( PDF ) Análise de sensibilidade do consumo de gasolina C a mudanças no preço nos estados brasileiros: elasticidade-imposto da demanda por gasolina C

Download PDF

ads:

UNIVERSIDADE FEDERAL DO RIO DE JANEIRO

PÓS-GRADUAÇÃO EM ECONOMIA

Thaís Machado de Matos Vilela

Análise de Sensibilidade do Consumo de Gasolina C a Mudanças no Preço

nos Estados Brasileiros: Elasticidade-Imposto da Demanda por Gasolina C

Orientador: Prof. Dr. Helder Queiroz Pinto Junior

Rio de Janeiro, 2009

ads:

Livros Grátis

http://www.livrosgratis.com.br

Milhares de livros grátis para download.

Thaís Machado de Matos Vilela

Análise de Sensibilidade do Consumo de Gasolina C a Mudanças no Preço

nos Estados Brasileiros: Elasticidade-Imposto da Demanda por Gasolina C

Dissertação apresentada ao Corpo

Docente do Instituto de Economia da

Universidade Federal do Rio de Janeiro

como parte dos requisitos necessários à

obtenção do título de Mestre em Ciências

Econômicas.

Orientador:

Prof. Dr. Helder Queiroz Pinto Junior

Rio de Janeiro, agosto de 2009

ads:

Thaís Machado de Matos Vilela

Análise de Sensibilidade do Consumo de Gasolina C a Mudanças no Preço nos

Estados Brasileiros: Elasticidade-Imposto da Demanda por Gasolina C

Rio de Janeiro, 24 de agosto de 2009

Prof. Dr. Helder Queiroz Pinto Junior, IE/UFRJ

(Orientador)

Prof. Dr. Eduardo Pontual Ribeiro, IE/UFRJ

Prof. Dr. Thompson Almeida Andrade, FCE/UERJ

Agradecimentos

Encontrar as palavras que melhor descrevem todo o apoio que obtive nos últimos anos é

uma tarefa difícil, mas certamente vale o desafio. Não foram poucos os momentos de

apreensão, insegurança quanto ao caminho escolhido e nervosismo pelo qual passei, mas

que consegui superar com o apoio da minha família, em especial dos meus pais e do meu

irmão. Sempre ao meu lado, nunca duvidaram da minha capacidade. Com palavras e atos

simples, diretos e muita paciência me deram força para continuar em frente

independentemente dos tropeços sofridos ao longo desta jornada.

Com grande participação também nesta minha jornada, agradeço ao meu orientador

professor Helder Queiroz. Desde o início acreditou em mim e, o mais importante, me

enxergou como profissional e não só como uma aluna. Com dedicação e empenho, me

ajudou a crescer profissionalmente e confiou na minha capacidade para exercer trabalhos

junto ao grupo de Economia da Energia.

Não posso deixar de agradecer aos demais professores, às secretarias e aos amigos do grupo

de energia que tornam o ambiente de trabalho bastante descontraído e leve.

Gostaria também de agradecer ao professor Eduardo Pontual, cuja ajuda na parte

econométrica foi imprescindível. Seus comentários sempre precisos me ajudaram na

elaboração dos modelos e chamaram atenção para os problemas associados a cada etapa.

Contudo, devo destacar que, para mim, a frase “você tem de contar uma história” foi a mais

importante das mensagens transmitidas. Espero tê-lo feito.

Na UFRJ encontrei pessoas incríveis, amigos para a vida inteira e professores mais que

competentes e, por isso, agradeço a todos sem citar nomes a fim de não cometer injustiça.

Por fim, agradeço à Lúcia Navegantes Bicalho e à Maria Tereza A. Oliveira Filha da Agência

Nacional de Petróleo, Gás e Biocombustíveis por terem disposto de seu tempo e esclarecido

minhas dúvidas com muita simpatia e clareza.

Obrigado a todos.

Resumo

Os diversos processos de transformação ocorridos na matriz de combustíveis automotivos,

entre esses a introdução da tecnologia flex-fuel, justificam, por si só, o estudo da

sensibilidade do consumo de gasolina C no Brasil. Contudo, dada a diversidade estadual, será

que a análise de sensibilidade do consumo de gasolina C no Brasil pode prescindir das

diferenças de comportamento entre os estados?

