2-C: Resumo dos dados utilizados para o setor comercia (continuação)l .................... 33
Tabela 3-A: Resumo dos dados utilizados para o setor industrial ............................................ 34
Tabela 3-B: Resumo dos dados utilizados para o setor industrial (continuação) ..................... 35
Tabela 3-C: Resumo dos dados utilizados para o setor industrial (continuação) ..................... 36
Tabela 4-A: Resumo dos dados utilizados para o setor outros ................................................. 36
Tabela 4-B: Resumo dos dados utilizados para o setor outros (continuação) .......................... 37
Tabela 4-C: Resumo dos dados utilizados para o setor outros (continuação) .......................... 38
Tabela 5: Resultados para a Europa por setor .......................................................................... 50
Tabela 6: Resultados para a América Latina para os setores residencial e industrial .............. 52
Tabela 7: Resultados para a América Latina para os setores comercial e outros ..................... 52
Tabela 8-A: Resultados para o setor residencial ...................................................................... 59
Tabela 8-B: Resultados para o setor residencial (continuação) ................................................ 60
Tabela 8-C: Resultados para o setor residencial (continuação) ................................................ 61
Tabela 9-A: Resultados para o setor comercial ........................................................................ 61
Tabela 9-B: Resultados para o setor comercial (continuação) ................................................. 62
Tabela 9-C: Resultados para o setor comercial (continuação) ................................................. 63
Tabela 10-A: Resultados para o setor industrial ....................................................................... 63
Tabela 10-B: Resultados para o setor industrial (continuação) ................................................ 64
Tabela 10-C: Resultados para o setor industrial (continuação) ................................................ 65
Tabela 11-A: Resultados para o setor outros ............................................................................ 66
Tabela 11-B: Resultados para o setor outros (continuação) ..................................................... 67
Tabela 11-C: Resultados para o setor outros (continuação) ..................................................... 68
10
1. Introdução
1.1. Motivação
1.1.1 Eletricidade e desenvolvimento
De acordo com o World Energy Outlook de 2017, publicado pela International Energy
Agency (IEA), a energia é essencial para o desenvolvimento e a prosperidade da humanidade.
Em 2015, a adoção dos “Objetivos de Desenvolvimento Sustentável das Nações Unidas”
(SDGs) elevou ainda mais o nível de reconhecimento político da importância da energia para
o desenvolvimento. Dentre os SDGs figurou pela primeira vez garantir o acesso à energia
confiável sustentável e moderna para todos. A importância do acesso à energia não se limita a
este novo objetivo, uma vez que a natureza integrada do desenvolvimento é reconhecida. A
falta de acesso à energia moderna dificulta, e pode até impossibilitar, que um país enfrente
desafios como pobreza, poluição do ar, baixos níveis de expectativa de vida, falta de acesso a
serviços essenciais de saúde, falta de acesso à educação de qualidade, adaptação e mitigação
das mudanças climáticas, produção e segurança alimentar, crescimento econômico e emprego,
industrialização sustentável e desigualdade de gênero. ( ver ONU (2017)).
Assim, é possível relacionar o consumo energético com o desenvolvimento de um país.
Um dos principais indicadores de desenvolvimento é a variação do Produto Interno Bruto
(PIB), utilizado para medir o nível da atividade econômica. Apesar de não ser o indicador
mais apropriado, por não considerar dados como a distribuição de renda, investimento em
educação, entre outros, o PIB é o principal indicador econômico utilizado nas projeções de
consumo e está diretamente relacionado ao nível de desenvolvimento do país.
O gráfico apresentado na Figura 1, adiante, mostra a associação entre o consumo de
energia elétrica e a renda, dada pelo PIB. Os dados se referem a informações anuais per capita
do consumo de eletricidade e do PIB de 143 países ao redor do mundo, ajustados a um
modelo polinomial de 2ª ordem.
11
Figura 1: Log do consumo per capita vs log do PIB per capita para todos os países analisados entre
1990 e 2014. Fonte: elaboração própria.
Desses resultados, pode-se inferir que os dados se ajustam bem a um modelo de
crescimento polinomial, isto é, o consumo de energia elétrica per capita apresenta um
crescimento mais acentuado em relação ao PIB per capita, quando este último apresenta
valores mais baixos, representando o comportamento de países em desenvolvimento. No
entanto, tal crescimento vai desacelerando gradualmente conforme o PIB per capita vai
aumentando, até estagnar ou até tornar-se negativo, comportamento característico de países
com alto nível de desenvolvimento, onde a população apresenta crescimento nulo ou
decrescente e a eficiência energética é alta.
1.1.2 Papel econômico da energia
Na atualidade, a energia elétrica é uma das formas mais usuais de energia utilizadas no
planeta. A descoberta da mesma possibilitou grande desenvolvimento tecnológico,
transformando eletricidade em luz, calor e força no mundo moderno. Desde então, o seu uso
tem sido essencial na sociedade. Além de proporcionar maior conforto para a população, a sua
utilização proporciona aumento da capacidade da produção de bens e serviços nos diversos
setores da economia, como pode-se observar em Finkler et al. (2016).
Como mencionado, a energia é essencial para o desenvolvimento e a prosperidade da
humanidade. Nessa perspectiva, cabe comentar sobre o grande marco da utilização da energia
pelo homem com a invenção da Máquina a Vapor no século XVIII. A revolução Industrial na
Europa, marcou definitivamente o uso e a importância da energia para os tempos modernos.
12
As invenções da Locomotiva e dos teares mecânicos foram umas das primeiras aplicações
para o uso da energia das máquinas a vapor. Em seguida vieram muitas outras, como os
navios movidos a vapor, que contribuíram imensamente para o desenvolvimento do comércio
por toda parte do mundo. Na metade do século XIX inicia-se a utilização das novas fontes de
energia conhecidas como petróleo e eletricidade. Essas seriam as responsáveis pelo grande
salto no desenvolvimento da humanidade. Com isso, foi possível ultrapassar as fronteiras do
espaço e disponibilizar o conforto e as perspectivas que a vida da população passou a ter em
função do incremento dessas duas fontes de energia. (ver EDP Brasil (2017)).
Dessa forma, fica claro a existência de uma relação causal entre o consumo de energia e
o crescimento econômico. Visando aprofundar o estudo dessa conexão, é importante destacar
a possibilidade de que os setores da economia tenham comportamentos diferentes e reajam de
forma distinta às mudanças econômicas. De acordo com de Castro e Brandão (2009), o
consumo residencial é menos afetado pelas variações do PIB e tem impactos menos imediatos
do que o consumo industrial e o comercial. Além disso, vale destacar a existência de dados de
PIB setorial, os quais provavelmente tem maior correlação com o consumo de cada setor do
que o PIB global de um país. Nessa perspectiva, faz sentido que o estudo da relação entre o
consumo de energia e o PIB seja feito de maneira separada para os diferentes setores da
economia.
Nas Figuras 1, 2, 3 e 4, a seguir, pode-se observar o comportamento do consumo
industrial, comercial e residencial em relação a renda, medida pelo PIB, dos países da
amostra.
O gráfico apresentado na Figura 2 foi elaborado a partir de um modelo de regressão
linear simples, sendo o consumo industrial per capita a variável dependente e o PIB industrial
per capita é a variável explicativa ou independente. O coeficiente de determinação do modelo
é 0,684, o que se traduz em uma explicação de 68,4% da variável dependente. Com isso, fica
claro que o comportamento tem um crescimento linear. Isto é, o consumo industrial per capita
aumenta conforme o PIB per capita aumenta, sendo a elasticidade da demanda de energia em
relação ao PIB de 0,8366.
13
Figura 2: Log do consumo industrial per capita vs log do PIB industrial per capita para todos os
países analisados entre 1990 e 2014. Fonte: elaboração própria.
Figura 3: Log do consumo comercial per capita vs log do PIB comercial per capita para todos os
países analisados entre 1990 e 2014. Fonte: elaboração própria.
Na análise do comportamento do consumo de energia elétrica comercial per capita em
relação ao PIB comercial per capita o coeficiente de determinação é 0,8591. Isso significa que
esse modelo consegue explicar melhor os valores observados do que o modelo do consumo
industrial per capita versus o PIB industrial per capita apresentado anteriormente.
14
Além disso, percebe-se, no gráfico apresentado na Figura 3, que o comportamento tem
um crescimento polinomial de segunda ordem, isto é, o consumo de energia elétrica comercial
per capita apresenta um crescimento mais acentuado em relação ao PIB per capita, quando
este último apresenta valores menores, representando o comportamento de países ainda em
desenvolvimento. Por outro lado, tal crescimento desacelera gradualmente conforme o PIB
per capita aumenta. Esse comportamento é característico de países com alto nível de
desenvolvimento. Esse modelo representa, portanto, comportamento similar ao modelo do
consumo elétrico per capita versus o PIB per capita apresentado anteriormente.
Figura 4: Log do consumo residencial per capita vs log do PIB per capita para todos os países
analisados entre 1990 e 2014. Fonte: elaboração própria.
Por fim, foi estimado um modelo de regressão linear simples em que o consumo de
energia residencial per capita é a variável dependente e o PIB per capita é a variável
explicativa. Nesse cenário, o coeficiente de determinação é 0,7928, o que significa que o
modelo estimado tem uma explicação menor do que a obtida por meio do modelo do consumo
de energia elétrica comercial per capita versus o PIB industrial per capita e maior que a obtida
através do modelo do consumo industrial per capita versus o PIB industrial per capita.
Cabe, ainda, comentar que o consumo residencial per capita apresenta um crescimento
mais acentuado em relação ao PIB per capita, quando este último apresenta valores menores,
representando o comportamento de países ainda em desenvolvimento. No entanto, esse
15
crescimento desacelera conforme o PIB per capita aumenta. Isso é característico de países
com níveis mais elevados de desenvolvimento.
Evidencia-se, portanto, que os setores da economia possuem comportamentos diferentes
e reagem de forma distinta às mudanças na economia. Assim, a importância do estudo da
relação entre o consumo de energia e o PIB ser feita de maneira separada para os distintos
setores da economia é corroborada. Desta maneira, o presente trabalho seguirá com essa
metodologia pelo resto do estudo, separando os dados para os setores residencial, industrial e
comercial. A parcela da demanda que não se encaixa em nenhum desses setores é agrupada no
setor intitulado “outros”.
1.2. Relação entre o Consumo de Energia Elétrica e a Renda
Realizar a previsão de demanda de eletricidade é uma questão de extrema relevância
para as empresas de utilities, governos e investidores privados, tanto nos países em
desenvolvimento como, também, nos países desenvolvidos. No passado, em todo o mundo,
uma subestimação da demanda de eletricidade era geralmente atendida pela instalação
de geradores térmicos, os quais poderiam ser implantados em um curto período de tempo com
um investimento relativamente baixo. Por outro lado, uma superestimação era corrigida pelo
crescimento da demanda. Nessa perspectiva, o entendimento geral era que, no pior cenário,
existiria um excesso de capacidade, o qual seria absorvido rapidamente.
Em contraste, de acordo com Steinbuks (2017), no cenário atual a subestimação da
demanda de eletricidade resulta em escassez de provisão e cortes de energia forçados, uma
vez que o excesso de energia não é facilmente armazenável. Por outro lado, a superestimação
da demanda pode resultar em superinvestimentos na capacidade de geração e, até mesmo, em
preços mais elevados da eletricidade. Isso porque, pelo menos para empresas de utilities
tradicionais, os custos de investimento precisam ser recuperados a fim de manter a
rentabilidade financeira. Nessa perspectiva, entende-se que previsões de demanda de
eletricidade confiáveis são essenciais para o planejamento de longo prazo de futuras
instalações de geração e de transmissão.
Nesse sentido, é importante destacar a dificuldade de elaborar uma previsão de demanda
de eletricidade de longo prazo, tendo em vista a variedade de incertezas a que está sujeita.
Como exemplos dessas incertezas, é possível citar o crescimento populacional, as mudanças
tecnológicas, as condições econômicas e as condições climáticas. Cabe ressaltar que esse
problema pode ser ainda mais desafiador nos países em desenvolvimento, onde os dados são
muitas vezes evasivos e a demanda histórica de eletricidade em si é mais volátil devido à
16
instabilidade macroeconômica e política. Diante disso, o mapeamento do impacto causado na
demanda de eletricidade por possíveis variações em fatores externos permite a identificação
precisa de pontos críticos, prevenindo situações para as quais sejam necessárias a adoção de
medidas de controle. Assim, é de extrema importância a existência de métodos de previsão de
cenários futuros do setor energético e o mapeamento dos fatores de risco envolvidos no
processo. (ver Ferreira (2006)).
É importante mencionar o tema da relação causal entre o consumo de energia e a
variação da renda, medida pelo PIB, o qual tem sido objeto de intensas pesquisas ao longo das
últimas três décadas, usando o conceito de causalidade de Granger. Muitos estudos focaram
em diferentes países e períodos de tempo para analisar a relação entre as duas variáveis. Os
resultados desses estudos são diversos e não chegaram a um consenso. (ver Belloumi (2009)).
Independente da ausência de consenso em relação à direção da causalidade, os estudos
indicam a existência de uma forte correlação entre a variação da renda, medida pelo PIB, e a
demanda de energia.
Como será observado adiante, um dos objetivos deste estudo é analisar diferentes
métodos econométricos e avaliar a sua precisão para prever a demanda de eletricidade em
uma amostra significativa de países desenvolvidos e em desenvolvimento. Como muitos
estudos indicam, o PIB e o consumo de energia tem uma forte correlação. Diante disso,
optou-se por analisar como este fator explica o consumo elétrico utilizando diferentes
modelos econométricos. Desse modo, foi construída uma base de dados anuais contendo o
PIB e o consumo de 143 países.
1.3. Objetivos
O presente trabalho tem como objetivo verificar o comportamento e analisar a evolução
do consumo energético de diferentes países do mundo e a relação do mesmo com o nível de
desenvolvimento econômico. Nesta perspectiva, dado que o estudo é de âmbito global, optou-
se por uma abordagem top-down, relacionando o consumo energético com o PIB. Esta
metodologia foi escolhida por existirem dados de fontes confiáveis disponíveis para diversos
países do mundo, o que não ocorreria com dados demasiadamente específicos e detalhados
necessários para uma abordagem bottom-up. Além disso, por se tratar de uma análise de
evolução ao longo dos anos, ou seja, uma visão de longo prazo, a abordagem
macroeconômica é bastante adequada e a mais usualmente utilizada. Primeiramente estudou-
se a interação entre o consumo de eletricidade industrial e o PIB industrial para os países
17
analisados no período entre 1990 e 2014. A fim de tornar os dados mais facilmente
comparáveis, foram utilizados valores per capita em todo o estudo.
1.4. Estrutura do Trabalho
O presente trabalho está estruturado em 5 capítulos. O Capítulo 2 contempla a revisão
bibliográfica, onde são apresentados, de forma sucinta, uma seleção de outros estudos que
abordaram a mesma temática. O Capítulo 3, por sua vez, trata da abordagem metodológica,
identificando as abordagens da literatura e explicitando qual será a adotada, enquanto os
dados são apresentados no Capítulo 4. Finalmente, o Capítulo 5 expõe os resultados obtidos,
junto a suas respectivas análises e no último capítulo estão colocadas as conclusões e
comentários adicionais.
18
2. Revisão Bibliográfica
A literatura empírica fornece evidências diversas e conflitantes em relação ao
crescimento do consumo de energia e seus drivers. Esta discrepância nos resultados citada
anteriormente deve-se principalmente ao uso de diferentes métodos econométricos e períodos
de tempo, além das variáveis específicas de cada país ou região, como por exemplo o clima, o
desenvolvimento econômico e os padrões de consumo de energia.
Diante disso, vale destacar que Kraft e Kraft (1978) foram os primeiros a investigar a
relação entre consumo de energia e crescimento econômico usando vários métodos
econométricos para diferentes períodos de tempo. A princípio, sob uma perspectiva
econômica, entende-se que a energia é um importante fator de produção. No entanto,
evidências empíricas sugerem que o nexo de crescimento de energia é complicado. Nessa
perspectiva, é interessante analisar diferentes estudos que apresentam resultados distintos
sobre essa questão e entender os motivos que geram essas diferenças.
De acordo com Huang (2014), IEE (2008) e Jamil e Ahmad (2011), o crescimento
econômico impulsiona o crescimento da demanda de energia. Huang (2014) analisa os
fatores-chave que levaram ao aumento da demanda global de energia nas últimas décadas,
usando principalmente dados anuais entre 1980 e 2009 para uma amostra OECD de 24 países.
Além da elasticidade de preço e de renda, que são tradicionalmente examinadas, a pesquisa
analisa os efeitos causados por mudanças climáticas, demográficas, estruturais e tecnológicas
na demanda de energia. Nessa perspectiva, por meio do uso da técnica de dados em painel,
esta pesquisa evidenciou a presença de dependência de atraso espacial, além da existência de
uma elasticidade de renda positiva, mas decrescente e uma elasticidade de preço negativa.
Além disso, a análise evidenciou que a industrialização e a urbanização aumentam o uso de
energia, enquanto o desenvolvimento de economias de serviço e inovações tecnológicas
tendem a reduzir a demanda. Já o estudo de IEEE (2008) evidencia que, em média, a demanda
por energia não aumenta em proporção direta aos aumentos de renda, mas sim
proporcionalmente a renda per capita; tanto em nível, quanto em composição. Geralmente,
quanto mais avançada a economia e quanto maior a renda per capita, maior a demanda por
equipamentos que usam energia. Cabe ainda comentar que Jamil e Ahmad (2011) concluem
que a demanda por eletricidade depende essencialmente da renda e do preço. Os estudiosos
analisam a demanda de eletricidade no Paquistão no período entre 1961 e 2008, utilizando
dados anuais agregados e setoriais para os grupos residencial, comercial, industrial e agrícola.
Os resultados indicam que a demanda de eletricidade responde à atividade econômica real em
19
níveis agregados e setoriais. A demanda se mostrou elástica em relação ao preço para todos os
casos, exceto para o setor agrícola. A inelasticidade desse setor específico se dá devido à
natureza altamente subsidiada da tarifa agrícola no Paquistão. A análise conclui ainda que as
elasticidades de longo prazo são consistentemente superiores às de curto prazo. Estes
resultados são interessantes do ponto de vista político, pois mostra que o preço da eletricidade
pode ser usado como uma ferramenta eficiente para a conservação de energia.
Por outro lado, Lee (2005) conclui que o crescimento da demanda de energia impacta o
crescimento econômico. O autor, investiga o co-movimento e a relação de causalidade entre o
consumo de energia e o PIB em 18 países em desenvolvimento, utilizando dados do período
entre 1975 a 2001. São utilizados testes para a raiz unitária do painel, cointegração do painel
heterogêneo e painel baseado em modelos de correção de erros. Evidencia-se que no longo e
no curto prazo as causalidades passam do consumo de energia para o PIB, mas não vice-versa.
Este resultado indica que a conservação de energia pode prejudicar o crescimento econômico
nos países em desenvolvimento, independentemente de ser transitória ou permanente.
Por fim, Belke, Dreger e de Haan (2010) e Magazzino (2014) evidenciam a existência
de uma relação causal bidirecional entre a demanda de energia e o crescimento da economia.
Belke, Dreger e de Haan (2010) examinam a relação de longo prazo entre o consumo de
energia e o PIB, incluindo os preços da energia, para 25 países da OCDE de 1981 a 2007. A
distinção entre fatores comuns e componentes idiossincráticos, usando a análise do
componente principal, permite distinguir entre o desenvolvimento em um plano internacional
e um nível nacional como drivers da relação de longo prazo. De fato, a cointegração entre os
componentes comuns das variáveis subjacentes indicam que o desenvolvimento internacional
domina a relação de longo prazo entre o consumo de energia e o PIB real. Além disso, os
resultados sugerem que o consumo de energia é inelástico em termos de preços. Os testes de
causalidade indicam a presença de uma relação causal bidirecional entre o consumo de
energia e o crescimento econômico. Já Magazzino (2014), aplica metodologias de séries
temporais para examinar a relação causal entre a demanda de eletricidade, o PIB per capita e a
força de trabalho na Itália entre 1970 e 2009. Os resultados obtidos indicam que existe uma
relação de cointegração entre essas variáveis, com coeficientes estatisticamente significativos
ao nível de 1%. Além disso, o estudo aponta um fluxo bidirecional de causalidade de Granger
entre o PIB per capita e a demanda elétrica. O teste de cointegração multivariada indicou que
a energia entrou significativamente no espaço de cointegração.