Essas diferenças podem ser resultado de diversos fatores, mas o enfoque deste trabalho é

restrito às diferentes respostas às mudanças no imposto estadual ICMS sobre a gasolina.

Com isso, o objetivo desta dissertação é o de avaliar a existência de diferentes reações

estaduais a mudanças no imposto estadual a fim de verificar a possibilidade de utilizar a

política tributária estadual como instrumento de políticas energética e ambiental. Os

resultados obtidos sugerem que, para determinados estados como Pernambuco e Rio

Grande do Sul, o ICMS sobre a gasolina poderia ser utilizado como mecanismo de indução de

consumo deste ou daquele combustível.

Abstract

The huge amount of transformation in the Brazilian fuel matrix, including the flex-fuel

technology introduction, justifies, by itself, the study of the C gasoline consumption behavior

in Brazil. However, given the diversity among the Brazilian states, is it possible not to

consider these consumption differences when analyzing the C gasoline sensitivity?

Those differences can be the result of many factors, but this thesis is restricted to the

differences caused by the different reactions due to state tax ICMS over gasoline. Therefore,

the main goal here is to assess the existence of different reactions caused by ICMS in order

to verify the possibility to use the tributary state policy as an instrument of energy and

environmental policies. The results obtained suggest that for some states, as Pernambuco

and Rio Grande do Sul, the ICMS over gasoline could be used as a mechanism of

consumption induction of a specific fuel.

Sumário

Introdução.........................................................................................................................................................10

Capítulo 1 – Mercado de Gasolina C no Brasil ............................................................................. 16

1.1 - Evolução do Mercado de Gasolina C no Brasil..................................................................... 16

1.2 - Diferenças Estaduais ..................................................................................................................... 26

1.2.1 - Consumo de Gasolina C ........................................................................................................ 26

1.2.2 - Preço da Gasolina C ................................................................................................................ 33

1.2.2.1 - Evolução Histórica dos Preços dos Derivados ......................................................... 33

1.2.2.2 - ICMS sobre a Gasolina C ................................................................................................... 40

Capítulo 2 – Revisão da Literatura .................................................................................................... 44

Capítulo 3 – Elasticidade-Imposto da Demanda por Gasolina C no Brasil ................... 60

3.1 – Hipóteses do Modelo .................................................................................................................... 60

3.2 – Especificação do Modelo Matemático .................................................................................... 65

3.3 – Especificação do Modelo Econométrico ............................................................................... 67

3.4 – Obtenção dos Dados ..................................................................................................................... 68

3.5 – Estimação dos Parâmetros do Modelo Econométrico ..................................................... 69

3.6 – Modelo com Fins de Política Pública ...................................................................................... 77

Conclusão ....................................................................................................................................................... 80

Referência Bibliográfica ......................................................................................................................... 84

Anexo A – Procedimentos e Estimação dos Parâmetros do Modelo Econométrico 87

Anexo B – Matriz de Correlação ....................................................................................................... 164

Anexo C – Painel Nacional ................................................................................................................... 166

Índice de Gráfico

Capítulo 1

Gráfico 1.1 - Consumo Anual de Combustíveis Automotivos (milhões de tep) ....................... 18

Gráfico 1.2 - Importação versus Exportação de Petróleo (milhões de m³) .............................. 19

Gráfico 1.3 - Dependência Externa de Petróleo (milhões de m³) ............................................ 20

Gráfico 1.4 - Venda de Autoveículos Nacionais a Diesel ao Mercado Interno no Atacado

(Unidade) .............................................................................................................................. 21

Gráfico 1.5 - Importação versus Exportação de Petróleo Bruto e seus Derivados (milhões de

US$ - FOB) ............................................................................................................................. 22

Gráfico 1.6 - Venda de Veículos Leves no Brasil (unidade*1000) ............................................ 23

Gráfico 1.7 - Venda de Automóveis a Gasolina e Flex-Fuel no Brasil (unidade) ...................... 25

Gráfico 1.8 – Venda, pelas Distribuidoras, de Gasolina C em 2008 (m³) ................................. 27