Percebe-se, portanto, a existência de evidências distintas e conflitantes em relação ao
crescimento do consumo de energia e o crescimento econômico. Como mencionado nos
20
objetivos do capítulo 1, o presente trabalho se propõe a analisar a evolução do consumo
energético de diferentes países e a relação do mesmo com o nível de desenvolvimento
econômico, verificando se, de fato, o crescimento econômico impulsiona o crescimento da
demanda de energia.
21
3. Abordagem Metodológica
De acordo com Böhringer e Rutherford (2008), existem duas abordagens para previsão
de demanda energética: bottom-up e top-down. As duas abordagens diferem principalmente
em relação à ênfase colocada no enfoque da análise. A primeira é uma abordagem
ascendente, que valoriza a visão microeconômica e os detalhes tecnológicos do sistema; já a
segunda, é uma abordagem descendente, com enfoque na visão macroeconômica.
A metodologia bottom-up é baseada na análise dos usos finais de eletricidade em cada
setor da economia e dos equipamentos de transformação da energia em energia útil. É uma
abordagem mais associada aos modelos microeconômicos, com forte base de engenharia e
estudo dos requisitos de energia de equipamentos e máquinas. Tais modelos, todavia, na
maioria das vezes negligenciam o impacto macroeconômico das políticas energéticas.
A abordagem top-down, por outro lado, procura correlacionar o consumo de energia
elétrica com variáveis de cenário, como o PIB e a população, e possivelmente com variáveis
setoriais. O enfoque é nas interações entre economia e energia, sob uma perspectiva
macroeconômica, que considera distorções iniciais do mercado, externalidades pecuniárias e
efeitos de renda. Sua principal limitação é que, usualmente, não incorpora detalhes sobre as
possibilidades tecnológicas atuais e futuras, as quais podem ser relevantes para uma avaliação
adequada.
As duas visões são válidas e complementares, sendo necessário optar pela mais
adequada aos objetivos, ou adotar um modelo que incorpore ambas. No Brasil, por exemplo, a
Empresa de Planejamento Energético aplica as duas metodologias mencionadas
paralelamente. Os resultados são posteriormente comparados e um processo iterativo de
convergência, através de ajustes nos parâmetros, é aplicado. Este processo permite visões
complementares, de forma a analisar os diversos possíveis impactos e analisar diferentes
cenários relacionados a eles. (ver EPE (2011)).
3.1. Modelos Econométricos Utilizados
Conforme descrito por Peixoto (2005), a aplicação de métodos matemáticos e
estatísticos à análise de conjuntos de dados econômicos, com o objetivo de prover suporte
empírico às teorias econômicas, constitui-se no ponto fundamental da econometria. É possível
afirmar que a econometria é a relação entre a teoria econômica, a estatística e a matemática.
Um modelo econométrico trata-se, portanto, de uma representação simplificada da realidade,
22
estruturado de modo que permita compreender o funcionamento total ou parcial dessa
realidade ou fenômeno.
Apesar disso, a econometria não deve ser entendia como a simples aplicação de técnicas
estatísticas a questões econômicas. É interessante observar, na realidade, que o tripé teoria
econômica, estatística e matemática é balanceado de acordo com a ênfase dada a cada área.
(ver César et al. (1996)).
A estrutura de um modelo econométrico envolve quatro elementos básicos, os quais são
as variáveis, as relações ou equações, os parâmetros ou coeficientes e o termo aleatório. As
variáveis consistem em características observáveis de alguma entidade, que podem apresentar
diferentes valores. Existem dois tipos de variáveis:
• Variáveis dependentes ou explicadas – tratam-se daquelas que recebem influência de
outras variáveis. Podem, também, ser chamadas de efeito.
• Variáveis independentes ou explicativas – tratam-se daquelas que afetam as variáveis
dependentes, cujo comportamento se deseja explicar. Também são chamadas de causa.
No presente estudo o PIB representa a variável independente e a demanda de energia é a
variável dependente. Deve-se destacar que as equações expressam o mecanismo que aciona os
elementos singulares de um fenômeno econômico. Já os parâmetros consistem em magnitudes
que permanecem constantes no âmbito de um fenômeno concreto. Por fim, o termo aleatório
engloba fatores irrelevantes, não incorporados ao modelo devido à impossibilidade de se
observar, ou por seu desconhecimento. O termo aleatório produz um desvio ou erro em
relação ao que a variável dependente deveria ser.
Além disso, é interessante analisar os diferentes usos da econometria, os quais são:
I. Testar implicações de uma teoria - A verificação de uma teoria tem como objetivo avaliar
as quão verdadeiras são determinadas premissas teóricas. Nesse sentido, por meio da
correta tradução da teoria em proposições testáveis a partir de modelagem econométrica,
a econometria é utilizada para testar implicações de uma teoria.
II. Estimação de parâmetros de um modelo - Essa aplicação da econometria consiste na
determinação de parâmetros de um modelo já definido. Como exemplo, é possível citar o
cálculo da elasticidade-preço de um determinado bem de consumo. Diante disso, a
econometria pode ser a mensuração de uma relação proposta pela teoria econômica.
III. Previsão - A econometria também consegue realizar a previsão de uma determinada
relação ou mesmo dos valores de uma certa variável estudada. Assim, a previsão pode ser
conceituada como a estimação do valor de uma variável (ou conjunto de variáveis) em
algum momento futuro.
23
IV. Caracterização de relações e fenômenos - Essa aplicação da econometria consiste em sua
utilização para possibilitar a visualização dos dados de modo a revelar relações e
fenômenos. Nesse sentido, permite o estabelecimento de insights para os economistas
teóricos. Em suma, consiste na formulação e teste de hipóteses sobre o comportamento
da realidade.
Neste trabalho a econometria será utilizada, sobretudo, para caracterizar a relação entre
o crescimento da demanda de energia e o crescimento econômico. Isso será realizado a partir
de análises de modelos regressões e dos modelos Vetorial Autoregressivo (VAR) e Vetorial
Autoregressivo com correção de erro (VEC), que serão detalhados adiante. Na estimação
desses modelos alguns importantes pressupostos tais como normalidade dos termos
estocásticos e estacionariedade são vistos e destacados, assim como a hipótese de
cointegração entre as duas variáveis aqui utilizadas.
3.2. Teste de Pressuposto de Normalidade
Toda variável aleatória assume uma certa distribuição de frequências na população, que
podem ter diversas formas. Na literatura estatística muitas distribuições teóricas são
encontradas. A partir de uma distribuição de probabilidade completamente especificada,
pode-se calcular a probabilidade de uma variável aleatória assumir determinado intervalo de
valores. A mais conhecida distribuição é a Normal ou Gaussiana, dado que a suposição de
normalidade das variáveis aleatórias é exigida para a realização dos principais métodos de
inferência estatística clássica. (ver Torman et al. (2012)).
No presente trabalho o teste em questão foi realizado para verificar se o pressuposto
básico de normalidade dos resíduos é atendido. O teste utilizado foi o de Jarque-Bera, o qual
utiliza os parâmetros de assimetria e curtose para checar se determinada distribuição é normal.
Para maior conhecimento do teste em questão pode-se recorrer a Gujarati (2004).
3.3. Testes de Estacionariedade e Cointegração
A estacionariedade e a cointegração são fatores essenciais para a escolha do modelo
mais adequado. Apesar de o presente trabalho não visar a realização de projeções, mas sim
estudar a relação entre PIB e a demanda de energia elétrica, o comportamento do consumo
dessa energia ao redor do mundo e o desempenho dos modelos mais comumente utilizados, a
análise dos resultados destes testes são para a compreensão do comportamento das séries de
24
consumo e para a análise comparativa entre os modelos e escolha, ou determinação, dos mais
adequados.
Para garantir a confiabilidade dos modelos VAR e VEC, a realização do teste de
estacionariedade é essencial, pois ambos assumem essa premissa como verdadeira. Um
processo estacionário tem como principal característica a constância da média, da variância e
da estrutura de autocorrelação, isto é, estes parâmetros não mudam no decorrer do tempo. De
acordo com Gujarati (2004), a não-estacionariedade comumente causa regressões não
significativas, mesmo em amostras grandes. O teste de estacionariedade utilizado no estudo
em questão foi o Dickey-Fuller Aumentado (ADF). É importante destacar que a ausência de
estacionariedade pode ser facilmente corrigida através de processos de diferenciação da ou
das variáveis em questão. Para maior detalhamento do teste ADF pode-se recorrer a Gujarati
(2004).
Outro fator bastante relevante para os modelos analisados é a cointegração. A
cointegração em séries temporais é extremamente importante para a avaliação de séries
econômicas, pois permite determinar as relações entre as séries envolvidas. A aceitação da
hipótese de cointegração tem implicação direta na construção de modelos de regressão, uma
vez que deve-se utilizar um mecanismo de correção de erros no modelo, já que as variáveis
compartilham das mesmas propriedades estocásticas no longo prazo. Dessa forma, a presença
da cointegração torna o modelo VEC mais adequado, como será abordado nos próximos
tópicos. Para verificar a existência de cointegração entre as séries analisados utilizou-se o
teste de Johansen, amplamente utilizado para este fim. O mesmo está detalhado em Gujarati
(2004), onde pode-se obter maiores informações sobre esse tópico.
3.4. Análise de Regressão
A análise de regressão é o método mais importante da econometria. Muitas vezes é
interessante entender os efeitos que algumas variáveis exercem sobre outras. Mesmo que não
exista relação causal entre as variáveis é possível relacioná-las por meio de uma expressão
matemática, a qual pode ser útil para se estimar o valor de uma das variáveis quando os
valores das outras são conhecidos (estas de mais fácil obtenção ou antecessoras da primeira
no tempo), sob determinadas condições. (ver Hoffmann (2016)).
Nesse sentido, cabe comentar que análise de regressão é o estudo da dependência de
uma variável, dita dependente, de outras variáveis explicativas, com o intuito de estimar e
prever o que acontece com o valor médio da população a partir de valores amostrais
conhecidos ou fixados. Em essência, é um procedimento, ou conjunto de procedimentos, para
25
determinar uma linha ou plano de regressão que melhor se aproxima de uma relação
estocástica ou econométrica. (ver Salles (2005)). Nessa perspectiva, é interessante apresentar
a equação do modelo de regressão linear simples:
Yi = β0 + β1 * Xi + ei (1)
Onde: Yi é o valor da variável dependente para o i-ésimo elemento da amostra; Xi é
valor (conhecido) da variável independente ou preditora para o i-ésimo elemento da amostra;
β0 e β1 são parâmetros desconhecidos e ei é o erro amostral.
De acordo com Matos (1995), a metodologia usada para realizar uma análise de
regressão pode ser entendida em três passos:
1. Elaboração de hipóteses ou do modelo matemático;
2. Coleta de dados amostrais e estimação de parâmetro;
3. Avaliação dos resultados de acordo com critérios estatísticos.
Para buscar estabelecer o modelo matemático que melhor representa o fenômeno
estudado é possível elaborar um gráfico, o qual é denominado diagrama de dispersão, para
verificar como se comportam os valores da variável dependente (Y) em função da variável
independente (X). Esse comportamento pode ser linear, quadrático, cúbico, exponencial,
logarítmico, entre outros. Nessa perspectiva, visando modelar determinado fenômeno, é
preciso verificar qual tipo de curva melhor se adequa aos pontos representados no diagrama
de dispersão.
No entanto, é importante destacar que os pontos existentes no gráfico de dispersão não
serão perfeitamente ajustados à curva do modelo matemático proposto. Isso significa que
existirá, na maior parte dos dados, uma distância entre a curva da equação e os pontos do
diagrama. Diante disso, o objetivo da análise de regressão é obter um modelo estocástico que
melhor se ajuste aos valores observados de Y em função da variação da variável
independente, X. Isso pode ser feito por meio do Método dos Mínimos Quadrados, o qual
busca estimar uma equação em que as distâncias entre os pontos do diagrama e a curva do
modelo sejam as menores possíveis. Em resumo, o método consiste na escolha dos
parâmetros da linha de regressão que minimizem a soma dos quadrados dos resíduos, ou
termos estocásticos do modelo de regressão.
Os pressupostos básicos do método dos mínimos quadrados do modelo de regressão
Gaussiano, clássico, padrão ou linear são os seguintes:
I. Normalidade: o resíduo aleatório tem distribuição normal;
II. Valor médio do resíduo aleatório é zero;
26
III. Não autocorrelação ou não correlação serial entre os resíduos;
IV. Homocedasticidade, a qual significa que os resíduos aleatórios têm variância
constante;
V. Covariância zero entre o resíduo aleatório e a variável explicativa. Isso significa
que a perturbação aleatória e a variável explicativa não são correlacionadas;
VI. Modelo de Regressão está corretamente especificado.
Além disso, é fundamental mencionar as formas de verificar se o ajuste de um modelo é
adequado:
I. Diagrama de dispersão da reta estimada
II. Erro médio padrão (MSE)
III. Coeficiente de determinação ou explicação
IV. Estatística F do teste ANOVA
V. P valor
3.5. Modelos vetoriais autorregressivos
3.5.1 Modelos VAR
O modelo de vetores autorregressivos (VAR) busca encontrar padrões e relações entre
diversas variáveis simultaneamente, de maneira que se possa prever o efeito que a mudança
de uma variável terá sobre as outras e sobre a resposta final. É definido como autorregressivo
pois correlaciona os valores passados defasados das variáveis analisadas com o valor presente
de cada variável. Cada equação é uma regressão por mínimos quadrados ordinários, as quais
podem ser definidas como:
Yt = A0 + A1 * Xt-1 + ... + Ap * X t-p + B1 * Yt-1 + ... + Bp * Yt-p (2)
Xt = A’0 + A’1 * Yt-1 + ... + A’p * Y t-p + B’1 * Xt-1 + ... + B’p * Xt-p (3)
No presente trabalho, a defasagem, ou lag (p), foi definida de acordo com o critério de
Akaike, o qual é amplamente utilizado na seleção de parâmetros (ver Emiliano et al. (2010)).
Todavia, dado que os dados não englobam tantos anos, o lag máximo foi estabelecido como 3.
Esta é uma das principais limitações do modelo VAR: o elevado número de parâmetros, com
reflexo no tamanho necessário de amostragem para que se obtenha uma estimação confiável.
É importante destacar que em toda aplicação do modelo VAR haverá uma equação-
resultado para cada uma das variáveis analisadas. No caso estudado haverá uma equação para
o PIB e uma para o consumo. No entanto, como o interesse da análise é apenas na influência
do PIB no consumo, serão apresentados apenas os resultados referentes a este caso. Além
disso, a utilização de modelos VAR está condicionada a premissa básica de que as séries
27
temporais analisadas são estacionárias, caso contrário, a regressão será espúria. Ao observar
que a grande maioria das séries só era estacionária em lag 2, utilizou-se como dados de
entrada para as estimativas as diferenças de primeira ordem em lag 2. Essas diferenças em lag
2 suavizam as séries, de forma a evitar que picos pontuais ou com impacto “atrasado” causem
distorções no modelo.
3.5.2 Modelos VEC
De acordo com Fiori e Lopes (2014), a diferenciação das variáveis no modelo VAR,
visando verificar a estacionariedade, pode mascarar a cointegração. Portanto, quando há
presença de cointegração, o mais adequado é a estimação de um modelo com vetor de
correção de erros (VEC). Quando duas variáveis são cointegradas, há uma relação de
equilíbrio no longo prazo entre elas, mas pode haver desequilíbrios no curto prazo. O modelo
VEC é basicamente um modelo VAR nas primeiras diferenças acrescido de uma componente
de correção de erros. Esta componente de correção de erros indica a velocidade de ajuste de
qualquer desequilíbrio de curto prazo em direção a um estado de equilíbrio de longo prazo.
Ou seja, este modelo, ao mesmo tempo que permite as dinâmicas de curto prazo, restringe o
comportamento de longo prazo das variáveis, de forma que elas convirjam para as relações de
cointegração, a qual representa o equilíbrio de longo prazo.
O modelo VEC utilizado pode ser definido segundo a seguinte equação:
A0 + A1 * Xt-1 + ... + Ap * X t-p + B1 * Yt-1 + ... + Bp * Yt-p + C * ECT (4)
Onde: ECT é a componente de correção de erros. Novamente, o lag (p) pode ser
definido de acordo com o critério de Akaike.
Os modelos VAR e VEC podem ser melhor detalhados através de Gujarati (2004).
28
4. Dados da Amostra
4.1. Coleta de Dados
Os dados utilizados para a realização do presente estudo foram: consumo elétrico
setorial, PIB, PIBs setoriais e população. A fonte utilizada para coleta dos dados de consumo
de energia elétrica em GWh para os distintos setores da economia foi a International Energy
Agency (IEA). A IEA é uma organização autônoma sediada em Paris e ligada a Organização
para a Cooperação e Desenvolvimento Econômico (OCDE), cujo objetivo é garantir energia
confiável, acessível e limpa para seus 29 países membros. Desse modo, devido a
confiabilidade e abrangência dos seus dados, foi a fonte eleita para os dados de consumo de
energia elétrica. Em seu website é possível encontrar dados anuais de consumo elétrico para
os setores residencial, comercial, industrial e “outros” para diversos países do mundo e para o
período entre os anos de 1990 e 2014. Os dados de receita, representada pelo PIB per capita
(em dólares americanos de 2010), e de população foram obtidos através do website do Banco
Mundial. Os dados anuais foram atualizados no início de 2017 e cobrem o período de 1990 a
2014, para os 143 países da amostra.
Com os dados compilados, foram calculados os consumos per capita anuais em kWh
para cada setor e cada país analisados. Os dados per capita são mais comparáveis e
consideram implicitamente uma variável importante no consumo energético: o tamanho da
população. A utilização dos dados gerais, não per capita, dificultaria possíveis comparações
entre países com PIBs ou consumos muito diferentes entre si. Além disso, o PIB per capita
usualmente está mais relacionado com o nível de desenvolvimento, social e econômico, de um
país do que o seu PIB. Ademais, nas análises de desempenho dos diferentes modelos, foram
utilizados os logaritmos dos dados. O modelo log-log é útil, pois a conversão logarítmica
promove a transformação um modelo não-linear em linear, isto é, ela “lineariza” os
parâmetros, de forma a facilitar a análise e comparação dos modelos, alvo deste estudo, e
permite a determinação direta das elasticidades associadas aos modelos.
4.2. Apresentação dos Dados
A seguir, os dados utilizados são apresentados, com um resumo estatístico e os
resultados dos testes de normalidade, estacionariedade e cointegração. Estas informações,
referentes aos setores residencial, comercial e industrial, podem ser observadas nas tabelas a
seguir. Analisando as tabelas, é possível constatar que a normalidade não pode ser aceita a
10% para a maior parte dos dados, entre 80% e 90% dos países de cada setor. No entanto, por
29
falta de um modelo mais adequado, a normalidade será assumida para a aplicação dos
modelos. Quanto a estacionariedade, esta não pode ser rejeitada, considerando uma
significância de 10%, para mais de 50% dos países em todos os setores. O setor que
apresentou maior percentual de países com estacionariedade foi o industrial, com
aproximadamente 72%. Por fim, checou-se que a cointegração não pode ser rejeitada a 10%
para 7% dos países no setor outros, 9% no industrial, 22,5% no residencial e 36% no
comercial.
Tabela 1-A: Resumo dos dados utilizados para o setor residencial
País Média Desvio
padrão Assimetria
Curtose
(excesso)
Normalidade
(p valor)
Estacionariedade
(p valor)
Cointegração
(p valor)
Albania 2.753 0.275 0.0993 -1.0878 24.54% 8.03% 5%-10%
Algeria 2.570 0.105 0.3600 -1.3333 42.68% 1.39% < 1%
Angola 2.197 0.323 0.0136 -1.2707 34.43% 50.80% > 10%
Argentina 2.800 0.118 0.0000 -0.9298 74.25% 4.27% < 1%
Armenia 2.722 0.131 0.0120 2.2949 0.01% 0.00% > 10%
Australia 3.403 0.033 0.0004 -1.4743 29.29% 29.90% 1%-5%
Austria 3.283 0.049 0.0239 -1.4961 24.26% 16.63% < 1%
Azerbaijan 2.891 0.256 0.0011 0.5118 6.26% 10.27% > 10%
Bahrain 3.696 0.021 0.0301 -0.5324 67.29% 3.21% 5%-10%
Bangladesh 2.127 0.038 0.2226 1.0963 10.16% 0.82% < 1%
Belarus 2.763 0.065 0.0597 -0.8217 38.34% 4.79% 5%-10%
Belgium 3.323 0.055 0.0040 -1.3414 46.29% 21.58% 5%-10%
Benin 2.087 0.093 0.1804 0.8737 3.06% 1.24% < 1%
Bolivia 2.368 0.049 0.3788 -0.8928 75.19% 1.16% 5%-10%
BosniaeHerzegovina 3.020 0.051 0.0434 1.2800 2.41% 0.01% 5%-10%
Botswana 2.847 0.083 0.0868 -0.5275 56.08% 2.30% < 1%
Brazil 2.677 0.068 0.0004 -0.9185 64.26% 5.77% 1%-5%
Brunei Darussalam 3.234 0.191 0.0528 -1.1359 46.71% 0.18% < 1%
Bulgaria 3.105 0.038 0.5789 -1.1629 26.13% 2.50% < 1%
Cambodia 2.187 0.148 0.0228 -1.1201 70.12% 0.37% > 10%
Cameroon 1.876 0.082 0.0178 -1.6841 25.12% 0.76% < 1%
Canada 3.658 0.013 0.0583 -0.8003 81.85% 0.08% 1%-5%
Chile 2.674 0.074 0.2937 -1.2143 54.67% 2.21% > 10%
China 2.206 0.360 0.0004 -0.4493 66.64% 57.99% < 1%
Colombia 2.602 0.051 0.0051 0.7403 3.19% 0.23% > 10%
Costa Rica 2.820 0.057 0.0009 -1.4360 25.79% 16.72% > 10%
Croatia 3.128 0.050 0.1901 -0.6190 29.03% 49.90% < 1%
Cyprus 3.176 0.137 0.0000 -0.8411 34.58% 11.64% 5%-10%
CzechRepublic 3.151 0.016 0.4235 0.0409 40.61% 1.59% > 10%
Denmark 3.281 0.014 0.6386 -0.8231 62.86% 2.20% < 1%
DominicanRepublic 2.693 0.028 0.0525 -0.5172 66.70% 0.00% > 10%
Ecuador 2.445 0.084 0.0006 -1.0501 58.62% 1.32% < 1%
El Salvador 2.414 0.076 0.2535 -0.3216 17.35% 3.35% 1%-5%
Estonia 3.068 0.088 0.1187 -0.6660 42.92% 43.41% 5%-10%
Ethiopia 2.019 0.268 0.0023 1.3832 0.24% 10.41% > 10%
Finland 3.559 0.044 0.4277 -1.0911 50.15% 2.59% 5%-10%
France 3.341 0.047 0.0385 -0.7297 61.58% 0.14% 5%-10%
Gabon 2.728 0.077 0.1154 0.9957 0.13% 1.59% < 1%
Georgia 2.829 0.077 0.7708 -0.4163 43.21% 0.18% > 10%
Germany 3.218 0.020 0.5487 -1.3685 34.24% 11.02% < 1%
Ghana 2.304 0.103 0.3897 -1.2563 15.40% 0.81% < 1%
Greece 3.127 0.087 0.0157 -1.3150 28.81% 45.64% > 10%
30
Tabela 2-B: Resumo dos dados utilizados para o setor residencial (continuação)
País Média Desvio
padrão Assimetria
Curtose
(excesso)
Normalidade
(p valor)
Estacionariedade
(p valor)
Cointegração
(p valor)
Guatemala 2.230122 0.082619 0.2130 -1.3360 37.30% 0.21% < 1%
Haiti 1.543816 0.122905 0.2641 -0.9953 82.50% 1.44% 5%-10%
Honduras 2.738938 0.172573 0.0002 1.2850 0.15% 0.01% > 10%
Hungary 3.014239 0.031261 0.0663 -1.7301 27.02% 7.35% < 1%
Iceland 3.363515 0.051461 0.0013 -1.3982 24.85% 14.87% < 1%
India 2.151731 0.106495 0.2067 -1.0061 61.62% 12.55% 5%-10%
Indonesia 2.273794 0.140641 0.8286 -0.9763 73.86% 47.59% > 10%
Iraq 2.6409 0.106672 -0.2559 -1.4901 73.52% 3.19% > 10%
Ireland 3.201997 0.063902 0.0109 -1.0951 25.08% 29.73% < 1%
Israel 3.240906 0.083922 0.1859 -0.5300 15.63% 8.93% > 10%
Italy 3.03404 0.031648 0.0000 -1.2581 38.27% 2.52% < 1%
Jamaica 2.607845 0.064231 0.0261 -0.3928 27.89% 3.31% < 1%
Japan 3.30033 0.057953 0.0130 -0.6668 24.23% 11.62% > 10%
Jordan 2.729666 0.180334 0.0006 -1.5503 37.41% 51.61% > 10%
Kazakhstan 2.664926 0.092773 0.2704 -1.4882 43.79% 7.06% > 10%
Kenya 2.339019 0.131643 0.4190 0.3973 3.17% 5.51% < 1%
Kuwait 3.796773 0.023521 0.0553 -0.9034 82.59% 0.89% < 1%
Kyrgyzstan 2.715204 0.161023 0.0228 -0.3199 21.99% 14.98% < 1%
Latvia 2.818346 0.123894 0.0005 -1.7459 32.54% 23.95% < 1%
Lebanon 3.019427 0.109823 0.0009 0.4062 3.04% 0.61% 1%-5%
Libya 2.983572 0.109094 0.2766 -1.5876 52.15% 0.10% > 10%
Lithuania 2.854475 0.095373 0.0138 -1.6257 40.90% 62.13% < 1%
Luxembourg 3.226794 0.030807 0.1192 -1.6631 28.50% 0.78% < 1%
Malaysia 2.835442 0.079014 0.5715 -1.3940 64.04% 42.94% > 10%
Malta 3.174863 0.024323 0.4783 -1.5553 58.62% 3.25% > 10%
Mauritius 2.717523 0.057826 0.8894 -1.3528 68.07% 58.18% > 10%
Mexico 2.561907 0.077841 0.0024 -1.0205 36.91% 11.26% > 10%
Moldova 2.688266 0.046844 0.5079 -0.9803 72.44% 6.10% > 10%
Mongolia 2.524623 0.084479 0.3204 -0.7120 56.35% 71.90% > 10%
Montenegro 3.287757 0.026933 -0.0108 -1.7601 63.77% 34.54% > 10%
Morocco 2.409833 0.070264 0.4151 -1.6153 49.25% 47.08% > 10%
Mozambique 2.369435 0.097872 0.3614 0.1379 22.59% 3.41% > 10%
Nepal 1.996131 0.300828 0.0165 3.5243 0.00% 0.00% > 10%
Netherlands 3.105322 0.032344 0.1304 -1.3957 34.25% 19.38% 5%-10%
New Zealand 3.461708 0.010764 0.1327 0.1610 26.95% 2.29% 5%-10%
Nicaragua 2.181072 0.096244 0.0322 -1.5074 30.23% 23.38% < 1%
Niger 2.275939 0.069228 0.0095 -1.6738 45.50% 0.25% > 10%
Nigeria 2.105964 0.087569 0.0510 -0.7254 22.02% 2.29% < 1%
Norway 3.878056 0.018105 0.8992 -1.1507 56.02% 0.21% 1%-5%
Oman 3.45109 0.050831 NA -0.9658 56.54% 33.44% > 10%
Pakistan 2.325975 0.048661 0.1912 2.1603 0.02% 0.53% > 10%
Panama 2.685109 0.09003 0.7870 -1.2181 46.27% 21.52% > 10%
Paraguay 2.719813 0.092509 0.0016 0.8142 0.58% 2.51% < 1%
Peru 2.482336 0.038617 0.2280 -1.0197 67.77% 0.07% 5%-10%
Philippines 2.317564 0.075797 0.0525 -0.7522 10.01% 12.79% 1%-5%
Poland 2.778675 0.075093 0.0537 -1.7112 26.28% 8.58% > 10%
Portugal 2.999566 0.111832 0.0006 -1.2249 32.37% 46.30% < 1%
Qatar 3.631413 0.112465 0.4609 -1.5100 59.23% 3.07% > 10%
Romania 2.599659 0.11842 0.0007 -1.1435 59.15% 2.24% > 10%
Saudi Arabia 3.578429 0.040528 0.1406 -1.2091 85.14% 86.20% > 10%
Senegal 2.027257 0.092708 0.4491 -1.4759 26.99% 1.71% < 1%
Serbia 3.310028 0.031977 0.5222 -1.1100 56.27% 5.36% < 1%
Singapore 3.39058 0.082042 0.0004 -0.2402 16.97% 28.52% 1%-5%
Slovakia 2.957371 0.038012 0.0004 -1.2178 57.72% 0.20% 5%-10%
Slovenia 3.15926 0.035974 0.7741 -1.1596 37.49% 3.52% < 1%
31
Tabela 3-C: Resumo dos dados utilizados para o setor residencial (continuação)
País Média Desvio
padrão Assimetria
Curtose
(excesso)
Normalidade
(p valor)
Estacionariedade
(p valor)
Cointegração
(p valor)
Spain 3.075015 0.113613 0.0174 -1.4890 30.09% 45.78% 5%-10%
Sri Lanka 2.146332 0.154632 0.1952 -1.0022 50.16% 12.21% < 1%
Sudan 2.081796 0.227002 0.1886 -1.0009 28.05% 4.88% 5%-10%
Suriname 2.910983 0.088449 0.0104 -1.2063 63.64% 83.44% < 1%
Sweden 3.662308 0.024572 0.5283 3.2879 0.00% 3.20% < 1%
Switzerland 3.345293 0.024722 0.3431 -1.2990 37.14% 2.21% 1%-5%
Tajikistan 2.601358 0.095997 0.0043 0.4556 12.37% 2.41% > 10%
Tanzania 2.48994 0.077147 0.0122 0.6527 61.61% 0.09% 1%-5%
Thailand 2.592135 0.109163 0.0060 -0.4090 37.52% 12.86% 5%-10%
Togo 2.483195 0.321546 0.0008 3.7568 0.00% 0.00% > 10%
TrinidadeTobago 3.078158 0.128229 0.3144 -1.5024 30.77% 9.73% > 10%
Tunisia 2.422488 0.12108 0.0859 -0.8995 71.06% 15.36% > 10%
Turkey 2.589747 0.15149 0.0139 -1.2111 42.90% 26.03% < 1%
Turkmenistan 2.489503 0.094618 0.0453 -0.9113 67.92% 3.82% > 10%
UAE1 3.615833 0.045846 0.0188 1.6260 0.45% 0.16% < 1%
United Kingdom 3.268752 0.029944 0.0395 -1.1615 57.26% 13.54% 5%-10%
Ukraine 2.827134 0.08487 0.0166 -0.8002 67.27% 4.93% < 1%
Uruguay 2.928122 0.090116 0.0001 -0.6121 73.65% 0.59% < 1%
USA2 3.624443 0.033104 0.3945 -1.2704 33.14% 4.12% < 1%
Uzbekistan 2.456225 0.023945 0.0980 -0.3830 51.91% 3.04% 5%-10%
Viet Nam 2.244274 0.329967 0.0000 -1.1416 40.81% 0.38% > 10%
Zambia 2.819904 0.096849 0.2761 -0.1658 93.83% 2.51% < 1%
Zimbabwe 2.767371 0.064123 0.0171 -1.2474 51.83% 5.44% > 10%
Congo 2.292394 0.153525 0.0078 -0.4014 96.33% 0.25% < 1%
Coteivoire 2.053931 0.064067 0.1625 0.2987 33.75% 0.93% < 1%
Egypt 2.636911 0.147972 0.0001 -1.5170 33.13% 33.41% 1%-5%
Russia 2.945215 0.041938 0.1030 -1.1944 46.41% 4.48% < 1%
Venezuela 2.837926 0.06808 0.0001 -1.2152 55.48% 0.02% < 1%
Yemen 2.252004 0.051068 0.1239 -1.2520 54.45% 0.69% < 1%
DRC3 2.630877 0.350971 0.0419 1.7363 0.03% 2.87% < 1%
Hong Kong 3.137743 0.053847 0.9513 -0.3661 40.42% 3.50% > 10%
Iran 2.76223 0.125967 0.0440 -1.4948 41.32% 69.21% > 10%
Tabela 4-A: Resumo dos dados utilizados para o setor comercial
País Média Desvio
padrão Assimetria
Curtose
(excesso)
Normalidade
(p valor)
Estacionariedade
(p valor)
Cointegração
(p valor)
Albania 2.162 0.669 0.0000 -0.8840 12.57% 1.69% > 10%
Argentina 2.671 0.155 0.1255 -0.9344 33.58% 33.82% 5%-10%
Armenia 2.198 0.296 0.0032 -1.4308 34.95% 0.01% > 10%
Australia 3.355 0.089 0.0040 -1.4972 24.43% 8.40% 1%-5%
Austria 3.150 0.041 0.0238 -1.2055 37.33% 0.42% 5%-10%
Azerbaijan 2.455 0.246 0.0664 0.1253 12.60% 0.73% < 1%
Bangladesh 0.977 0.182 0.0647 -1.2716 45.41% 2.44% > 10%
Belarus 2.750 0.086 0.0051 -0.4081 13.18% 32.47% > 10%
Belgium 3.157 0.118 0.0204 -1.8797 25.55% 15.08% 1%-5%
Benin 1.069 0.620 0.0849 -0.8278 7.25% 2.60% < 1%
Bolivia 1.974 0.147 0.0028 -0.7800 62.98% 58.21% 1%-5%
BosniaeHerzegovina 2.418 0.086 -1.0884 -0.4353 40.73% 17.06% > 10%
Botswana 2.368 0.147 0.0009 1.1648 1.23% 0.06% 5%-10%
1 United Arab Emirates, em todas as tabelas. 2 United States of America, em todas as tabelas. 3 Democratic Republic of Congo, em todas as tabelas.
32
Tabela 5-B: Resumo dos dados utilizados para o setor comercial (continuação)
País Média Desvio
padrão Assimetria
Curtose
(excesso)
Normalidade
(p valor)
Estacionariedade
(p valor)
Cointegração
(p valor)
Brazil 2.633 0.105 0.0252 -1.0214 67.47% 54.70% 5%-10%
BruneiDarussalam 3.594 0.154 0.0031 0.2088 4.03% 5.64% < 1%
Bulgaria 2.660 0.392 0.0013 -1.3625 21.38% 1.88% > 10%
Cambodia 1.232 0.406 0.0388 -1.2108 62.41% 42.32% 5%-10%
Cameroon 1.479 0.176 0.0549 -1.6445 17.74% 5.01% < 1%
Canada 3.592 0.084 -1.1267 -1.4926 55.56% 77.64% < 1%
Chile 2.384 0.388 0.0180 -1.2608 16.40% 9.10% < 1%
China 1.814 0.324 0.0838 -1.2081 54.21% 57.86% > 10%
Colombia 2.307 0.079 0.0125 -1.3623 44.42% 6.90% > 10%
Costa Rica 2.646 0.154 0.0022 -1.5826 32.56% 74.35% < 1%
Croatia 2.954 0.140 0.0151 -1.5573 37.50% 71.66% > 10%
Cyprus 3.271 0.140 0.0000 -1.4073 26.85% 28.82% > 10%
Czech Republic 3.076 0.062 0.4116 -1.1319 38.99% 8.86% 1%-5%
Denmark 3.267 0.025 0.0003 -0.7604 50.98% 33.80% 1%-5%
DominicanRepublic 2.343 0.087 0.4669 0.6307 57.24% 16.73% > 10%
Ecuador 2.240 0.153 0.0050 -1.3290 43.64% 25.52% < 1%
El Salvador 2.116 0.163 0.0155 -1.2304 31.66% 0.18% 5%-10%
Estonia 3.137 0.136 0.1155 -1.6764 36.64% 15.72% < 1%
Ethiopia 0.781 0.291 0.0020 -1.1809 59.22% 90.07% > 10%
Finland 3.431 0.070 0.0168 -1.6086 29.03% 52.27% > 10%
France 3.263 0.062 0.2105 -1.4958 36.69% 15.50% 1%-5%
Gabon 2.140 0.032 0.3843 2.1010 0.11% 34.13% > 10%
Georgia 2.477 0.357 0.0647 -0.3304 9.43% 0.57% < 1%
Germany 3.194 0.066 0.0230 -1.6698 25.53% 28.65% 5%-10%
Ghana 1.576 0.170 0.0774 -1.0959 71.70% 8.79% < 1%
Greece 3.124 0.110 0.0294 -0.9250 33.03% 22.22% > 10%
Guatemala 2.120 0.052 0.3026 0.1287 9.25% 2.43% > 10%
Honduras 2.467 0.194 0.2372 1.0394 0.72% 0.00% > 10%
Hungary 2.964 0.068 0.0423 -1.4405 48.70% 68.04% < 1%
Iceland 3.458 0.069 0.1065 2.5973 0.01% 9.09% 1%-5%
India 1.519 0.203 0.0630 -1.5080 39.33% 64.50% > 10%
Indonesia 1.924 0.255 0.0404 -1.2765 47.56% 71.94% > 10%
Ireland 3.184 0.099 0.0221 -1.1987 61.60% 18.34% < 1%
Italy 3.042 0.107 0.0041 -1.4731 35.99% 39.09% > 10%
Jamaica 2.587 0.147 0.1347 0.1576 6.28% 3.82% 5%-10%
Japan 3.328 0.109 0.0018 -0.3773 10.99% 6.81% > 10%
Jordan 2.450 0.154 0.0002 -1.4279 39.43% 13.57% > 10%
Kazakhstan 2.517 0.112 0.3986 -1.7662 73.38% 86.19% 5%-10%
Kenya 1.218 0.134 0.1884 -0.7127 86.05% 2.83% 1%-5%
Kyrgyzstan 2.418 0.120 -0.2731 -0.7247 94.95% 5.63% > 10%
Latvia 2.944 0.150 0.0270 -1.5244 43.82% 4.83% < 1%
Lebanon 2.670 0.103 0.0121 1.5197 0.20% 0.49% > 10%
Libya 2.856 0.211 -0.4190 -1.7632 73.07% 67.63% > 10%
Lithuania 2.921 0.101 0.1015 -1.1203 44.51% 27.34% > 10%
Luxembourg 3.523 0.117 0.0061 -0.9000 17.99% 4.06% 1%-5%
Malaysia 3.012 0.092 0.6781 -1.5480 54.33% 60.39% > 10%
Malta 3.217 0.073 0.4095 -1.2935 56.01% 13.03% < 1%
Mauritius 2.693 0.113 0.5066 -1.4268 59.79% 72.76% > 10%
Mexico 2.233 0.045 0.0053 0.9469 2.66% 1.33% < 1%
Moldova 2.400 0.065 0.3417 2.3429 0.07% 0.15% > 10%
Morocco 2.013 0.140 0.5524 -1.5818 55.51% 68.97% 5%-10%
Mozambique 0.955 0.085 0.5350 -1.0627 60.19% 33.22% > 10%
Nepal 0.837 0.323 0.0055 -1.8738 24.02% 14.36% > 10%
Netherlands 3.257 0.080 0.0016 -1.5605 24.66% 11.11% < 1%
New Zealand 3.257 0.057 0.0006 -1.5445 32.70% 0.71% > 10%
33
Tabela 6-C: Resumo dos dados utilizados para o setor comercia (continuação)l
País Média Desvio
padrão Assimetria
Curtose
(excesso)
Normalidade
(p valor)
Estacionariedade
(p valor)
Cointegração
(p valor)
Nicaragua 2.033299 0.142229 0.0001 -1.2084 53.87% 10.51% < 1%
Nigeria 1.436932 0.103716 0.2439 -1.5140 36.32% 4.62% < 1%
Norway 3.687161 0.028795 0.1667 -1.2433 43.13% 0.07% 1%-5%
Pakistan 1.716357 0.07252 0.0320 -1.2902 44.76% 5.18% < 1%
Panama 2.860921 0.132066 0.0617 -1.2103 42.06% 48.10% > 10%
Paraguay 2.164722 0.271995 0.0448 -0.4414 14.16% 8.01% 1%-5%
Peru 2.067173 0.275078 0.2762 -1.9933 28.76% 26.22% < 1%
Philippines 2.120063 0.120208 0.0118 -1.0966 34.82% 13.74% < 1%
Poland 2.916819 0.137605 0.0180 -0.9924 42.78% 18.69% < 1%
Portugal 3.089013 0.112688 0.0011 -0.5253 21.12% 2.86% > 10%
Qatar 3.398214 0.063535 0.9034 2.6703 0.03% 11.64% < 1%
Romania 2.265815 0.25333 0.0223 -1.1490 52.23% 0.40% > 10%
Saudi Arabia 3.311546 0.080624 0.0974 -1.6909 62.76% 60.66% > 10%
Senegal 1.469463 0.263846 0.0026 -1.7433 24.78% 0.60% 5%-10%
Serbia 2.358794 0.613014 0.2750 -1.9163 22.18% 11.08% > 10%
Singapore 3.711635 0.106754 0.0145 -1.1086 26.74% 27.54% 1%-5%
Slovakia 3.073715 0.074426 0.5283 0.0142 36.84% 1.13% < 1%
Slovenia 3.10768 0.079028 0.6197 -0.7749 50.21% 0.59% 5%-10%
Spain 3.132112 0.111331 0.0044 -0.5032 28.65% 38.34% 1%-5%
Sri Lanka 1.863234 0.156021 0.0073 -1.1372 32.81% 0.48% > 10%
Sudan 1.212634 0.389842 0.0581 -1.5866 32.51% 0.72% < 1%
Suriname 2.667608 0.12981 0.0116 -0.9620 51.11% 0.58% < 1%
Sweden 3.465271 0.021924 0.1815 -0.2409 59.67% 2.27% 1%-5%
Switzerland 3.323953 0.028037 0.0300 -1.5832 27.17% 26.80% < 1%
Tajikistan 1.703569 0.186687 0.1230 0.9820 16.42% 1.02% < 1%
Tanzania 1.186915 0.129233 0.1416 -0.6709 82.77% 8.06% 5%-10%
Thailand 2.701765 0.159443 0.0286 -0.4923 46.91% 0.68% 1%-5%
Togo 1.297558 0.115696 0.0084 -0.9582 42.86% 0.46% 1%-5%