Gráfico 1.9 - Variação Percentual entre 2007 e 2008 das Vendas, pelas Distribuidoras, de

Gasolina C ............................................................................................................................. 29

Gráfico 1.10 - Preço Relativo entre Álcool Hidratado e Gasolina C – RJ .................................. 31

Gráfico 1.11 -Taxa de Crescimento Acumulada das Vendas, pelas Distribuidoras, de Gasolina

C entre 2000 e 2008 .............................................................................................................. 32

Capítulo 3

Gráfico 3.1 - Curvas de Oferta e Demanda do Mercado de Gasolina C ................................... 63

Gráfico 3.2 – Preço Final da Gasolina C versus Imposto .......................................................... 63

Gráfico 3.3 - Efeitos de um Imposto Ad Valorem sobre a Curva de Oferta ............................. 64

Gráfico 3.4 - Efeitos de um Imposto Ad Valorem sobre as Curvas de Oferta e Demanda do

Mercado de Gasolina C ......................................................................................................... 64

Gráfico 3.5 - Preço Real da Gasolina C por Estado (R$/litro) ................................................... 76

Gráfico 3.6 - Razão entre o Preço Real do Álcool Hidratado e o Preço Real da Gasolina C para

os Sete Estados Brasileiros.................................................................................................... 77

Índice de Tabela

Capítulo 1

Tabela 1.1 - Impactos da Mudança do Imposto Estadual ICMS sobre o Consumo de Álcool

Hidratado e Gasolina C no Estado de SP ............................................................................... 30

Tabela 1.2. - Evolução do Consumo de Gasolina C por Habitante entre 2001 e 2007 (m³ por

habitante) .............................................................................................................................. 33

Capítulo 2

Tabela 2.1 - Elasticidade-Preço da Demanda por Gasolina (Burnquist e Bacchi, 2002) .......... 47

Tabela 2.2 - Elasticidade-Preço da Demanda por Gasolina (Alves e Bueno, 2003) ................. 49

Tabela 2.3 - Elasticidade-Preço da Demanda por Gasolina (Pinto et al., 2006) ....................... 51

Tabela 2.4 - Resultados da Estimação da Equação (1) (Nappo, 2007) ..................................... 52

Tabela 2.5 - Resultados da Estimação da Equação (3) (Nappo, 2007) ..................................... 53

Tabela 2.6 - Estimação das Elasticidades-Preço da Demanda por Gasolina no Longo Prazo –

Dados Anuais (Schünemann, 2007) ...................................................................................... 56

Tabela 2.7 - Estimação das Elasticidades-Preço da Demanda por Gasolina no Longo Prazo –

Dados Mensais (Schünemann, 2007) ................................................................................... 57

Tabela 2.8 - Estimação das Elasticidades-Preço da Demanda por Gasolina no Longo Prazo –

Dados Mensais/ sem o Preço Mensal do Álcool Hidratado (Schünemann, 2007) ............... 58

Tabela 2.9 - Estimação das Elasticidades-Preço da Demanda por Gasolina no Curto Prazo –

Dados Mensais/ sem o Preço Mensal do Álcool Hidratado (Schünemann, 2007) ............... 59

Tabela 2.10 - Comparação dos Resultados da Estimação das Elasticidades-Preço da Demanda

por Gasolina no Brasil ........................................................................................................... 59

Capítulo 3

Tabela 3.1 - Resultado das Estimações: Elasticidade-Preço da Demanda por Gasolina C nos

Sete Estados Brasileiros ........................................................................................................ 74

Tabela 3.2 - Painel Nacional: Elasticidades-Preço da Demanda por Gasolina C de Curto e

Longo Prazo ........................................................................................................................... 79

Introdução

A análise de sensibilidade do consumo de gasolina C no Brasil insere-se num contexto amplo

envolvendo três dimensões políticas, quais sejam: a política energética, ambiental e

tributária.