TrinidadeTobago 2.644242 0.155927 0.1036 -1.5355 35.26% 27.71% 1%-5%
Tunisia 2.285117 0.219919 0.0001 -1.4095 38.36% 12.51% > 10%
Turkey 2.559631 0.219406 0.0125 -1.2463 43.65% 29.18% > 10%
United Kingdom 3.17146 0.033029 0.1446 -0.5086 19.86% 6.37% < 1%
Ukraine 2.519182 0.172436 0.2384 -1.4203 37.90% 2.59% < 1%
Uruguay 2.699068 0.177242 0.0006 -1.0224 50.78% 7.45% < 1%
USA 3.621424 0.018289 0.0071 0.3144 11.57% 3.33% < 1%
Uzbekistan 2.033299 0.142229 0.0049 2.4267 0.30% 0.00% > 10%
Zambia 1.436932 0.103716 0.0047 -1.1962 28.49% 0.66% < 1%
Zimbabwe 3.687161 0.028795 0.1699 -0.6637 52.62% 1.47% < 1%
Russia 1.716357 0.07252 0.0294 -1.6930 15.84% 22.61% < 1%
Venezuela 2.860921 0.132066 0.2766 1.5810 0.04% 3.90% 1%-5%
Yemen 2.164722 0.271995 0.4390 -0.8795 16.26% 0.33% < 1%
Iran 2.067173 0.275078 0.0029 -1.7274 28.52% 11.82% < 1%
Egypt 2.120063 0.120208 0.3308 -1.1202 49.92% 41.97% 5%-10%
DRC 2.916819 0.137605 0.5792 -1.4267 40.59% 5.54% > 10%
Hong Kong 3.089013 0.112688 0.0102 0.0681 12.30% 4.25% > 10%
34
Tabela 7-A: Resumo dos dados utilizados para o setor industrial
País Média Desvio
padrão Assimetria
Curtose
(excesso)
Normalidade
(p valor)
Estacionariedade
(p valor)
Cointegração
(p valor)
Albania 2.369 0.191 0.1106 -1.1001 61.01% 0.31% < 1%
Algeria 2.424 0.092 0.0540 -0.5285 11.70% 22.98% < 1%
Angola 1.219 0.093 NA -1.7223 52.38% 32.97% > 10%
Argentina 2.974 0.097 0.0245 -1.4155 30.76% 16.39% 5%-10%
Armenia 2.485 0.120 0.0190 -1.1480 57.40% 2.24% 5%-10%
Australia 3.566 0.031 0.2108 1.0235 0.83% 0.57% < 1%
Austria 3.430 0.057 0.1057 -1.7980 22.23% 3.45% 5%-10%
Azerbaijan 2.458 0.219 0.2579 0.2946 80.82% 3.87% < 1%
Bangladesh 1.773 0.279 0.0920 -1.5519 30.47% 43.32% < 1%
Belarus 3.125 0.051 0.0118 0.8951 44.80% 0.00% > 10%
Belgium 3.556 0.029 0.4821 -0.4190 41.63% 1.06% < 1%
Benin 1.188 0.075 0.5775 -0.5941 68.91% 0.93% > 10%
Bolivia 2.155 0.077 0.0111 -1.3307 46.87% 0.86% 1%-5%
BosniaeHerzegovina 2.751 0.250 0.2831 -1.1198 47.97% 11.44% > 10%
Botswana 2.756 0.091 0.0347 -1.7642 21.00% 0.27% < 1%
Brazil 2.951 0.051 0.3678 -1.6828 25.34% 4.50% < 1%
Brunei Darussalam 2.836 0.164 0.1380 -1.1848 30.50% 0.09% < 1%
Bulgaria 3.107 0.070 0.0204 1.7501 0.40% 0.16% < 1%
Cambodia 0.924 0.553 0.0204 -1.0339 55.05% 32.86% 5%-10%
Cameroon 2.025 0.091 0.1175 -1.0721 55.31% 3.37% < 1%
Canada 3.726 0.032 NA -1.4795 55.96% 4.73% 0
Chile 3.209 0.154 0.0002 -1.0157 25.53% 22.57% > 10%
China 2.894 0.295 0.0005 -1.5305 31.52% 30.60% > 10%
Colombia 2.458 0.054 0.4182 -0.6052 63.39% 0.54% < 1%
Costa Rica 2.553 0.071 0.0146 -0.7288 31.79% 0.62% < 1%
Croatia 2.855 0.048 0.4064 -1.2330 59.37% 6.64% 5%-10%
Cyprus 2.811 0.053 0.0015 -1.0904 51.37% 3.75% 1%-5%
Czech Republic 3.313 0.043 0.0811 -1.5357 40.44% 13.10% 5%-10%
Denmark 3.237 0.037 0.0064 -1.0938 22.45% 5.11% < 1%
Dominican Republic 2.504 0.323 0.0389 -1.3386 13.14% 12.56% < 1%
Ecuador 2.376 0.211 0.1459 -1.2813 17.74% 11.16% 5%-10%
El Salvador 2.368 0.204 0.2979 -1.6470 20.25% 5.73% > 10%
Estonia 3.176 0.048 0.3970 -1.2407 57.85% 0.67% > 10%
Ethiopia 1.082 0.146 0.0326 -0.4916 11.92% 24.40% > 10%
Finland 3.878 0.047 0.1523 -1.3208 48.17% 1.31% < 1%
France 3.318 0.039 0.1096 -0.8239 17.97% 7.49% < 1%
Gabon 2.395 0.032 0.1037 2.0901 0.10% 34.83% < 1%
Georgia 2.420 0.265 0.0136 -1.2078 19.91% 18.47% < 1%
Germany 3.429 0.024 0.0409 -1.4388 42.74% 0.04% < 1%
Ghana 2.260 0.133 0.0963 -1.3130 33.76% 0.16% < 1%
Greece 3.092 0.035 0.0401 -0.2899 44.12% 1.20% 5%-10%
Guatemala 2.294 0.064 0.0568 0.9760 1.24% 0.03% > 10%
Honduras 2.470 0.123 0.0128 -0.5071 51.85% 0.01% > 10%
Hungary 2.978 0.073 0.4855 2.2369 0.01% 63.19% 1%-5%
Iceland 4.417 0.194 0.0161 -1.6389 44.14% 4.08% 1%-5%
India 2.275 0.126 0.0029 -1.5326 26.78% 42.37% 5%-10%
Indonesia 2.236 0.119 0.4371 -0.6718 62.17% 10.97% 1%-5%
Ireland 3.277 0.033 0.0370 -0.6309 36.16% 0.06% < 1%
Italy 3.344 0.047 0.0102 -1.6573 28.75% 9.67% < 1%
Jamaica 2.932 0.354 0.0949 -1.2846 16.29% 3.90% < 1%
Japan 3.473 0.050 0.0305 -0.6212 18.49% 11.16% < 1%
Jordan 2.637 0.070 0.2171 -1.5725 35.41% 10.82% < 1%
Kazakhstan 3.270 0.191 0.0010 -0.1059 23.21% 0.61% 1%-5%
Kenya 1.933 0.030 0.1546 0.4811 15.17% 4.83% < 1%
35
Tabela 8-B: Resumo dos dados utilizados para o setor industrial (continuação)
País Média Desvio
padrão Assimetria
Curtose
(excesso)
Normalidade
(p valor)
Estacionariedade
(p valor)
Cointegração
(p valor)
Kyrgyzstan 2.652447 0.20657 0.1116 -0.6664 58.74% 0.75% 5%-10%
Latvia 2.85163 0.067364 0.0092 -1.0496 70.33% 0.08% 5%-10%
Lebanon 2.865328 0.102759 0.0571 1.5167 0.21% 0.49% 5%-10%
Libya 2.742114 0.102038 1.0848 -0.7068 66.31% 27.93% > 10%
Lithuania 2.927647 0.061608 0.1729 -1.0789 75.48% 11.52% < 1%
Luxembourg 3.86729 0.055225 0.0597 -0.7382 33.13% 0.21% < 1%
Malaysia 3.21239 0.057872 0.7060 -1.4892 44.76% 40.91% > 10%
Malta 3.080051 0.058803 0.0036 -1.4483 40.29% 7.82% < 1%
Mauritius 2.829835 0.046572 0.0563 -1.3881 47.05% 43.32% > 10%
Mexico 2.936629 0.103126 0.0135 -1.6167 31.02% 3.21% < 1%
Moldova 2.853028 0.119947 0.5024 -0.8520 56.18% 17.55% > 10%
Mongolia 2.829238 0.104888 0.7072 -0.8947 66.57% 67.40% 1%-5%
Montenegro 3.487711 0.175107 -1.4414 0.0096 26.24% 46.79% < 1%
Morocco 2.40672 0.072059 0.0446 -1.4258 58.44% 19.45% > 10%
Mozambique 2.496379 0.177194 0.0524 4.2634 0.00% 5.12% 5%-10%
Nepal 1.433469 0.156611 0.9262 -1.3691 49.37% 39.22% > 10%
Netherlands 3.37772 0.034498 0.0207 -0.6768 24.57% 4.84% 5%-10%
New Zealand 3.531859 0.023858 0.2842 -0.9210 50.82% 1.03% < 1%
Nicaragua 1.949298 0.214214 0.1136 -1.6140 28.17% 12.12% 5%-10%
Nigeria 1.289797 0.089966 0.0124 -0.6675 54.17% 0.16% 1%-5%
Norway 4.009247 0.041178 0.4947 -0.7394 11.57% 1.08% < 1%
Pakistan 2.055054 0.05137 0.0002 -1.3388 46.52% 0.80% 1%-5%
Panama 2.210296 0.100592 0.0076 -0.2794 56.80% 3.06% < 1%
Paraguay 2.30458 0.102712 0.0867 -1.4320 37.53% 6.47% < 1%
Peru 2.636878 0.121159 0.2361 -1.0656 66.89% 2.22% > 10%
Philippines 2.245105 0.049902 0.0020 -0.7376 83.50% 0.91% > 10%
Poland 3.05152 0.032004 0.2419 -1.2670 61.27% 1.31% < 1%
Portugal 3.187628 0.031994 0.1626 -0.7369 43.99% 8.28% > 10%
Qatar 3.595236 0.091862 0.0108 -1.3319 68.52% 6.67% < 1%
Romania 3.021798 0.056723 0.0441 3.2199 0.00% 0.11% < 1%
Saudi Arabia 2.965302 0.140432 0.0260 -1.4813 71.29% 96.67% 5%-10%
Senegal 1.71186 0.082026 0.2322 0.8199 1.75% 0.19% < 1%
Serbia 2.958694 0.035618 0.0118 -1.2031 61.76% 0.10% < 1%
Singapore 3.713099 0.104604 0.2347 -1.4702 28.96% 13.13% > 10%
Slovakia 3.296919 0.044873 0.0721 -1.3899 53.75% 2.33% 1%-5%
Slovenia 3.462416 0.06053 0.0063 -1.0992 51.21% 2.11% > 10%
Spain 3.271471 0.072968 0.0155 -1.7461 33.43% 24.28% > 10%
Sri Lanka 2.05523 0.13882 0.0848 -0.4944 38.03% 17.11% 1%-5%
Sudan 1.195956 0.195273 0.0620 -0.2748 48.65% 6.95% < 1%
Suriname 3.182563 0.042515 0.3363 -1.4318 59.70% 6.10% > 10%
Sweden 3.777886 0.026242 0.0952 -0.7587 39.06% 6.70% 5%-10%
Switzerland 3.384563 0.021264 0.0450 -1.4321 30.00% 7.29% < 1%
Tajikistan 2.971444 0.116631 0.0590 1.1783 21.55% 49.93% > 10%
Tanzania 1.212366 0.132656 0.0056 -0.6341 82.78% 6.17% > 10%
Thailand 2.823589 0.15859 0.0228 -0.9437 32.80% 8.48% < 1%
Togo 1.532285 0.100604 0.0390 -0.8047 71.98% 0.58% 5%-10%
TrinidadeTobago 3.41353 0.136897 0.1596 -1.3885 40.97% 31.46% < 1%
Tunisia 2.644529 0.063033 0.0031 -1.4800 29.80% 10.68% 1%-5%
Turkey 2.895286 0.123821 0.0547 -1.3162 48.74% 11.16% > 10%
Turkmenistan 2.697042 0.083614 0.2349 -0.7288 77.97% 7.10% < 1%
United Kingdom 3.243191 0.035019 0.2555 -0.7208 30.44% 9.56% < 1%
Ukraine 3.139275 0.063012 0.3060 2.3939 0.01% 1.17% 5%-10%
Uruguay 2.726921 0.104268 0.0053 -1.2000 23.69% 2.46% < 1%
USA 3.492777 0.068749 0.3768 -1.2901 39.01% 5.80% 5%-10%
36
Tabela 9-C: Resumo dos dados utilizados para o setor industrial (continuação)
País Média Desvio
padrão Assimetria
Curtose
(excesso)
Normalidade
(p valor)
Estacionariedade
(p valor)
Cointegração
(p valor)
Uzbekistan 2.793101 0.054477 0.0319 2.1189 0.00% 0.10% > 10%
Zambia 2.620203 0.073091 0.0000 -0.0266 25.63% 0.00% < 1%
Zimbabwe 2.549536 0.153134 0.0587 -1.2827 39.99% 0.52% < 1%
Congo 1.798897 0.127799 0.0069 -0.2458 59.88% 0.92% 1%-5%
Egypt 2.619257 0.073773 0.0080 -1.2950 43.27% 2.58% < 1%
Russia 3.366264 0.056218 0.0009 0.6346 6.80% 3.11% < 1%
Venezuela 3.099174 0.034152 0.1778 4.2061 0.00% 8.41% < 1%
DRC 1.569251 0.184246 0.0492 -1.6782 23.67% 9.63% < 1%
Iran 2.771308 0.150693 0.2416 -1.2873 51.35% 33.32% 5%-10%
HongKong 2.725369 0.085007 0.1928 -1.6590 47.52% 31.49% 5%-10%
Yemen 0.756231 0.349052 -0.3414 -1.7573 51.34% 27.14% > 10%
Tabela 10-A: Resumo dos dados utilizados para o setor outros
País Média Desvio
padrão Assimetria
Curtose
(excesso)
Normalidade
(p valor)
Estacionariedade
(p valor)
Cointegração
(p valor)
Albania 2.031 0.320 0.0573 0.0729 20.97% 0.66% 5%-10%
Algeria 1.415 0.582 0.3069 -0.7071 4.29% 2.30% < 1%
Argentina 1.471 0.104 0.0449 -1.3901 34.48% 1.75% < 1%
Armenia 2.508 0.117 0.0250 0.7786 6.17% 0.01% > 10%
Australia 2.440 0.049 0.0144 1.0457 4.90% 0.00% > 10%
Austria 2.716 0.031 0.3655 -0.4821 23.68% 3.73% 5%-10%
Azerbaijan 2.289 0.202 0.0780 -1.2901 18.05% 19.95% 5%-10%
Bahrain 1.626 0.047 0.5751 -1.1954 63.00% 6.84% 1%-5%
Bangladesh 0.714 0.222 0.0187 -0.9321 63.59% 0.34% > 10%
Belarus 2.581 0.095 0.0019 0.7687 1.19% 0.53% > 10%
Belgium 2.250 0.111 0.0030 -1.4113 38.85% 4.16% < 1%
Bolivia 1.373 0.518 0.0053 -1.7844 20.76% 0.12% < 1%
BosniaeHerzegovina 2.707 0.036 -0.7683 -1.6747 66.12% 46.37% > 10%
Botswana 2.000 0.172 0.3662 -0.9438 52.27% 1.82% > 10%
Brazil 1.923 0.121 0.0705 -0.9079 67.23% 8.96% < 1%
Bulgaria 2.203 0.372 0.0618 -1.6599 13.24% 3.12% < 1%
Cambodia 0.486 0.312 0.0867 -0.8823 65.83% 3.37% < 1%
Cameroon 1.146 0.524 0.0471 -1.6989 14.01% 0.63% < 1%
Canada 2.711 0.188 0.0052 3.2904 0.00% 0.01% > 10%
Chile 1.451 0.130 0.3148 3.2432 0.00% 13.00% 5%-10%
China 2.161 0.261 0.1590 -1.4288 34.71% 61.77% 1%-5%
Colombia 1.614 0.282 0.5773 -1.0652 65.54% 1.37% < 1%
Costa Rica 1.864 0.066 0.0084 -1.4134 28.63% 1.81% > 10%
Croatia 1.832 0.066 0.0233 0.1772 3.91% 4.18% 1%-5%
Cyprus 2.545 0.186 0.2224 -0.5396 16.94% 2.63% 5%-10%
Czech Republic 2.685 0.036 0.0347 0.6592 34.92% 16.59% > 10%
Denmark 2.611 0.019 0.0554 -0.4159 21.39% 0.09% 1%-5%
Dominican Republic 2.023 0.069 0.1617 0.2998 13.50% 3.05% > 10%
Ecuador 1.834 0.118 0.0085 -0.6652 88.84% 0.40% < 1%
El Salvador 1.553 0.419 0.3461 -1.8694 39.49% 13.59% < 1%
Estonia 2.361 0.073 0.6253 1.2036 0.49% 3.12% > 10%
Ethiopia -0.510 0.310 0.3747 3.0334 0.00% 0.39% > 10%
Finland 2.537 0.106 0.0026 -1.8079 18.25% 0.86% < 1%
France 2.483 0.096 0.3883 -0.7288 13.98% 0.93% 5%-10%
Gabon 1.728 0.031 0.2061 1.6764 0.53% 37.79% < 1%
Georgia 2.189 0.317 0.1180 -1.4306 30.47% 1.59% < 1%
Germany 2.235 0.059 0.1063 -1.6994 26.34% 0.72% < 1%
Ghana -0.103 0.887 1.5355 -0.5420 24.72% 14.73% > 10%
37
Tabela 11-B: Resumo dos dados utilizados para o setor outros (continuação)
País Média Desvio
padrão Assimetria
Curtose
(excesso)
Normalidade
(p valor)
Estacionariedade
(p valor)
Cointegração
(p valor)
Greece 2.380928 0.082863 0.1739 0.8034 1.27% 0.12% > 10%
Guatemala 0.14271 0.052983 -0.6776 -1.4356 65.09% 43.75% > 10%
Hungary 2.311079 0.042519 0.1015 1.9096 0.14% 1.92% 5%-10%
Iceland 2.993618 0.064558 0.0303 -1.7046 24.22% 1.97% 5%-10%
India 2.096928 0.083231 0.0536 -0.3501 32.99% 23.17% < 1%
Indonesia 0.956439 0.028579 0.3777 -1.7991 40.09% 22.85% < 1%
Ireland 2.156865 0.038742 0.0445 -1.5735 30.25% 1.72% < 1%
Israel 2.763941 0.0872 0.0209 3.5929 0.00% 0.01% > 10%
Italy 2.382592 0.055222 0.0096 -1.5254 30.90% 46.54% 5%-10%
Japan 2.243621 0.080894 0.0000 3.0143 0.00% 0.14% 1%-5%
Jordan 2.374047 0.090146 0.0107 -1.4687 35.22% 10.59% 1%-5%
Kazakhstan 2.770762 0.320082 0.0976 -1.4655 37.06% 0.50% 5%-10%
Kenya 0.119906 0.093038 0.4903 -1.4535 52.51% 0.23% < 1%
Kyrgyzstan 2.481157 0.421398 0.0497 -1.4142 27.34% 1.55% < 1%
Latvia 2.141952 0.035541 0.1450 1.1482 7.32% 9.27% 5%-10%
Lebanon 2.681773 0.214241 0.0041 8.2950 0.00% 4.13% > 10%
Libya 2.61634 0.272786 0.1173 -1.5596 44.57% 2.25% < 1%
Lithuania 1.916286 0.023172 0.2769 -1.0963 72.17% 1.90% 1%-5%
Luxembourg 2.491901 0.073701 0.1227 -0.8163 28.99% 2.37% < 1%
Malaysia 0.743508 0.494577 0.8507 -2.0251 32.54% 17.11% > 10%
Mauritius 1.748755 0.068602 0.7345 -1.5541 52.79% 13.52% < 1%
Mexico 2.110455 0.196503 0.0328 -1.7231 24.60% 3.03% < 1%
Moldova 2.028414 0.516124 0.5341 -2.0319 32.13% 14.68% 5%-10%
Mongolia 2.182501 0.107203 0.6150 -0.7933 64.88% 72.45% > 10%
Morocco 1.877537 0.122474 0.5628 2.6632 0.04% 44.94% > 10%
Nepal 0.667922 0.15219 0.0206 -0.9982 41.94% 2.26% > 10%
Netherlands 2.597569 0.113194 0.0096 -1.1741 55.48% 15.57% < 1%
NewZealand 2.736016 0.057584 0.1007 -1.2389 41.52% 1.84% > 10%
Nicaragua 1.531746 0.323595 0.5764 -1.7101 23.79% 3.33% > 10%
Niger -0.36869 0.121159 0.1712 4.6464 0.00% 2.15% 5%-10%
Norway 2.707433 0.095209 0.0018 0.3937 1.29% 0.01% > 10%
Pakistan 1.681477 0.058518 0.0002 0.0290 15.37% 0.06% < 1%
Panama 0.659522 0.367694 0.0579 -1.4516 39.88% 0.04% < 1%
Peru 1.519495 0.220512 0.0005 1.6976 0.18% 0.00% > 10%
Philippines 0.89163 0.23848 0.0390 -1.1438 21.72% 1.02% 1%-5%
Poland 2.290624 0.167819 0.0182 -1.7118 26.05% 3.00% > 10%
Portugal 2.018188 0.135784 0.0001 -1.0475 26.53% 68.00% < 1%
Qatar 3.51148 0.206228 0.1430 -0.4480 33.68% 25.72% > 10%
Romania 2.093325 0.147401 0.0733 -0.8376 17.44% 1.06% 1%-5%
SaudiArabia 2.196737 0.048573 NA 0.0591 34.78% 5.47% > 10%
Senegal 0.850059 0.289377 0.1840 -0.1144 16.97% 35.74% 5%-10%
Serbia 2.300433 0.434636 0.1986 -1.9259 29.00% 10.33% < 1%
Singapore 2.479036 0.395023 0.1264 -1.8774 13.89% 1.90% < 1%
Slovakia 2.369045 0.176375 0.8478 -1.3011 33.81% 1.54% 5%-10%
Slovenia 1.946715 0.073886 0.1730 0.3961 17.82% 0.23% < 1%
Spain 2.39233 0.068074 0.0263 0.3862 73.12% 0.52% > 10%
Sudan 0.516759 0.418634 0.0202 -1.1344 54.78% 0.08% < 1%
Sweden 2.657363 0.044356 0.1109 -1.0023 68.25% 1.79% 5%-10%
Switzerland 2.718137 0.020359 0.1439 1.3483 2.63% 0.00% < 1%
Tajikistan 2.813735 0.082606 0.0957 -1.2394 50.89% 16.12% 5%-10%
38
Tabela 12-C: Resumo dos dados utilizados para o setor outros (continuação)
País Média Desvio
padrão Assimetria
Curtose
(excesso)
Normalidade
(p valor)
Estacionariedade
(p valor)
Cointegração
(p valor)
Tanzania 0.701709 0.125905 0.3303 -0.6078 70.29% 8.35% 1%-5%
Thailand 1.140277 0.214898 0.0162 4.4209 0.00% 70.75% 5%-10%
Togo 0.617187 0.533751 -1.4101 0.4803 16.00% 1.58% > 10%
Tunisia 1.828213 0.14177 0.0029 -1.4234 30.23% 3.22% > 10%
Turkey 1.729333 0.191188 0.2281 -1.1438 29.32% 13.95% 5%-10%
Turkmenistan 2.799808 0.095412 0.0628 -0.8502 65.49% 3.96% > 10%
UAE 3.001895 0.395202 0.0592 -1.3489 31.44% 0.27% < 1%
UnitedKingdom 2.214444 0.100117 0.0483 -1.8652 19.32% 4.57% < 1%
Ukraine 2.517764 0.111539 0.0014 -0.2061 6.23% 7.84% > 10%
Uruguay 1.943573 0.317605 0.0537 1.0716 3.20% 7.15% 5%-10%
USA 2.034895 0.827824 0.0438 -2.0665 12.63% 2.08% 5%-10%
Uzbekistan 2.743614 0.01891 0.0001 -0.8653 76.47% 0.00% > 10%
Viet Nam 1.03448 0.148937 0.1652 -0.1745 29.85% 0.04% > 10%
Zambia 1.393512 0.091322 0.0363 0.1705 44.94% 0.05% 1%-5%
Zimbabwe 1.881352 0.140193 0.0004 -1.1803 53.38% 8.78% > 10%
Coteivoire 0.653305 0.462255 0.3064 -0.3627 79.26% 2.47% < 1%
Egypt 1.804906 0.19647 0.1177 -1.3154 37.88% 1.22% < 1%
Russia 2.877187 0.07865 0.0000 0.2119 4.13% 4.72% > 10%
Venezuela 1.206523 0.29232 0.2884 -0.7281 54.83% 0.47% < 1%
Yemen 1.34445 0.12862 0.2740 -0.0707 98.14% 0.06% < 1%
DRC -0.55154 0.092058 -0.7692 -1.5360 62.34% 18.96% > 10%
Iran 2.37978 0.230582 0.2932 -1.3005 43.47% 25.09% > 10%
39
5. Análise dos Resultados Obtidos
Neste capítulo são apresentados e analisados os resultados obtidos, identificando
semelhanças e discrepâncias entre países e grupos de países. Verificar os resultados obtidos
para países e grupos de países é necessário para garantir que não ocorra “falácia ecológica”.
A “falácia ecológica” é definida como a interpretação errônea de dados estatísticos, na
qual inferências sobre a natureza dos indivíduos são deduzidas a partir da inferência para o
grupo ao qual os indivíduos pertencem. Um dos exemplos mais conhecidos deste fenômeno é
o paradoxo de Simpson. O paradoxo de Simpson ocorre quando, ao comparar duas
populações divididas em grupos, o efeito total difere do efeito dos grupos. Como exemplo, é
possível citar o caso em que a média em uma das populações é maior em cada grupo, mas é
menor na comparação das médias das populações totais.
Considerando os fatores mencionados, foram realizadas duas abordagens diferentes para
comparação: resultados individuais para todos os países e resultados para grupos de países.
5.1. Grupos de Países e Hipóteses de Regularidades
Aqui, serão apresentados os resultados obtidos para os modelos de regressão linear e
modelos vetoriais auto regressivos. Serão destacados a elasticidade da renda do modelo de
regressão linear, os coeficientes do vetor de correção de erro e dos valores defasados de
energia para o modelo VEC e os respectivos p valores. Deve-se observar que os resultados
para o modelo VAR não serão exibidos, uma vez que foram muito similares aos do modelo
VEC.
Como hipótese inicial imaginou-se que países com nível de desenvolvimento e
econômico parecidos apresentariam resultados similares. Uma vez que, como mencionado
anteriormente, existe uma forte relação entre o PIB e o consumo energético, e diversos
estudos apontam que, à medida em que um país se desenvolve economicamente, a tendência é
que sua elasticidade-renda diminua. Assim, supôs-se que o consumo de energia dos locais que
estão em um mesmo momento econômico reagiria da mesma forma às mudanças econômicas.
A fim de verificar essa hipótese e exibir os resultados de forma ilustrativa serão apresentados
mapas para cada setor. Os valores em detalhe para cada país serão apresentados no anexo do
presente trabalho.
40
5.1.1 Resultados do setor residencial
O mapa apresentado na figura 5, a seguir, mostra os resultados de elasticidade para o
setor residencial. Deve-se observar os baixos valores de elasticidade, entre -0.1 e 0.4, para
diversos países da Europa e para o Canadá. Este valor é muito aquém do que se espera, pois
são valores próximos a uma unidade, um pouco mais altos para países em desenvolvimento e
mais baixos para países desenvolvidos, indicando que para estes países o PIB não é tão
influente no consumo elétrico residencial como esperado. Considerando a localização dos
países que obtiveram este resultado inesperado, observa-se que a grande maioria está bem ao
norte do planeta, regiões usualmente mais frias, o que possivelmente é um fator mais
relevante do que o desenvolvimento econômico nessas regiões.
Figura 5: Elasticidade - Setor residencial. Fonte: elaboração própria.
Outro ponto que se sobressai é a diversidade de comportamentos, em especial entre
grupos de países e blocos em que se esperava observar similaridades. A América Latina, por
exemplo, apresenta todas as faixas de elasticidade. Na Europa ocorre o mesmo, apesar de, em
um âmbito geral, apresentar elasticidades mais baixas, como se esperava. A África apresenta a
mesma característica. Quanto às similaridades, é possível notar Brasil e China, ambos
membros do BRICS, com elasticidades em níveis parecidos e relativamente altos, como se
esperava por estarem em desenvolvimento. Austrália, Estados Unidos da América, Chile e
países da Europa, por sua vez, também correspondem às expectativas ao apresentar níveis
mais baixos, como se espera observar em países mais desenvolvidos. O Chile, apesar de não
ser oficialmente um país desenvolvido, é o país da América Latina com comportamento mais
similar ao dos desenvolvidos.
É de suma importância destacar que os resultados e as análises acima apresentados nada
significam se o modelo, no caso regressão linear, não for significativo. Deste modo, o gráfico
41
acima (Figura 5) deve ser analisado em conjunto com o p valor do teste F do modelo, o qual
representa a sua significância, apresentado a seguir.
Figura 6: P valor para a regressão - Setor residencial. Fonte: elaboração própria.
De acordo com os p valores obtidos, é possível inferir que as regressões para a grande
maioria dos países são significativas, comprovando a relação entre PIB e consumo, de forma
que é possível utilizá-las para a previsão de demanda. Todavia, os p valores indicam que para
alguns países a regressão não é estatisticamente significativa. Destaca-se em especial a
ocorrência deste fenômeno para a Rússia, o Canadá e alguns países europeus, os quais haviam
apresentado valores demasiadamente baixos para a elasticidade, diferente do esperado. Deste
modo, reafirma-se a conclusão anterior de que nestes países o PIB não é relevante para
explicar o consumo residencial.
Na Figura 7 são apresentados os p valores para o teste F do modelo VEC. A primeira
constatação a partir do mapa da Figura 7 é que os p valores são mais altos, de forma geral, o
que indica que este modelo é significativo em menos países. O modelo pode ser considerado
significativo a 10% para aproximadamente metade dos países analisados, apresentando p
valores abaixo de 1% no Brasil, Argentina, México, Índia, China, entre outros.
Figura 7: P valor para o modelo VEC - Setor residencial. Fonte: elaboração própria.
42
Fazendo uma análise comparativa, observa-se que o modelo de regressão linear
apresentou p valor para o teste F inferior ao do modelo VEC para 78% dos países analisados,
indicando maior significância estatística deste modelo.
5.1.2 Resultados do setor comercial
O mapa abaixo, Figura 7, apresenta os resultados de elasticidade d renda para o setor
comercial. Ao analisa-lo, destaca-se os baixos valores – inferiores a 0.5 – de elasticidade para
alguns países da Europa e para o Canadá. Isso indica que para estes países o PIB comercial
não é tão influente no consumo elétrico do setor, o que é inesperado, dado que se está
considerando um indicador econômico específico.
Outro ponto que novamente se sobressai, mas dessa vez de forma mais amena, é a
diversidade de comportamentos. Na América Latina, há dois grupos de países com faixas de
elasticidade bastante similares: Brasil, Argentina, México e América Central, com valores
entre 1 e 1.4; e Equador, Peru, Bolívia, Chile e Paraguai, com valores bastante elevados,
sempre acima de 2. Os demais países não se encaixam bem em nenhum dos grupos. Na
Europa o comportamento dos países é mais variado, mas ainda é possível notar grupos de
comportamento similares: Portugal, Espanha, Bélgica, Itália, Albania, Bulgária e Turquia
apresentam valores entre 2 e 2.5; França, Croácia, Grécia, Holanda, Alemanha, Polonia,
Rússia, Islandia, Estonia, Romenia e Ucrania possuem elasticidades bastante próximas a 1;
um terceiro grupo apresenta valores próximos a 0.8 e um quarto entre 0.4 e 0.6; os demais
apresentam valores mais extremos e não se encaixam em nenhum dos grupos identificados.
Na África os países apresentam resultados bastante variados.
Figura 8: Elasticidade - Setor comercial. Fonte: elaboração própria.
Dada a importância da significância do modelo, o mapa a seguir ilustra os resultados de
p valor do Teste F do modelo para os países estudados.
43
Figura 9: P valor para a regressão - Setor comercial. Fonte: elaboração própria.
De acordo com os p valores obtidos, é possível inferir que as regressões para a grande
maioria dos países são significativas a 1%, com exceção da Suécia e de alguns países na Ásia
e na África. Diferente do ocorrido no setor residencial, algumas elasticidades muito pequenas
se mostraram significativas. Isso demonstra que o PIB comercial de fato influencia no
consumo elétrico do setor, o que em teoria é algo “óbvio”, mas em alguns países as variações
no PIB não causam grande impacto no consumo do setor.
Em seguida, são apresentados os p valores para o teste F do modelo VEC. A primeira
constatação a partir do mapa é que os p valores são bastante superiores, de forma que o
modelo se mostra não-significativo a 15% em diversos países, como o Canadá, Peru, Paraguai
e alguns países da África, Ásia e Europa. Por outro lado, apresenta p valores abaixo de 1%
para o Brasil, Argentina, Bolívia, México, Índia, China, para a maioria dos países da América
Central, diversos países da Europa, entre outros.
Figura 10: P valor para o modelo VEC - Setor comercial. Fonte: elaboração própria.
Fazendo uma análise comparativa, observa-se que o modelo de regressão linear
apresentou p valor para o teste F inferior ao do modelo VEC para 87% dos países analisados,
indicando maior significância estatística.
44
5.1.3 Resultados para o setor industrial
O mapa abaixo, Figura 11, apresenta os resultados de elasticidade da renda para o setor
industrial. Ao analisa-lo, destaca-se os baixos valores – inferiores a 0.2 – de elasticidade para
a Austrália, Estados Unidos da América e alguns países da Europa e da África. Isso indica que
para estes países o PIB industrial não é tão influente no consumo elétrico do setor, o que é
inesperado, dado que se está considerando um indicador econômico específico.
Outro ponto que novamente se sobressai é a diversidade de comportamentos, em todos
os continentes e entre todos os grupos de níveis de desenvolvimento.
Figura 11: Elasticidade - Setor industrial. Fonte: elaboração própria.
Dada a importância da significância do modelo, o mapa a seguir ilustra os resultados de
p valor do teste F do modelo para os países estudados.
Figura 12: P valor para a regressão - Setor industrial. Fonte: elaboração própria.
De acordo com os p valores do teste F obtidos, é possível inferir que as regressões para
a grande parte dos países são significativas a 5%. Contudo para o Paraguai, Austrália, Estados
Unidos e alguns países da Europa e da África, a regressão se demonstrou espúria. Assim
como no setor residencial, praticamente todos os países que apresentaram elasticidades
demasiadamente baixas obtiveram regressões não-significativas. Isto é, de acordo com a
45
regressão, não há relação significativa entre o PIB industrial do país no seu consumo elétrico
do setor, o que vai contra a teoria econômica.
Em seguida, são apresentados os p valores para o teste F do modelo VEC. A primeira
constatação a partir do mapa é que os p valores são bastante altos para muitos países,
incluindo toda a América do Norte, Austrália e diversos países da América Latina, Ásia,
Europa e África. Isto indica que o modelo é não-significativo, a pelo menos 15%, para tais
localidades. Por outro lado, apresenta p valores abaixo de 1% para a Rússia, Índia, China,
Chile, Argentina, Bolívia, Venezuela, para a maioria dos países da Ásia, entre outros
Figura 13: P valor para o modelo VEC - Setor industrial. Fonte: elaboração própria.
Fazendo uma análise comparativa, observa-se que o modelo de regressão linear
apresentou p valor para o teste F inferior ao do modelo VEC para 76% dos países analisados,
indicando mais significância estatística.
5.1.4 Resultados para o setor outros
O mapa apresentado na Figura 14 mostra os resultados de elasticidade da renda para o
setor outros. Este setor agrupa todo o consumo que não se classifica em nenhum dos outros
setores da economia estudados, isto é, não pertence ao setor residencial, comercial ou
industrial. Por agrupar consumos de origens muito diversas, como pesca e agricultura, a
expectativa é que ele apresente os “piores” resultados, ou seja, p valores do teste F mais altos
e elasticidades mais dispersas.
Deve-se observar a amplitude dos valores de elasticidade da renda, que vão de -0.9 a
1.9 na legenda do mapa da Figura 14, com representatividade significativa em todas as faixas.
Isto reafirma a hipótese anterior de que este é o grupo menos “comportado”. Um fato
interessante é que muitos países na Europa apresentaram elasticidades negativas, indicando
que o consumo nesta categoria aumenta quando o PIB cai, e vice-versa. A Oceania e Ásia, em
46
sua grande maioria, apresenta valores entre 0 e 1. O continente americano, por sua vez, é o
que apresenta os valores mais elevados de elasticidade. A África é o continente com maior
diversidade de comportamento. É intrigante notar que neste conjunto de outros setores parece
existir uma certa similaridade comportamental entre países próximos, de uma mesma região
ou continente. Possivelmente isso se deve a componentes semelhantes no agregado outros.
Figura 14: Elasticidade - Setor outros. Fonte: elaboração própria.
Dada a importância da significância do modelo, o mapa a seguir, apresentado na Figura
15, ilustra os resultados de p valor do teste F do modelo para os países estudados.
Figura 15: P valor para a regressão - Setor outros. Fonte: elaboração própria.
De acordo com os p valores obtidos, é possível inferir que as regressões para grande
parte dos países são significativas a 1%. Contudo, para a Rússia e alguns países da Europa,
África e Ásia, a regressão se demonstrou espúria.