O principal objetivo da política ambiental é o de garantir a qualidade ambiental, ou seja,

garantir o equilíbrio ecológico, o controle econômico dos recursos naturais e o controle das

variáveis que afetam a saúde física e mental da população. Além disso, segundo Serôa da

Motta (1995), “qualquer política ambiental trata necessariamente de conflitos de interesses

microeconômicos, na medida em que o uso do meio ambiente é distinto para cada grupo de

indivíduos.” Portanto, a decisão final deve “considerar todos os agentes em conflito para

que a decisão maximize o bem-estar social e não de certos grupos de indivíduos”.

Em relação à política energética, de acordo com Bicalho (2007), essa é definida como uma

intervenção estratégica do Estado com o objetivo de garantir o suprimento de energia, tanto

no presente quanto no futuro, necessário ao desenvolvimento econômico e ao bem-estar

social. Para isso, a formulação de políticas energéticas deve considerar as diversas esferas de

ação, assim como, os impactos nas diferentes áreas: econômica, tecnológica, ambiental,

política e social.

O autor ainda destaca a multiplicidade de objetivos, instituições e instrumentos relacionados

à política energética. Em relação ao último ponto, há um conjunto complexo de

instrumentos. Esses vão desde a etiquetagem de aparelhos eletrodomésticos, que sinalizam

o consumo de energia, até mecanismos sofisticados de negociações internacionais e ainda a

possibilidade de se utilizar a política tributária como ferramenta de política energética.

Não há no Brasil, entretanto, o costume de se utilizar a política tributária com outro fim que

não o de arrecadação fiscal.

O efeito direto da introdução de um imposto é, no caso da gasolina, o aumento do preço ao

consumidor. A razão para isso será melhor descrita no capítulo três, mas por ora vale a pena

mencionar que a estrutura do mercado, isto é, as curvas de demanda e de oferta, permite

que o imposto seja repassado integralmente para os consumidores. Assim, alterações no

imposto implicariam em alterações iguais no preço.

Desta forma, considerando que qualquer consumo pode ser explicado pelo preço e pela

renda dos consumidores, uma forma de alterá-lo seria modificar o preço, é claro que em

alguns casos a resposta a esta mudança pode não ser significativa e, para estes casos,

políticas de alteração de preço não seriam eficientes. Posto isso, é importante avaliar

justamente esta resposta.

Considerando o exposto acima, esta dissertação pretende avaliar o comportamento do

mercado de gasolina no Brasil. Esse tipo de estudo não é algo recente. O interesse em avaliar

o impacto de choques na demanda por gasolina, assim como, por outros combustíveis

automotivos, aumentou a partir do Primeiro Choque de Petróleo em 1973. Desde então, a

matriz brasileira de combustíveis sofreu diversas alterações, especialmente devido ao

desenvolvimento do mercado de álcool combustível, o qual foi descontinuado no fim dos

anos 80 em função da falta de um planejamento estratégico em relação à oferta, que, neste

período, foi fortemente reduzida, gerando, assim, uma crise no suprimento de álcool.

Dentre as mudanças recentes ocorridas, tem-se a introdução, em março de 2003, da

tecnologia flex-fuel. Esta tecnologia permite que seja utilizado num mesmo tanque gasolina,

álcool ou qualquer proporção destes combustíveis, superando, portanto, o problema da

crise de suprimento de um combustível em particular. Existem, também, veículos

tricombustíveis que permitem ao consumidor escolher não só entre a gasolina e o álcool,

mais também entre o gás natural veicular.

Dentro deste contexto, o avanço tecnológico garantiu aos consumidores maior flexibilidade

na escolha do combustível, porém dificultou a análise de sensibilidade da demanda e das

escolhas dos consumidores a mudanças no preço dos combustíveis, na renda e em outras

variáveis de interesse. Antes da introdução desta tecnologia, a preferência quanto ao

combustível era revelada no momento da compra do automóvel, agora apenas no ato da

compra do combustível dificultando, portanto, a obtenção de dados e, consequentemente, a

análise de sensibilidade do mercado de combustíveis.

Dada a importância da gasolina na matriz de combustíveis do Brasil, optou-se, nesta

dissertação, em trabalhar apenas com este combustível, mais especificamente, com a

gasolina C, definida como uma combinação entre a gasolina A, ou pura, e o álcool etílico

anidro carburante. Mas, como mensurar os impactos de variações no preço sobre o mercado

de gasolina C no Brasil diante das novas tecnologias introduzidas?