Em seguida, são apresentados os p valores para o teste F do modelo VEC. A primeira
constatação a partir do mapa é que os p valores são bastante altos para muitos países,
especialmente na Europa, África e América Latina. Isto indica que o modelo é não-
significativo, a pelo menos 15%, para tais localidades. Por outro lado, apresenta p valores
abaixo de 1% para a Rússia, Brasil, Austrália, Canadá, entre outros. Um fato interessante
47
ocorre com a Rússia, a qual apresentou p valor muito alto para a regressão linear, mas um p
valor muito baixo para o modelo autorregressivo VEC.
Figura 16: P valor para o modelo VEC - Setor industrial. Fonte: elaboração própria.
Fazendo uma análise comparativa, observa-se que o modelo de regressão linear
apresentou p valor para o teste F inferior ao do modelo VEC para 75% dos países analisados,
indicando maior significância estatística.
5.2. Análises Agregadas – Grupos de Países
Uma nova tendência de integração energética tem se consolidado em várias partes do
mundo, como forma de otimizar empreendimentos de geração existentes e, com sorte,
minimizar a necessidade de expansão de novas usinas que agridam o meio ambiente, visando
atender à crescente demanda dos países que venham a participar dessa integração. Como
noticiado no website do jornal O Estado de São Paulo (2011), esse movimento já existe entre
Canadá e EUA, Alemanha e Áustria, Noruega, Suécia, Finlândia e Dinamarca e desenvolve-
se na União Europeia, na África Austral e no Mercosul.
Deve-se destacar que as experiências existentes no Mercosul são as Hidrelétricas de
Itaipu (Brasil e Paraguai), Yacireta (Argentina e Paraguai) e Salto Grande (Argentina e
Uruguai). Além disso, existe o gasoduto da Argentina com Brasil, Chile e Uruguai e o da
Bolívia com Argentina, Brasil e Chile.
Nessa perspectiva, dada a crescente tendência de integração energética, é possível
afirmar que um próximo passo seria um planejamento em conjunto para países de uma mesma
região. No cenário atual a maioria das interconexões existentes apenas permitem trocas
energéticas em momentos em que algum país apresente excedente enquanto outros estão em
déficit. Diante disso, o planejamento em conjunto potencializaria inúmeros benefícios, como a
otimização da quantidade de plantas a serem instaladas, gerando menos impactos ao meio-
48
ambiente. Por outro lado, é importante comentar que, apesar dos benefícios, a implementação
desse tipo de integração energética encontra diversas barreiras, especialmente políticas. Como
exemplo, é possível citar o caso da Bolívia, a qual nacionalizou as instalações da Petrobrás em
seu território e diminui o envio de gás natural para o Brasil e a Argentina. Diante disso, dois
blocos que possuem grande potencial para integração são a Europa e a América Latina, os
quais serão analisados a seguir.
5.2.1 Países da Europa
Como visto anteriormente, a elasticidade-renda não apresentou um padrão esperado
para todos os países. Nessa perspectiva, analisando os dados de modo mais aprofundado para
a Europa, percebe-se que não se teve um padrão para a elasticidade-renda. Os valores
encontrados variam de forma considerável entre os países do grupo e, portanto, não foi
possível, a priori, encontrar subgrupos que façam sentido para os diferentes setores da
economia. A seguir, nas Figuras 17, 18 e 19, são apresentados mapas com os valores de
elasticidade dos países da Europa para os diferentes setores econômicos.
Figura 17: Elasticidades dos países da Europa para o setor comercial. Fonte: elaboração própria.
49
Figura 18: Elasticidades dos países da Europa para o setor industrial. Fonte: elaboração própria.
Figura 19: Elasticidades dos países da Europa para o setor residencial. Fonte: elaboração própria.
Diante dos resultados apresentados percebe-se que a Europa também não apresenta um
padrão quanto a elasticidade-renda. Os valores encontrados variam de forma considerável
entre os países do grupo e, portanto, não foi possível encontrar subgrupos que façam sentido
para os diferentes setores da economia.
Sob outra perspectiva, levando em conta a tendência de planejamento em conjunto para
países de um mesmo bloco e a importância de investigar os dados agregados e não de forma
individual, buscou-se realizar análises estatísticas para as informações organizadas desse
modo. Isto é, calculou-se um único PIB per capita e um único consumo per capita, em cada
50
setor econômico a cada ano, para a Europa como um todo. A Tabela 5, adiante, resume os
resultados obtidos.
Tabela 5: Resultados para a Europa por setor
Setor Cointegração
(p valor) Elasticidade
Regressão
(p valor)
VAR
(p valor)
Residencial < 1% 0,57 0,00% 11,00%
Comercial < 1% 1,18 0,00% 13,00%
Industrial < 1% 0,51 3,39% 6,00%
Outros < 1% 0,10 41,14% 5,00%
Os resultados indicam que, na Europa, nenhum setor da economia apresenta
cointegração. Devido a isso, foi estimado o modelo vetorial autoregressivo VAR, em
detrimento ao modelo VEC. Além disso, a elasticidade-renda dos setores residencial e
industrial é parecida, sendo próximo a 0,5. Isso indica que o consumo de energia elétrica
nesses grupos varia com menor intensidade que o PIB, enquanto na divisão comercial a
elasticidade é 1,18, o que indica que o consumo de energia varia de forma mais acentuada que
o PIB.
No que se refere ao modelo de regressão linear, deve-se observar que este modelo é
significativo para todos os setores, exceto para o setor “outros”. Para os setores residencial e
comercial o p valor encontrado foi muito baixo (menor do que 0,0000001%). Já para o setor
industrial, o p valor encontrado foi de 3,39%. O fato da regressão não ser significativa para o
setor outros não causa surpresa uma vez que esta componente agrega, como mencionado
anteriormente, todo consumo de energia que não seja classificado nos demais setores, como
pesca, agricultura e outros fatores que podem diferir muito entre os países da Europa.
Por fim, é importante destacar que os setores industrial e outros apresentaram um valor
p para o modelo VAR baixo., enquanto os setores residencial e comercial apresentaram um
mais elevado. Assim, é interessante notar que apesar do setor “outros” não ter um modelo de
regressão linear significativo, o mesmo pode ser bem descrito pelo modelo autoregressivo.
Dessa forma, é possível inferir que, apesar do comportamento da elasticidade-renda dos
países não ser parecido como esperado, os dados apresentaram bom desempenho nos modelos
de regressão linear simples e indicam que é possível realizar um planejamento agregado
confiável.
5.2.2 Países da América Latina
A análise de elasticidade-renda também foi realizada para os países da América Latina
e, assim como para os da Europa, os dados apresentaram uma grande discrepância dentro do
51
bloco como um todo. No entanto, é possível observar alguns subgrupos nos diferentes setores
da economia, os quais serão mencionados a seguir.
Figura 20: Elasticidades dos países da América Latina para o setor comercial. Fonte: elaboração
própria.
Figura 21: Elasticidades dos países da América Latina para o setor industrial. Fonte: elaboração
própria.
52
Figura 22: Elasticidades dos países da América Latina para o setor industrial. Fonte: elaboração
própria.
No setor comercial, observa-se que o Brasil, Argentina, Honduras, México e Costa Rica
apresentam valores de elasticidade-renda próximos. No setor industrial, o subgrupo de países
existente no setor comercial não pode ser observado. Países com elasticidades-renda próximas
são México, Chile e Argentina. No setor residencial nota-se a presença de um terceiro
subgrupo de países, diferente dos existentes nos demais setores. Nesse setor, Brasil, Uruguai,
Venezuela e Suriname apresentam valores de elasticidade-renda próximos.
Diante dos resultados apresentados percebe-se que a América Latina também não
apresenta um padrão quanto a elasticidade e buscou-se realizar análises estatísticas para os
dados agrupados. Isso significa que um único PIB per capita e um único consumo per capita
foi calculado, para cada setor econômico a cada ano, para a América Latina como um todo.
As Tabelas 6 e 7, adiante, resumem os resultados obtidos para a América Latina.
Tabela 6: Resultados para a América Latina para os setores residencial e industrial
Setor Cointegração
(p valor) Elasticidade
Regressão
(p valor)
VAR
(p valor)
Residencial < 1% 1,42 0,00% 0,00%
Industrial < 1% 1,20 0,00% 8,00%
Tabela 7: Resultados para a América Latina para os setores comercial e outros
Setor Cointegração
(p valor) Elasticidade
Regressão
(p valor)
Coeficiente da componente
de correção de erros
VEC
(p valor)
Comercial > 10% 1,56 0,00% -0,23 0,02%
Outros > 10% 2,14 0,00% 0,46 12,48%
53
Os resultados indicam que, na América Latina, os setores comercial e “outros”
apresentam cointegração e, com isso, o modelo vetorial autoregressivo estimado foi o VEC.
Enquanto para os setores residencial e industrial, foi estimado o modelo VAR, uma vez que
não foi possível comprovar a hipótese de não-cointegração ao nível de significância de 10%.
Diante disso, analisando os resultados do modelo VEC estimado para os setores
comercial e “outros”, percebe-se que o coeficiente da componente de correção de erro se
distancia de zero, apontando que o modelo se afasta da tendência de longo prazo. As
estimações dos coeficientes da componente de correção de erros (ECT), utilizados para medir
a velocidade de convergência do desequilíbrio de curto prazo ao equilíbrio de longo prazo,
obtidas foram de -0,23 para o setor comercial e de 0,46 para o outros. Em outras palavras,
aproximadamente, 23% e 46% da discrepância entre o valor efetivo e o valor de longo prazo,
ou de equilíbrio, são corrigidos a cada ano para as mencionadas categorias.
Além disso, a elasticidade de todos os setores econômicos da América Latina
apresentou resultados significativamente maiores do que 1, sendo próximos a 1,5 para as
divisões residencial e comercial. Já para o setor industrial, a elasticidade é de 1,20 e para o
grupo outros é superior a 2. Isso indica que o consumo de energia varia de forma mais
acentuada que o PIB.
Cabe observar que as regressões são significativas para todos os setores, uma vez que o
p valor apresentado foi muito baixo, menor do que 0,001%. Com isso, é possível inferir que,
apesar do comportamento de elasticidade dos países da América Latina não ser o esperado, os
dados apresentaram bom desempenho nos modelos econométricos estimados e indicam que é
possível realizar um planejamento agregado confiável, assim como na Europa.
Por fim, é importante destacar que o setor residencial apresentou um p valor para o
modelo VAR bastante baixo, diferentemente do setor industrial, cujo p valor foi relativamente
elevado. O setor comercial, por sua vez, exibiu um p valor baixo para o modelo VEC,
enquanto o setor “outros” mostrou um p valor superior a 10%.
54
6. Conclusão e Comentários finais
Como abordado ao longo do presente trabalho, a previsão de demanda de eletricidade é
uma questão de extrema importância na atualidade. A superestimação da demanda gera
superinvestimentos na capacidade de geração, causando tarifas mais elevadas que o
necessário. Por outro lado, a sua subestimação resulta em escassez de provisão e cortes de
energias forçados, os quais podem ser muito prejudiciais para a economia e segurança da
população. Dessa forma, as previsões de demanda de eletricidade precisam ser confiáveis e
assertivas para o planejamento da expansão de longo prazo do sistema elétrico.
Ao analisar a relação entre o consumo de eletricidade histórico per capita e o PIB per
capita de 143 países ao longo de 24 anos, percebe-se uma tendência de desaceleração do
crescimento do consumo e, em alguns casos, ocorrendo até mesmo um decrescimento da
demanda energética por habitante. Isso é evidenciado pelo fato da relação entre as duas
variáveis ser melhor explicado por uma regressão polinomial do que por uma linear.
Vale, ainda, comentar que se esperava que a relação entre o consumo e o PIB fosse
parecida para países com o nível similar de desenvolvimento econômico e/ou localização
próxima. No entanto, não foi possível encontrar padrões, que fizessem sentido a priori, ao
analisar os mapas com a representação gráfica dos resultados e os mapas detalhados para os
países da Europa e da América Latina. O estudo indica dessa forma, que esta hipótese,
frequentemente utilizada nas previsões de demanda para comparar a situação do país com a de
regiões próximas e com nível de desenvolvimento similar, não pode ser comprovada.
Apesar das diferenças e falta de um padrão observadas, os resultados obtidos para as
análises agregadas foram satisfatórios, obtendo sempre pelo menos um modelo
estatisticamente significativo, com p valores baixos. Isso indica que o planejamento agregado
faz sentido e pode potencializar os benefícios da integração energética. Isso ocorreria por
meio da redução da necessidade de nova capacidade de geração, ao explorar os distintos
comportamentos individuais, que quando agregados tendem a ser bem-comportados.
Outro ponto de relevância observado foi a diferença entre a elasticidade-renda obtida na
análise dos países desenvolvidos, mais especificamente da Europa, e dos em
desenvolvimento, representados na análise detalhada pela América Latina. A diferença foi
ainda maior nos setores residencial e industrial, nos quais a elasticidade agregada da Europa
foi praticamente um terço da encontrada para a América Latina. Esse comportamento já era de
certa forma esperado, dada a tendência de aumento da eficiência energética e consumo
consciente, as quais vem incentivando a desaceleração do crescimento e até redução da
55
demanda, de forma que o mesmo varie em menor intensidade que o PIB. Por outro lado, nos
países em desenvolvimento estas tendências ainda são pouco relevantes e não impactam tanto
a relação entre PIB e consumo, de forma que as variações na economia gerem flutuações
ainda maiores na demanda elétrica.
Além disso, é curioso notar que o setor designado como “outros” na Europa parece ter
comportamento bastante divergente de um país para o outro, apresentando modelos de
regressão linear não-significativos, mas sendo bem representado pelo modelo VAR. Já na
América Latina, essa categoria parece ser mais similar entre os países, obtendo uma regressão
significativa a menos de 0,001% e apresentando uma elasticidade elevada, superior a 2.
Por fim, para possíveis melhorias do presente estudo, poder-se-ia testar outros modelos
de previsão, adicionar novas variáveis explicativas, como por exemplo a tarifa elétrica, e
utilizar um período de análise mais extenso, uma vez que o tamanho da amostra utilizado
compromete a robustez dos resultados aqui obtidos. Seria interessante, ainda, realizar um
estudo mais aprofundado da correlação entre os distintos setores de consumo e da
variabilidade das previsões de longo prazo, utilizando-se aí modelos heterocedásticos.
56
Referências Bibliográficas
BELKE, A., DREGER, C. E DE HAAN, F., 2010, "Energy Consumption and Economic
Growth - New Insights into the Cointegration Relationship", Ruhr Economic Papers, v. 190.
BELLOUMI, M., 2009, "Energy consumption e GDP in Tunisia: Cointegration e causality
analysis", Elsevier, v. 37, pp. 2745–2753.
BÖHRINGER, C. E F. RUTHERFORD, T., 2008, "Combining bottom-up e top-down",
Elsevier, v. 30, pp. 574–596.
DE CASTRO, N. J. E BRANDÃO, R., 2009, "A Crise Econômico-Financeira e os Impactos
no Setor Elétrico Brasileiro". Disponível em: <http://www.gesel.ie.ufrj.br/>. Acesso em:
13/08/2017.
CÉSAR, B., ORG, A., SILVA, A., SILVA, A., COELHO, D., FREITAS, F., CONCEIÇÃO,
J., KUBOTA, L., BAHIA, L., MENDONÇA, A., ALVES, P. E FREITAS, R., 1996, "Os
Métodos Estatísticos aplicados à Economia segundo Cinco Abordagens", IPEA.
EDP Brasil, 2017, "História da energia". Disponível em:
<http://www.edp.com.br/pesquisadores-estudantes/energia/historia-da-
energia/Paginas/default.aspx>. Acesso em: 10/07/2017.
EMILIANO, P. C., VEIGA, E., VIVANCO, M. E MENEZES, F., 2010, "Critérios de
informação de Akaike versus Bayesiano: análise comparativa". Simpósio Nacional de
Probabilidade e Estatística, São Pedro, São Paulo, Brasil, 26 - 30 Julho.
EPE, 2011, "Projeção da demanda de energia elétrica".
O ESTADO DE SÃO PAULO, 2011, "Integração energética no Mercosul". Disponível em:
<http://economia.estadao.com.br/noticias/geral,integracao-energetica-no-mercosul-imp-
,684334>. Acesso em: 27/11/2017.
FERREIRA, R. V., 2006, Previsão de Demanda: Um Estudo de Caso para o Sistema
Interligado Nacional. Tese de M.Sc., PPGEE/UFMG, Belo Horizonte, MG, Brasil.
57
FINKLER, A., FINKLER, D., CASTRO, J. E MIKE, T., 2016, "Relação do crescimento
econômico e consumo de energia elétrica". Seminário de Iniciação Científica da UNIJUÍ,
Ijuí, Rio Grande do SUl, Brasil.
FIORI, A. F. E LOPES, C. C., 2014, "Análise de um Modelo VEC para Explicar as Variações
da Taxa de Câmbio". Congresso de Matemática Aplicada e Computacional, Curitiba, Paraná,
Brasil.
GUJARATI, D. N., 2004, Basic Econometric. 4 ed. New York, The McGraw−Hill
Companies.
HOFFMANN, R., 2016, Análise de regressão: uma Introdução à Econometria. 4 ed.
Piracicaba, HUCITEC.
HUANG, Y., 2014, "Drivers of rising global energy demand: The importance of spatial lag e
error dependence", Elsevier, v. 76, pp. 254–263.
IEA, 2017, "Statistics". Disponível em: < https://www.iea.org/statistics/statisticssearch/>.
Acesso em: 15/08/2017.
IEA, 2017, "Energy Access Outlook 2017: From poverty to prosperity".
IEEE, 2008, "World Energy Consumption".
JAMIL, F., AHMAD, E., 2011, "Income e price elasticities of electricity demand: Aggregate
e sector-wise analyses", Elsevier, v. 39, pp. 5519–5527.
KRAFT, J., KRAFT, A., 1978, "On the Relationship between Energy e GNP", Journal of
Energy Development, v. 3, pp. 401–403.
LEE, C. C., 2005, "Energy consumption e GDP in developing countries: A cointegrated panel
analysis", Energy Economics, v. 27, pp. 415–427.
MAGAZZINO, C., 2014, "Electricity demand, GDP e employment: Evidence from Italy",
Frontiers in Energy, v. 8, pp. 31–40.
MATOS, O. C. DE, 1995, Econometria básica - Teroria e aplicações. 3 ed. Salvador, Atlas.
58
ONU, 2017, "Sustainable development goals". Disponível em:
<http://www.un.org/sustainabledevelopment/>. Accessado em: 10/11/2017.
PEIXOTO, P. DA S., 2005, O Uso de modelos econométricos em empresas. Tese de B.Sc.,
IME/USP, São Paulo, SP, Brasil.
SALLES, A., 2005, "Notas de aula: análise de regressão", mimeo.
STEINBUKS, J., 2017, "Assessing the Accuracy of Electricity Demand Forecasts in
Developing Countries". Disponível em: < http://www.worldbank.org/en/research>. Acesso
em: 15/06/2017.
TORMAN, V. B. L., COSTER, R., RIBOLDI, J., 2012, "Normalidade de variáveis: métodos
de verificação e comparação de alguns testes não-paramétricos por simulação", Revista
HCPA, v. 32, pp. 227–234.
WORLD BANK, 2017, "Indicators". Disponível em: < https://data.worldbank.org/indicator/>.
Acesso em: 20/08/2017.