Duas abordagens podem ser utilizadas. A primeira constitui na elaboração de uma pesquisa

direta com os consumidores nos postos de abastecimento. A segunda, adotada nesta

dissertação, constitui na elaboração de um modelo econométrico, cuja variável dependente

é o Consumo de Gasolina C.

Como mencionado anteriormente, os dados sobre o consumo de gasolina C são de difícil

obtenção, sendo preciso utilizar dados referentes à venda, pelas distribuidoras, deste

combustível.

Além disso, por suposição, a demanda por gasolina é uma função do preço da gasolina C, do

álcool hidratado, da renda, da frota de automóveis à gasolina e de automóveis flex-fuel. Ou

seja, procura-se controlar para mudanças nas frotas introduzidas pelas novas tecnologias.

O objetivo na elaboração do modelo econométrico é o de analisar a sensibilidade do

consumo de gasolina C no Brasil a variações no preço. Para tal, calcula-se a elasticidade-

preço da demanda por este combustível, ou seja, estima-se o quão sensível é o consumo

brasileiro de gasolina C a mudanças nos preços.

No entanto, é preciso destacar as diversidades entre os estados do Brasil, constituído por 26

estados mais a capital, Distrito Federal. Existem diferentes comportamentos em relação ao

consumo de gasolina C entre os estados. De acordo com a Agência Nacional de Petróleo, Gás

Natural e Biocombustíveis (ANP), a variação das vendas de gasolina C entre os anos 2007 e

2008 no Acre foi igual a 17% enquanto em outros estados como, por exemplo, São Paulo e

Rio de Janeiro, a queda nas vendas foi, nesse mesmo período, 2% e 1% respectivamente.

Será, portanto, que a análise do comportamento do consumo de gasolina C no Brasil pode

desconsiderar as diferenças estaduais?

Considerando as variações das vendas de gasolina C disponibilizadas pela ANP, tem-se que,

aparentemente, as diferenças são significativas, o que indicaria que as especificidades

estaduais deveriam ser consideradas na formulação, por exemplo, de políticas públicas de

redução de consumo de gasolina C.

Estas diferenças de comportamento podem ser, em parte, explicadas pelas diferentes

respostas ao componente estadual presente na formação do preço da gasolina C. Este

componente corresponde ao imposto estadual ICMS, Imposto sobre Circulação de

Mercadorias e Serviço, sobre a gasolina.

Sendo assim, o objetivo desta dissertação é o de avaliar a existência de respostas distintas

entre os estados a mudanças no preço geradas por variações no ICMS. Ou seja, procura-se

responder a seguinte questão: As reações estaduais a mudanças no ICMS são significativas a

ponto de justificar a utilização da política tributária estadual como instrumento de políticas

energética e ambiental?

Antes, porém, de descrever a metodologia para responder esta pergunta, vale apena

mencionar que, o uso de políticas públicas regionalizadas, nem sempre é necessário.

Contudo, dada a diversidade entre os estados brasileiros e as possíveis respostas diferentes

quanto à variação do preço, a eficácia da política pública estadual seria, provavelmente,

maior quando comparada com uma política nacional.

Retornando à questão, calcula-se, primeiro, a elasticidade-preço da demanda e, em seguida,

a elasticidade-imposto da demanda, definida como a variação percentual na quantidade

demandada por gasolina C dividida pela variação percentual do imposto.

O cálculo das elasticidades é feito para sete estados brasileiros, que foram determinados,

entre os 26 estados mais o Distrito Federal, de acordo com a disponibilidade de dados sobre

as frotas de automóveis à gasolina e de automóveis flex-fuel. Logo, os sete estados

analisados são: Ceará; Pernambuco; Sergipe; Rio de Janeiro; Paraná; Rio Grande do Sul; e

Mato Grosso do Sul.

O período de análise considerado, também por uma questão de disponibilidade de dados,

corresponde a Julho de 2001 a Dezembro de 2008. Ao longo deste período, foram poucas as

mudanças referentes ao imposto estadual ICMS. Entretanto, as questões ambientais

referentes à emissão de gases responsáveis pelo efeito estufa, como o gás dióxido de

carbono (CO

), tornaram-se mais relevantes e a possibilidade de utilizar o ICMS como

instrumento para fins antipoluição justifica seu estudo e faz com que este tipo de trabalho

seja relevante.

A dissertação está dividida em três partes além da Introdução e Conclusão. Primeiramente, é

feita uma análise sobre o comportamento do mercado de gasolina C no Brasil. Para tal, são

avaliados os efeitos da introdução da tecnologia flex-fuel neste mercado e as diferenças

estaduais de consumo e preço da gasolina C, incluindo uma análise detalhada do ICMS sobre

a gasolina.

Em seguida, é feita uma revisão da literatura. Neste capítulo são apresentados alguns

estudos acadêmicos, com ênfase nos estudos econométricos, realizados nos últimos anos

sobre elasticidade-preço da demanda por gasolina no Brasil.

No terceiro capítulo, o modelo econométrico, utilizado para calcular as elasticidades-

imposto da demanda para os setes estados brasileiros, é apresentado de forma detalhada,

considerando desde a exposição das hipóteses até os resultados e suas implicações.

Por fim, os pontos principais desta dissertação são destacados na conclusão.

Capítulo 1 – Mercado de Gasolina C no Brasil

A matriz brasileira de combustíveis automotivos passou, e continua passando, por diversas

mudanças ora introduzidas pelo Governo Federal ora pelas condições de mercado. Dentro

deste contexto, a predominância de um combustível em relação a outro mudou ao longo das

últimas quatro décadas, tendo sido a falta de um planejamento estratégico bem definido,

em relação a essa matriz, a principal responsável pelos diversos processos de substituição

entre os combustíveis.

Dentro deste contexto, a fim de avaliar a dinâmica do consumo de gasolina C é necessário

estudar a evolução do mercado de gasolina C no Brasil, considerando para isso o

comportamento do álcool hidratado, do gás natural veicular (GNV) e do diesel, combustíveis

alternativos a gasolina.

Contudo, a avaliação do mercado brasileiro é bastante complexa, pois os estados brasileiros

apresentam comportamentos distintos quanto à demanda por gasolina C. Por suposição,

parte desta diferença é explicada pelo diferencial dos preços dos combustíveis e pelas

diferentes respostas estaduais a mudanças no preço.

Tentar compreender o mercado de gasolina no país e suas especificidades estaduais

constitui, portanto, o objetivo deste capítulo. Neste sentido, é feita, inicialmente, uma

análise sobre a evolução do mercado de gasolina C e, em seguida, é elaborado um estudo

sobre as diferenças estaduais, considerando as diferenças de consumo e preço da gasolina C.

1.1 - Evolução do Mercado de Gasolina C no Brasil

Definida como uma combinação de gasolina pura, ou A, com álcool etílico anidro carburante,

a gasolina C foi, no início do século XX, utilizada para baratear o custo da gasolina importada.

A adição do álcool anidro à gasolina até então era uma prática popular e não obrigatória.

Foi somente em 20 de fevereiro de 1931 que o Governo Federal tornou, para os

importadores de gasolina, obrigatória a adição de cinco por cento de álcool anidro à

gasolina. O objetivo desta medida era o de garantir a estabilidade do mercado de açúcar,

sendo os excedentes da cana utilizados na fabricação de álcool carburante.

Durante a II Guerra Mundial, o Governo passou a considerar a indústria alcooleira de

interesse nacional. Foram estabelecidos preços mínimos para o álcool e para as matérias-

primas utilizadas na sua fabricação. Contudo, no final da Segunda Guerra, as condições de

acesso ao petróleo se normalizaram retomando, assim, sua trajetória ascendente e

permanecendo até hoje como principal fonte primária de energia.

A partir da década de 70, o mercado de gasolina C sofreu diversas alterações (Gráfico 1.1).

Gráfico 1.1 - Consumo Anual de Combustíveis Automotivos (milhões de tep)

Fonte: BEN (2008)

Em 1973, os preços do petróleo no mercado internacional quadruplicaram em apenas três

meses. Em setembro de 1973, o preço do barril de petróleo, estável desde 1950, era igual a

US$ 2,90, porém, em dezembro do mesmo ano, o preço do barril era igual a US$ 11,65.