59
Anexo
Tabela 8-A: Resultados para o setor residencial
País Elasticidade P valor
(regressão)
Coeficiente
do ECT
P valor
(VEC)
P valor
(VAR)1 LAG
Albania 1.372 0.0000% 0.028 4.0839% 9.9317% 2
Algeria 1.131 0.0510% -0.464 14.6015% 35.9990% 2
Angola 2.274 0.0000% 0.124 0.0145% 1.3598% 3
Argentina 1.528 0.0000% -0.051 0.0000% 0.0016% 2
Armenia 0.313 0.8917% -0.878 0.1313% 1.1955% 2
Australia 0.449 0.0000% 0.045 25.2745% 0.0426% 2
Austria 0.870 0.0000% 0.025 34.1220% 2.3918% 2
Azerbaijan 0.056 79.1278% 0.211 0.0012% 0.1091% 3
Bahrain 0.115 72.0613% -1.468 7.5650% 3.0147% 3
Bangladesh 0.132 5.4150% 0.010 39.1581% 22.2614% 2
Belarus 0.306 0.0000% -0.470 19.9719% 5.9715% 2
Belgium -0.219 35.9992% 0.035 36.4980% 0.4001% 2
Benin -1.324 0.6814% -0.483 5.0453% 18.0414% 2
Bolivia 0.672 0.0000% -0.435 1.8129% 37.8794% 2
BosniaeHerzegovina 0.374 0.0000% -0.158 0.0330% 4.3391% 2
Botswana 0.502 0.8008% -0.094 55.9710% 8.6756% 2
Brazil 1.022 0.0000% -0.316 0.1391% 0.0433% 2
Brunei Darussalam -9.280 0.0003% -0.460 43.6005% 5.2788% 2
Bulgaria 0.194 0.1210% -0.147 28.0562% 57.8937% 2
Cambodia 0.777 0.0017% -1.316 0.0000% 2.2838% 3
Cameroon 1.604 0.0713% -0.323 3.4387% 1.7786% 2
Canada -0.022 67.2690% -0.099 82.4187% 5.8306% 2
Chile 0.627 0.0000% -0.215 39.1363% 29.3681% 2
China 1.247 0.0000% -0.592 0.0000% 0.0439% 2
Colombia 0.458 0.0962% -0.432 1.1416% 0.5129% 2
Costa Rica 0.581 0.0000% 0.034 0.6962% 0.0912% 3
Croatia 0.650 0.0000% -0.703 7.0717% 19.0097% 2
Cyprus 2.319 0.0000% -0.824 0.0363% 0.0022% 3
Czech Republic -0.053 33.0067% -0.651 2.4315% 42.3501% 3
Denmark -0.197 0.1727% 0.041 17.9050% 63.8578% 2
Dominican Republic 0.095 5.3834% -1.183 0.1959% 5.2519% 2
Ecuador 1.464 0.0000% -0.361 0.2114% 0.0627% 2
El Salvador 0.950 0.0000% -0.015 5.2388% 25.3515% 2
Estonia 0.652 0.0000% -0.257 2.9952% 11.8716% 3
Ethiopia -0.686 9.9778% -0.122 0.1270% 0.2256% 2
Finland 0.531 0.0000% -0.650 0.2801% 42.7743% 2
France 1.122 0.0000% 0.180 0.0398% 3.8530% 3
Gabon -0.698 10.8988% -0.148 12.0019% 11.5382% 2
Georgia 0.159 7.7474% -0.943 0.0933% 77.0816% 2
Germany 0.286 0.1968% 0.065 90.4780% 54.8683% 2
Ghana -0.779 0.0062% 0.001 73.4828% 38.9692% 2
Greece 1.144 0.0000% 0.127 0.5822% 1.5711% 3
Guatemala 1.862 0.0000% -0.110 11.7433% 21.3030% 2
Haiti 3.899 0.9620% -0.653 46.8197% 26.4127% 2
Honduras 1.325 0.0000% -0.121 0.0020% 0.0210% 3
Hungary 0.352 0.0000% 0.027 3.9589% 6.6341% 2
Iceland 0.619 0.0000% -0.450 0.9966% 0.1327% 2
India 0.704 0.0000% -0.368 0.0538% 20.6672% 2
Indonesia 1.528 0.0000% 0.005 0.0006% 82.8598% 2
60
Tabela 8-B: Resultados para o setor residencial (continuação)
País Elasticidade P valor
(regressão)
Coeficiente do
ECT
P valor
(VEC)
P valor
(VAR)1 LAG
Iraq 0.780 34.1245% -0.969 16.5029% NA 3
Ireland 0.472 0.0000% -0.441 0.2512% 1.0910% 2
Israel 1.235 0.0000% -0.041 0.0254% 18.5905% 2
Italy 0.953 0.0000% -0.283 0.0003% 0.0013% 2
Jamaica 1.411 11.7656% -0.250 22.9211% 2.6088% 2
Japan 2.205 0.0000% -0.104 0.0122% 1.3021% 2
Jordan 2.574 0.0000% -0.235 0.0000% 0.0555% 2
Kazakhstan 0.443 0.0014% -0.156 32.7124% 27.0433% 3
Kenya -1.361 6.9233% -0.204 1.9869% 41.9016% 2
Kuwait -0.111 39.2363% 0.000 66.1174% 5.5254% 2
Kyrgyzstan 1.624 0.0002% -0.308 7.7564% 2.2754% 2
Latvia 0.798 0.0000% -0.304 0.0022% 0.0454% 3
Lebanon 1.438 0.3734% -0.378 0.1000% 0.0872% 2
Libya 0.402 11.1874% -1.799 1.2664% 27.6593% 3
Lithuania 0.864 0.0000% -0.370 0.0331% 1.3765% 2
Luxembourg 0.290 0.0115% -0.554 3.6279% 11.9192% 2
Malaysia 1.293 0.0000% -0.653 0.0591% 57.1483% 3
Malta -0.070 81.8166% -1.161 33.2422% 47.8295% 3
Mauritius 0.866 0.0000% -0.173 0.0122% 88.9368% 3
Mexico 2.051 0.0000% -0.428 0.0000% 0.2443% 2
Moldova 0.262 4.2031% -1.079 46.1506% 50.7921% 3
Mongolia 0.627 0.0000% -0.311 16.7675% 32.0386% 3
Montenegro 0.436 7.6441% -1.129 15.9015% NA 3
Morocco 1.016 0.0000% -1.531 1.9993% 41.5053% 3
Mozambique -0.330 28.0366% -0.100 11.6798% 36.1376% 3
Nepal -2.645 0.1106% -0.634 0.0001% 1.6493% 2
Netherlands 0.550 0.0000% -0.590 0.0097% 13.0426% 2
New Zealand -0.017 66.3821% 0.022 58.9414% 13.2713% 3
Nicaragua 1.422 0.0000% 0.070 11.5389% 3.2212% 2
Niger 1.875 1.5274% -0.561 82.8647% 0.9489% 3
Nigeria 0.397 0.5369% -0.170 11.0123% 5.0970% 3
Norway -0.073 26.2585% -0.066 35.6167% 89.9153% 2
Oman -0.749 11.5488% -2.160 0.0250% NA 2
Pakistan 0.622 0.0052% -0.493 0.0895% 19.1239% 2
Panama 0.714 0.0000% -0.082 0.0027% 78.6968% 2
Paraguay 0.778 7.2841% -0.322 0.0892% 0.1609% 2
Peru -0.034 64.4114% -0.734 2.1329% 22.7994% 2
Philippines 0.697 0.0162% -0.024 61.9505% 5.2547% 2
Poland 0.533 0.0000% -0.060 6.3176% 5.3661% 2
Portugal 2.400 0.0000% -0.329 0.0140% 0.0589% 2
Qatar 1.240 20.1595% -0.559 15.5501% 46.0868% 3
Romania 0.936 0.0000% -0.673 0.0007% 0.0651% 2
Saudi Arabia 0.895 0.0003% -1.320 0.0274% 14.0592% 3
Senegal 2.122 0.0000% -0.020 42.9026% 44.9121% 2
Serbia -0.258 0.0623% -0.642 15.6027% 52.2229% 2
Singapore 0.465 0.0790% -0.047 0.0635% 0.0412% 2
Slovakia -0.122 8.0132% -0.269 0.0026% 0.0429% 2
Slovenia 0.452 0.0001% -0.419 17.4187% 77.4109% 2
Spain 1.978 0.0000% -0.358 0.0472% 1.7380% 2
Sri Lanka 1.038 0.0000% -0.001 1.3518% 19.5208% 2
Sudan 1.889 0.0000% -0.261 5.5030% 18.8641% 3
Suriname 1.145 0.0000% -0.004 2.7048% 1.0358% 2
Sweden -0.200 0.5954% -0.570 10.1267% 52.8266% 2
Switzerland 0.612 0.0000% 0.567 2.9659% 34.3081% 3
Tajikistan -0.360 2.0285% -0.574 1.4134% 0.4299% 3
61
Tabela 8-C: Resultados para o setor residencial (continuação)
País Elasticidade P valor
(regressão)
Coeficiente
do ECT
P valor
(VEC)
P valor
(VAR)1 LAG
Tanzania -0.342 6.7004% -0.372 50.5767% 1.2237% 3
Thailand 1.030 0.0000% -0.346 0.0001% 0.5995% 2
Togo -1.684 48.4883% -0.425 0.0040% 0.0805% 3
TrinidadeTobago 0.736 0.0000% -0.301 0.0070% 31.4436% 3
Tunisia 1.240 0.0000% -0.268 0.0003% 8.5896% 2
Turkey 1.812 0.0000% -0.052 0.0070% 1.3948% 2
Turkmenistan 0.537 0.0000% -0.169 5.0670% 4.5262% 3
UAE 0.308 0.0072% -0.888 0.1036% 1.8810% 2
United Kingdom 0.312 0.1374% 0.092 11.8643% 3.9545% 3
Ukraine 0.263 11.6899% -0.196 1.4891% 1.6627% 2
Uruguay 0.966 0.0000% -0.119 0.0123% 0.0064% 3
USA 0.619 0.0000% -0.108 5.3852% 39.4460% 2
Uzbekistan -0.161 0.0001% -0.989 0.0428% 9.7974% 2
Viet Nam 1.910 0.0000% -0.129 0.0000% 0.0001% 2
Zambia 0.842 0.0009% -0.242 25.0911% 27.6107% 2
Zimbabwe -0.390 0.0158% 0.586 28.4633% 1.7086% 3
Congo 1.974 2.3778% -0.431 1.6680% 0.7843% 2
Coteivoire 1.073 2.1028% -0.019 1.3329% 16.2546% 3
Egypt 1.779 0.0000% -0.341 0.0000% 0.0078% 3
Russia -0.043 57.8318% -0.220 44.6788% 10.3015% 2
Venezuela 0.964 0.1126% 0.034 0.3129% 0.0121% 2
Yemen 0.275 36.4016% -0.390 1.7257% 12.3866% 2
DRC 3.263 0.0001% -0.249 0.1375% 4.1868% 2
Hong Kong 0.552 0.0000% -0.340 0.0055% 95.1278% 2
Iran 1.552 0.0000% 0.112 0.0707% 4.3985% 2
Tabela 9-A: Resultados para o setor comercial
País Elasticidade P valor
(regressão)
Coeficiente
do ECT
P valor
(VEC)
P valor
(VAR)1 LAG
Albania 2.511 0.0001% -1.083 0.0000% 0.0006% 3
Argentina 1.325 0.0104% -0.123 0.0109% 12.5476% 2
Armenia 0.523 0.5601% -0.320 1.7265% 0.3238% 3
Australia 1.180 0.0000% -0.057 5.0821% 0.3964% 2
Austria 0.436 0.0087% -0.279 30.4697% 2.3801% 2
Azerbaijan 0.467 4.1259% -0.402 8.1710% 6.6426% 2
Bangladesh 1.315 0.0000% 0.018 5.6604% 6.4690% 2
Belarus 0.310 0.0051% -0.077 6.8612% 0.5072% 3
Belgium 2.087 0.0000% 0.034 17.5414% 2.0428% 2
Benin 2.249 40.8136% -0.138 15.1718% 8.4850% 2
Bolivia 2.343 0.0000% 0.267 0.0001% 0.2806% 2
BosniaeHerzegovina 0.464 0.0000% -0.122 51.7389% NA 3
Botswana 0.664 0.0198% -0.093 13.1423% 0.0935% 2
Brazil 1.061 0.0000% -0.207 0.5255% 2.5204% 2
BruneiDarussalam -0.539 10.7013% -0.254 0.3431% 0.3135% 2
Bulgaria 2.066 0.0000% 0.131 0.0713% 0.1296% 3
Cambodia 2.332 0.0000% 0.120 0.0006% 3.8818% 2
Cameroon 3.135 0.0029% -0.187 18.3615% 5.4857% 2
Canada -9.306 0.7041% -47.918 25.8014% NA 2
Chile 2.728 0.0000% -0.055 1.1005% 1.8033% 2
China 0.975 0.0000% -0.414 0.0000% 8.3823% 2
Colombia 0.838 0.0000% -0.434 0.0046% 1.2504% 2
62
Tabela 9-B: Resultados para o setor comercial (continuação)
País Elasticidade P valor
(regressão)
Coeficiente
do ECT
P valor
(VEC)
P valor
(VAR)1 LAG
Costa Rica 1.224 0.0000% 0.184 0.0005% 0.2221% 3
Croatia 1.547 0.0000% -0.458 0.0130% 1.5128% 3
Cyprus 1.678 0.0000% 0.148 11.4254% 0.0011% 2
Czech Republic 0.774 0.0000% -0.067 0.6729% 41.1615% 2
Denmark 0.446 0.0000% 0.058 10.0829% 0.0337% 2
DominicanRepublic 0.469 3.4234% 0.021 89.8314% 46.6893% 2
Ecuador 2.387 0.0000% 0.197 0.3061% 0.5045% 3
El Salvador -0.065 86.5163% 0.000 97.4588% 1.5517% 2
Estonia 0.980 0.0000% -0.311 0.1842% 11.5468% 2
Ethiopia 1.557 0.0000% -0.071 0.0017% 0.2046% 2
Finland 0.819 0.0000% -0.421 0.2069% 1.6800% 2
France 1.104 0.0000% -0.558 0.2130% 21.0474% 2
Gabon 0.201 25.5261% 0.966 8.8000% 38.4274% 3
Georgia 0.459 8.8809% -0.607 2.5631% 6.4725% 2
Germany 1.238 0.0000% -0.127 10.0843% 2.2978% 2
Ghana 0.904 0.0000% -0.499 7.0556% 7.7416% 2
Greece 1.528 0.0000% -0.043 0.3237% 2.9365% 3
Guatemala 1.176 0.1199% -0.652 6.8233% 30.2627% 3
Honduras 1.326 0.0000% 0.128 6.7517% 23.7179% 3
Hungary 0.541 0.2073% -0.240 64.9325% 4.2279% 2
Iceland 0.958 0.0000% -0.992 0.0130% 10.6478% 2
India 1.095 0.0000% 0.062 0.0000% 6.2964% 2
Indonesia 2.316 0.0001% -0.018 0.1325% 4.0448% 3
Ireland 0.680 0.0511% 0.020 14.0800% 2.2097% 2
Italy 2.293 0.0000% -0.177 0.0005% 0.4086% 2
Jamaica 0.142 84.1970% -0.029 84.1439% 13.4679% 2
Japan 2.200 0.0000% -0.200 0.0024% 0.1816% 3
Jordan 2.475 0.0000% -1.022 0.0011% 0.0228% 3
Kazakhstan 1.729 0.4771% -1.996 67.0380% NA 2
Kenya 2.897 0.0010% -0.481 0.5218% 18.8376% 2
Kyrgyzstan 0.233 71.5723% -5.605 91.6739% NA 3
Latvia 0.843 0.0000% -0.213 0.2812% 2.7020% 3
Lebanon 0.873 0.9352% -0.528 0.0044% 1.2128% 2
Libya 0.126 95.1371% -0.288 14.6258% NA 2
Lithuania 0.913 0.0000% -0.833 0.0749% 10.1486% 3
Luxembourg 1.497 0.0000% -0.063 2.2730% 0.6107% 2
Malaysia 0.973 0.0000% 0.810 0.5483% 67.8140% 3
Malta 1.320 0.0077% -0.447 8.0571% 40.9495% 2
Mauritius 1.220 0.0000% 0.402 0.4650% 50.6570% 3
Mexico 1.361 0.0000% -0.353 0.5248% 0.5326% 2
Moldova 0.140 24.1853% -0.283 20.8614% 34.1733% 2
Morocco 1.974 0.0000% -0.154 1.0807% 55.2375% 3
Mozambique -0.005 98.4340% -0.198 79.3246% 53.5046% 3
Nepal 2.399 0.0000% -0.819 0.0368% 0.5533% 3
Netherlands 1.047 0.0000% -0.280 1.5487% 0.1585% 2
New Zealand 0.773 0.0000% -0.492 0.1670% 0.0609% 3
Nicaragua 2.271 0.0000% 0.008 0.0519% 0.0088% 2
Nigeria 0.341 0.0001% -0.121 46.9833% 24.3869% 2
Norway 0.363 1.0554% -0.075 2.4368% 16.6663% 3
Pakistan 0.926 0.0000% -0.445 2.3698% 3.2031% 2
Panama 0.960 0.0000% -0.052 0.0013% 6.1706% 3
Paraguay 3.982 0.0000% -0.466 26.7177% 4.4793% 3
Peru 3.175 0.0000% 0.103 51.5898% 27.6199% 2
Philippines 1.049 0.0000% -0.005 30.3814% 1.1786% 2
63
Tabela 9-C: Resultados para o setor comercial (continuação)
País Elasticidade P valor
(regressão)
Coeficiente
do ECT
P valor
(VEC)
P valor
(VAR)1 LAG
Poland 1.210 0.0000% -0.584 0.6311% 1.7966% 2
Portugal 2.371 0.0000% 0.007 0.0000% 0.1144% 2
Qatar 0.105 57.7145% -0.429 24.4437% 90.3362% 2
Romania 1.100 0.0000% -0.869 0.0001% 2.2257% 3
Saudi Arabia 1.087 0.0720% -0.633 3.0367% NA 3
Senegal 4.931 0.0000% -0.558 3.2192% 0.2582% 2
Serbia 4.305 0.0000% 0.007 41.7335% 27.5025% 3
Singapore 0.784 0.0000% -0.016 0.0046% 1.4490% 2
Slovakia 0.418 0.2837% 0.038 3.2945% 52.8347% 2
Slovenia 0.801 0.0006% -0.991 0.2081% 61.9692% 2
Spain 2.111 0.0000% -0.710 0.0297% 0.4424% 2
Sri Lanka 0.688 0.0004% 0.006 50.7343% 0.7322% 2
Sudan 2.299 0.0000% 0.043 88.0660% 5.8131% 2
Suriname 2.104 0.0078% -0.632 21.3765% 1.1569% 2
Sweden -0.010 87.1570% -0.730 3.4469% 18.1522% 3
Switzerland 0.546 0.0000% 0.206 10.2525% 2.9952% 2
Tajikistan 0.254 21.1794% -0.445 17.5050% 12.3022% 2
Tanzania 0.794 0.0065% -0.281 2.8337% 14.1640% 2
Thailand 1.553 0.0000% -0.611 1.0312% 2.8552% 2
Togo -0.669 11.8518% -0.254 1.6757% 0.8445% 2
TrinidadeTobago 1.164 0.0000% -0.337 0.4222% 10.3631% 2
Tunisia 1.732 0.0000% -0.527 0.0032% 0.0145% 2
Turkey 1.953 0.0000% -0.230 0.0001% 1.2527% 3
United Kingdom 0.361 0.0000% 0.049 11.3514% 14.4650% 3
Ukraine 1.013 0.0000% -0.698 29.6212% 23.8412% 2
Uruguay 1.688 0.0000% 0.041 3.3864% 0.0599% 2
USA 0.516 0.0000% -0.176 5.6006% 0.7067% 2
Uzbekistan -0.077 10.6340% -1.879 0.0000% 0.4919% 3
Zambia -0.730 0.0000% -0.523 2.0090% 0.4701% 2
Zimbabwe 0.110 30.6793% -0.092 93.7145% 16.9863% 2
Russia 1.261 0.0000% -0.490 1.7469% 2.9400% 2
Venezuela 0.439 0.2723% -0.355 1.9453% 27.6557% 2
Yemen 1.456 12.8925% 0.000 92.3889% 43.9004% 2
Iran 1.280 0.0000% 0.163 34.7944% 0.2881% 2
Egypt 1.984 0.0000% -0.025 0.0108% 33.0817% 2
DRC -0.468 77.5415% 0.110 92.9746% 57.9215% 3
Hong Kong 0.265 0.0001% -0.252 0.0089% 1.0238% 3
Tabela 10-A: Resultados para o setor industrial
País Elasticidade P valor
(regressão)
Coeficiente do
ECT
P valor
(VEC)
P valor
(VAR)1 LAG
Albania 0.487 0.0729% -0.568 9.9305% 11.0635% 2
Algeria 0.716 0.0621% 0.027 3.3208% 5.3959% 2
Angola 0.777 1.1522% -1.182 0.7126% NA 3
Argentina 1.292 0.0000% 0.016 0.0504% 2.4461% 2
Armenia 0.292 0.2426% 0.142 5.8846% 1.8980% 3
Australia -0.079 49.1041% -0.203 49.1112% 21.0767% 2
Austria 1.464 0.0000% -0.454 2.0222% 10.5733% 3
Azerbaijan 0.013 91.9538% -0.211 6.8358% 25.7905% 2
Bangladesh 1.936 0.0000% 0.269 0.1087% 9.1977% 2
Belarus 0.143 0.5958% -1.034 0.5687% 1.1808% 3
Belgium 1.326 0.0002% -0.382 22.9007% 48.2144% 2
Benin -0.236 0.0664% 0.052 48.2784% 57.7489% 3
64
Tabela 10-B: Resultados para o setor industrial (continuação)
País Elasticidade P valor
(regressão)
Coeficiente
do ECT
P valor
(VEC)
P valor
(VAR)1 LAG
Bolivia 0.649 0.0000% -0.643 0.2074% 1.1090% 3
BosniaeHerzegovina 1.749 0.0010% -0.555 7.3862% 28.3088% 3
Botswana 0.892 1.1364% -0.123 51.4153% 3.4717% 2
Brazil 0.270 12.5791% -0.052 55.8264% 36.7815% 2
Brunei Darussalam -2.520 0.0109% -0.570 11.2497% 13.8026% 2
Bulgaria 0.018 87.3832% -0.461 0.5909% 2.0367% 2
Cambodia 2.417 0.0000% -0.255 0.0011% 2.0445% 2
Cameroon 0.520 32.3879% -0.022 93.6960% 11.7513% 2
Canada 0.802 7.4981% -0.409 54.9585% NA 2
Chile 1.447 0.0000% 0.022 0.0148% 0.0187% 3
China 1.009 0.0000% 0.027 0.0000% 0.0463% 2
Colombia 0.407 0.0048% -0.364 3.9042% 41.8157% 2
Costa Rica 1.134 0.0000% -0.060 1.0179% 1.4643% 2
Croatia 0.858 0.0000% -1.047 28.4571% 40.6407% 2
Cyprus 0.415 0.0038% -0.084 0.3003% 0.1531% 3
Czech Republic 0.618 0.0000% -0.194 60.5368% 8.1059% 2
Denmark 0.364 1.9451% 0.043 2.8362% 0.6444% 2
Dominican Republic 3.501 0.0000% -0.158 10.9973% 3.8912% 2
Ecuador 1.690 0.0000% -0.392 10.3062% 14.5853% 2
El Salvador 2.536 0.0000% -0.017 27.6622% 29.7895% 2
Estonia 0.339 0.0000% -0.460 16.3779% 39.7021% 3
Ethiopia 0.647 0.0001% 0.136 10.2392% 3.2570% 2
Finland 0.518 0.0000% 0.676 9.4747% 15.2271% 2
France 1.899 0.0006% 0.198 52.1076% 10.9600% 2
Gabon 0.390 6.4825% -0.022 3.8957% 10.3702% 2
Georgia 0.382 11.0728% -0.033 72.9288% 1.3557% 2
Germany 0.573 0.0156% -0.238 13.4928% 4.0861% 2
Ghana -0.369 6.7078% -0.031 77.9879% 9.6346% 2
Greece 0.304 0.0537% -1.374 0.0279% 4.0141% 2
Guatemala 2.176 0.2411% -0.662 0.0003% 5.6759% 2
Honduras 0.830 0.0001% 0.183 33.0951% 1.2825% 3
Hungary 0.653 0.8556% 0.274 66.8795% 48.5498% 2
Iceland 2.895 5.8602% -0.170 0.5861% 1.6094% 2
India 0.799 0.0000% -0.001 0.0065% 0.2887% 2
Indonesia 1.199 0.0000% -0.337 0.9502% 43.7093% 2
Ireland 0.166 5.0787% -0.511 1.3158% 3.7043% 2
Italy 1.161 0.0042% -0.093 36.8455% 1.0182% 2
Jamaica 2.401 0.4899% -0.003 91.7877% 9.4899% 2
Japan 1.636 0.0000% 0.069 28.6801% 3.0480% 2
Jordan 0.670 0.0000% -0.373 1.5066% 21.7134% 2
Kazakhstan 0.739 0.0009% -0.899 0.5180% 0.0992% 2
Kenya 0.278 0.0483% -0.332 36.1898% 15.4556% 2
Kyrgyzstan -0.499 12.6447% -0.538 0.1486% 11.1631% 2
Latvia 0.555 0.0000% -0.927 32.9724% 0.9196% 3
Lebanon -0.277 41.2392% -0.441 0.1449% 5.7063% 3
Libya 0.930 6.7622% -0.677 5.1085% NA 2
Lithuania 0.520 0.0000% 0.293 3.2334% 17.2921% 2
Luxembourg 0.678 0.0961% -0.336 45.8010% 5.9717% 2
Malaysia 0.839 11.6742% 0.102 80.3088% 70.6040% 3
Malta 0.733 0.4636% -0.327 35.6561% 0.3621% 2
Mauritius 1.236 0.4927% 0.114 0.0167% 5.6333% 3
Mexico 1.390 0.0000% 0.022 59.6505% 1.3536% 2
Moldova -1.181 1.6717% -0.664 33.8290% 50.2435% 3
Mongolia 0.532 0.0001% 0.418 6.4486% 70.7207% 2
Montenegro 0.139 94.0299% 1.832 37.6796% NA 3
65
Tabela 10-C: Resultados para o setor industrial (continuação)
País Elasticidade P valor
(regressão)
Coeficiente
do ECT
P valor
(VEC)
P valor
(VAR)1 LAG
Morocco 1.036 0.0000% -0.522 9.2690% 4.4551% 3
Mozambique 1.631 1.0124% -0.599 0.1219% 5.2363% 2
Nepal 2.073 6.1941% -0.021 0.0027% 92.6151% 2
Netherlands 0.703 0.3240% 0.700 0.1888% 2.0684% 3
New Zealand 0.263 9.3622% 0.113 8.1855% 28.4175% 2
Nicaragua 2.170 0.0000% 0.112 83.6369% 11.3557% 3
Nigeria 0.429 2.5082% -0.204 37.8399% 1.2447% 3
Norway -0.127 12.0804% 0.005 48.5100% 49.4676% 2
Pakistan 1.033 0.0003% -0.286 1.9189% 0.0234% 2
Panama 0.458 0.0812% -0.303 12.1531% 0.7563% 3
Paraguay -1.168 29.3646% 0.050 29.2401% 8.6732% 2
Peru 0.766 0.0000% -0.016 0.0131% 23.6125% 3
Philippines 0.700 0.0000% -0.119 80.0992% 0.2038% 2
Poland 0.127 8.5422% -0.501 11.5876% 24.1933% 2
Portugal 0.045 82.3749% -0.260 2.5670% 16.2607% 3
Qatar -0.396 0.4827% -0.138 40.7909% 1.0805% 2
Romania 0.066 53.4459% -0.577 0.4836% 4.4121% 2
Saudi Arabia 1.978 1.4598% -0.351 7.4064% 2.5993% 2
Senegal -0.554 19.0662% -0.337 25.8096% 23.2247% 2
Serbia 0.341 0.0467% -0.844 2.5408% 1.1799% 2
Singapore 1.318 0.0000% -0.144 48.3148% 23.4718% 2
Slovakia 0.379 0.0000% -0.530 25.9966% 7.2103% 2
Slovenia 0.781 0.0120% 0.721 0.0294% 0.6283% 3
Spain 1.325 0.0000% 0.925 6.9832% 1.5489% 3
Sri Lanka 0.770 0.0000% -0.135 0.8424% 8.4792% 2
Sudan -0.058 68.5104% -0.094 64.7511% 6.1998% 2
Suriname 0.209 0.4408% -0.271 16.4262% 33.6268% 2
Sweden 0.100 28.9350% -0.050 16.7211% 9.5210% 3
Switzerland 0.350 10.4854% -0.061 3.8243% 4.5039% 2
Tajikistan 0.346 6.5771% 0.099 21.1081% 5.8970% 2
Tanzania 0.676 0.0003% -0.623 0.0022% 0.5616% 2
Thailand 1.423 0.0000% -0.172 0.8241% 2.2781% 2
Togo -0.030 93.9104% -0.758 0.6737% 3.8969% 3
TrinidadeTobago 0.600 0.0000% -0.022 0.3557% 15.9616% 2
Tunisia 0.547 0.0015% 0.123 0.0388% 0.3131% 2
Turkey 1.529 0.0000% 0.063 0.3715% 5.4674% 3
Turkmenistan 0.217 2.1632% 0.175 17.4001% 23.4933% 2
United Kingdom 1.386 0.0008% -0.020 94.3299% 25.5535% 2
Ukraine 0.514 0.0000% -0.970 0.1360% 30.5976% 2
Uruguay 1.163 0.0000% -0.184 11.2116% 0.5325% 2
USA -0.376 68.7002% -0.010 63.1230% 37.6765% 3
Uzbekistan -0.103 12.5044% -0.986 0.0000% 3.1914% 3
Zambia -0.026 83.2809% -0.269 1.2517% 0.0001% 2
Zimbabwe 1.031 0.0000% -0.503 8.0443% 5.8703% 2
Congo -0.144 49.0001% -0.047 3.3302% 0.6857% 3
Egypt 0.606 0.0000% -0.146 19.1473% 0.8026% 2
Russia 0.411 0.0003% -0.461 0.2360% 0.0923% 2
Venezuela 0.330 0.2454% -0.030 91.2087% 17.7752% 2
DRC 1.067 0.1475% 0.150 57.5173% 4.9163% 2
Iran 1.269 0.0000% -0.114 0.0017% 24.1584% 2
Hong Kong 1.681 1.0002% -0.062 19.1491% 19.2841% 2
Yemen -6.124 0.9916% -0.353 71.4792% NA 3
66
Tabela 11-A: Resultados para o setor outros
País Elasticidade P valor
(regressão)
Coeficiente
do ECT
P valor
(VEC)
P valor
(VAR)1 LAG
Albania -0.339 35.6986% -0.041 93.6400% 5.7271% 2
Algeria 7.198 0.0027% -0.241 11.5946% 30.6939% 2
Argentina 1.213 0.0000% 0.023 58.5221% 4.4897% 2
Armenia 0.173 12.2576% -1.051 0.1153% 2.4983% 3
Australia 0.517 0.0132% -0.981 0.3067% 1.4433% 2
Austria -0.410 0.0115% -0.078 21.6631% 36.5456% 3
Azerbaijan -0.513 0.0336% -0.352 4.1111% 7.8032% 3
Bahrain 1.742 0.4549% -0.481 56.9294% 57.5075% 2
Bangladesh 1.888 0.0000% -1.468 0.0011% 1.8720% 2
Belarus -0.379 0.0106% -0.368 0.0079% 0.1924% 2
Belgium 2.168 0.0000% -0.214 5.5251% 0.3018% 2
Bolivia 6.517 0.0001% 0.015 89.3683% 0.5274% 2
BosniaeHerzegovina 1.767 44.1604% 0.020 23.3876% NA 2
Botswana 1.197 12.2352% 0.124 9.7351% 36.6173% 3
Brazil 1.959 0.0000% -0.184 0.3384% 7.0496% 2
Bulgaria -2.333 0.0021% 0.010 98.9992% 6.1754% 2
Cambodia 1.879 0.0000% -0.581 6.5388% 8.6650% 2
Cameroon -8.697 0.5612% -0.184 36.6920% 4.7136% 2
Canada 1.154 10.8503% -7.442 0.2534% 0.5225% 3
Chile 0.860 0.0112% -0.187 59.2011% 31.4793% 3
China 0.912 0.0000% -0.180 0.0117% 15.8954% 2
Colombia -2.271 0.3953% -0.405 17.4014% 57.7252% 2
Costa Rica 0.654 0.0000% 0.033 16.1469% 0.8394% 3
Croatia 0.793 0.0001% 0.203 9.7982% 2.3341% 2
Cyprus -1.984 0.1105% -0.363 7.1403% 22.2434% 3
Czech Republic -0.310 0.5482% 0.024 26.1675% 3.4678% 2
Denmark 0.235 0.4717% 0.103 11.4437% 5.5363% 2
Dominican Republic -0.293 21.2497% -0.529 0.0042% 16.1726% 3
Ecuador 1.805 0.0001% -0.391 4.2400% 0.8465% 2
El Salvador 11.010 0.0273% -0.318 53.0524% 34.6135% 2
Estonia -0.478 0.0012% -0.015 73.3268% 62.5300% 3
Ethiopia 1.468 0.0821% -0.264 9.7809% 37.4693% 2
Finland 1.314 0.0000% -0.844 0.8277% 0.2580% 2
France 2.287 0.0000% -0.203 35.9274% 38.8299% 2
Gabon 0.155 43.0338% -0.022 70.6655% 20.6141% 2
Georgia 0.133 73.1107% 0.025 47.8373% 11.8018% 2
Germany -1.080 0.0007% -0.039 51.8241% 10.6267% 2
Ghana 6.889 63.8857% 0.444 51.8875% NA 3
Greece 0.942 0.0028% -0.513 0.6986% 17.3921% 2
Guatemala 2.590 0.0042% -0.155 41.6460% NA 2
Hungary -0.210 5.4740% -0.131 1.7908% 10.1520% 2
Iceland -0.861 0.0000% -0.777 0.1070% 3.0289% 2
India 0.518 0.0000% -0.101 1.0797% 5.3557% 2
Indonesia 0.328 0.0003% -0.013 45.5386% 37.7711% 2
Iraq 2.477 8.3252% -1.686 21.7774% NA 3
Ireland 0.066 28.2621% -0.008 50.4975% 4.4510% 3
Israel -0.080 78.8537% -1.121 0.0011% 2.0856% 2
Italy 1.517 0.0002% -0.257 0.0061% 0.9634% 2
Jamaica -33.563 0.7340% -0.246 75.2058% NA 2
Japan 2.657 0.0005% 0.445 0.0000% 0.0000% 2
Jordan 1.236 0.0000% -0.527 0.0312% 1.0733% 2
Kazakhstan -1.742 0.0000% -0.059 46.9872% 9.7608% 2
Kenya -0.826 63.1507% -0.002 14.4645% 49.0264% 3
Kyrgyzstan -4.064 0.0011% -0.372 34.1112% 4.9742% 2
67
Tabela 11-B: Resultados para o setor outros (continuação)
País Elasticidade P valor
(regressão)
Coeficiente
do ECT
P valor
(VEC)
P valor
(VAR)1 LAG
Latvia -0.142 0.5206% 0.007 32.2889% 14.5033% 3
Lebanon 2.530 1.0515% -0.545 0.0039% 0.4059% 2
Libya 0.971 12.5593% -0.264 64.2282% 11.7327% 2
Lithuania 0.125 2.5924% -0.012 51.6655% 27.6867% 3
Luxembourg -0.540 0.5287% -0.181 22.3913% 12.2718% 2
Malaysia 7.081 0.0039% 0.016 52.9575% 85.0661% 2
Mauritius -0.836 0.0288% -0.128 54.2374% 73.4471% 2
Mexico 4.127 0.0014% 0.071 33.0867% 3.2804% 2
Moldova -2.749 5.5160% 0.001 54.2307% 53.4147% 2
Mongolia 0.826 0.0000% 0.231 7.6867% 61.5026% 3
Montenegro -0.841 54.6211% -0.016 79.4399% NA 3
Morocco 1.592 0.0027% -2.009 0.4338% 56.2822% 3
Nepal 0.091 84.5834% 0.055 10.0841% 2.0578% 3
Netherlands 1.852 0.0000% -0.020 1.3287% 0.9603% 2
New Zealand 0.943 0.0000% -0.059 17.3041% 10.0701% 2
Nicaragua -3.574 0.0813% -0.009 98.1349% 57.6437% 3
Niger -2.206 12.7469% -1.039 1.2331% 17.1153% 2
Norway 1.397 0.0000% -0.682 1.6607% 0.1835% 2
Oman -1.480 3.9525% -0.293 22.1553% NA 2
Pakistan 0.099 65.0391% -0.375 0.4965% 0.0154% 2
Panama -2.402 0.0002% -0.008 38.3106% 5.7891% 3
Peru 1.121 0.3699% -0.994 0.2327% 0.0536% 2
Philippines 2.735 0.0000% -0.004 24.3243% 3.8987% 2
Poland -1.203 0.0000% 0.109 10.5427% 1.8182% 2
Portugal 2.946 0.0000% -0.409 3.3063% 0.0097% 2
Qatar -3.183 6.4085% -1.090 1.1898% 14.3003% 3
Romania -0.906 0.0071% 0.130 10.5892% 7.3261% 2
Saudi Arabia 0.285 44.9764% -1.473 54.9653% NA 3
Senegal 4.569 0.2998% 0.197 8.5591% 18.4034% 3
Serbia -4.124 0.0006% -0.694 8.4797% 19.8560% 2
Singapore 3.220 0.0000% -0.086 48.4506% 12.6436% 2
Slovakia -1.431 0.0000% 0.233 3.2330% 84.7849% 2
Slovenia -0.059 81.6432% -0.326 56.7297% 17.3042% 2
Spain 0.381 14.0215% -0.624 0.1295% 2.6325% 3
Sudan 1.818 1.3914% -0.411 7.8480% 2.0214% 2
Sweden -0.105 45.9308% -0.448 11.7197% 11.0921% 3
Switzerland 0.159 19.1120% -0.940 0.2551% 14.3878% 2
Tajikistan -0.470 0.0079% -0.155 4.4708% 9.5713% 3
Tanzania 1.263 0.0000% -0.355 16.6168% 33.0346% 3
Thailand 1.700 0.0002% 1.125 0.0228% 1.6236% 3
Togo 23.460 0.4247% -1.246 0.8806% NA 3
Tunisia 1.466 0.0000% -0.076 1.8828% 0.2941% 2
Turkey 2.120 0.0000% 0.019 0.7160% 22.8129% 2
Turkmenistan 0.543 0.0000% -0.200 5.4039% 6.2790% 3
UAE -1.738 1.9214% -0.358 19.5260% 5.9237% 2
United Kingdom -0.987 0.2790% -0.016 25.3660% 4.8259% 2
Ukraine -0.211 34.9288% 0.114 0.7138% 0.1402% 3
Uruguay 0.552 56.5012% -0.725 0.0231% 5.3678% 2
USA 13.724 0.0000% -0.338 5.0715% 4.3847% 2
Uzbekistan -0.098 0.0826% -1.303 0.0635% 0.0076% 2
Viet Nam 0.709 0.0001% -0.475 4.3259% 16.5151% 2
Zambia -0.007 97.5493% -0.481 15.0272% 3.6292% 2
Zimbabwe 0.717 0.2560% -0.449 9.4318% 0.0414% 3
Coteivoire 9.464 0.3524% 0.067 91.9258% 30.6410% 2
68
Tabela 11-C: Resultados para o setor outros (continuação)
País Elasticidade P valor
(regressão)
Coeficiente
do ECT
P valor
(VEC)
P valor
(VAR)4 LAG
Egypt -0.635 19.8300% -0.059 55.4281% 11.7659% 2
Russia 0.059 68.5198% -0.206 0.0000% 0.0000% 2
Venezuela 3.962 0.2066% 0.007 1.3809% 28.8400% 2
Yemen 0.403 59.9624% -0.529 13.0459% 27.3958% 2
DRC 0.408 24.8631% -0.874 71.4239% NA 3
Iran 2.729 0.0000% -0.003 0.0360% 29.3227% 2
4 Os países que apresentaram “NA” no resultado não tinham dados suficientes para realizar o modelo
VAR com as diferenças de ordem 1 em lag 2, como descrito na metodologia.
![Tabela 1 Consumo de Energia · 2020. 11. 24. · Tabela 1 – Consumo de Energia [Mês atual/de referência] Consumo (Kwh) Valor da fatura Média de consumo dos seis meses anteriores](https://img.document.onl/doc/110x75/60d0710b9ad9e234dd12a68f/tabela-1-consumo-de-energia-2020-11-24-tabela-1-a-consumo-de-energia-ms.jpg)
![Consumo de energia eletrica[1]](https://img.document.onl/doc/110x75/5593a44f1a28ab59728b4722/consumo-de-energia-eletrica1.jpg)