Segundo Pinto Jr et al (2007), o motivo para tal avanço dos preços foi a ameaça dos países

árabes de reduzirem as exportações mensais de petróleo em 5% aos países que apoiassem

GNV

Diesel

Gasolina

Álcool Hidratado

Israel na guerra Yom Kippur, entre Israel e Egito. Este período ficou conhecido como o

Primeiro Choque do Petróleo.

Este rápido aumento dos preços do petróleo no mercado internacional, para a maior parte

dos países, impactou negativamente o balanço de pagamentos, o déficit fiscal e o

crescimento econômico. O Brasil, cuja dependência externa de petróleo era crescente desde

1970 (Gráfico 1.2 e 1.3), teve seu crescimento econômico também ameaçado pelo Primeiro

Choque do Petróleo.

Gráfico 1.2 - Importação versus Exportação de Petróleo (milhões de m³)

Fonte: BEN (2008)

Importação

Exportação

Gráfico 1.3 - Dependência Externa de Petróleo (milhões de m³)

Fonte: BEN (2008)

O impacto do aumento dos preços do petróleo na inflação também preocupava o Governo

Federal, que repassou o aumento apenas para os preços da gasolina subsidiando, assim, o

consumo do diesel e do GLP, Gás Liquefeito de Petróleo. Com isso, as vendas de veículos

aumentaram, resultando na “dieselização” da frota nacional.

-10

Gráfico 1.4 - Venda de Autoveículos

Nacionais a Diesel ao Mercado Interno no

Atacado (Unidade)

Fonte: IPEADATA

O consumo do diesel (Gráfico 1.1) segue uma trajetória crescente desde o início da década

de 70 e, aparentemente, seu comportamento é independente dos demais combustíveis

automotivos. A expansão do agronegócio juntamente com o deslocamento de pólos de

produção e comerciais para o interior do Brasil correspondem a uma das explicações

possíveis para tal tendência ascendente.

Outro ponto que pode ser destacado é que a escolha inicial de se comprar um veículo a óleo

diesel já determina, necessariamente, a escolha do combustível a ser utilizado, de forma que

flutuações no preço dos demais combustíveis não interferem, pelo menos no curto prazo, no

consumo de diesel.

Contudo, cabe lembrar que, assim como a gasolina, o diesel é também um combustível

derivado de petróleo, cujo preço havia quadruplicado em apenas três meses. Ao contrário

dos demais países, o governo brasileiro optou por evitar a recessão econômica e com o

objetivo de reduzir ainda mais a dependência e vulnerabilidade brasileira aos preços

De acordo com a ANFAVEA, os autoveículos correspondem aos automóveis, aos veículos comerciais leves

(caminhonetes de uso misto, utilitários e caminhonetes de carga) e aos veículos comerciais pesados

(caminhões e ônibus). A partir de 1991 são considerados também os dados referentes às vendas de

importados.

50000

100000

150000

200000

250000

1957

1959

1961

1963

1965

1967

1969

1971

1973

1975

1977

1979

1981

1983

1985

1987

1989

1991

1993

1995

1997

1999

2001

2003

2005

2007

internacionais do petróleo o Governo Federal instituiu, em 14 de Novembro de 1975, o

Programa Nacional do Álcool, o ProÁlcool

Inicialmente, o Programa visava à adição de álcool anidro à gasolina, porém com o Segundo

Choque do Petróleo e com o novo patamar de US$ 30 o barril do petróleo em 1980, os

gastos com as importações de petróleo e de seus derivados aumentaram consideravelmente

(Gráfico 1.5).

Gráfico 1.5 - Importação versus Exportação de Petróleo Bruto e seus Derivados

(milhões de US$ - FOB)

Fonte: BEN (2008)

Diante desta situação, o Governo Federal passou a incentivar, através de políticas fiscais e

tributárias, o uso do álcool etílico hidratado carburante como combustível substituto a

gasolina. Entre estas medidas destacam-se: a garantia de um preço menor do etanol

combustível; a redução de 5% dos impostos dos carros a álcool; empréstimos aos produtores

a fim de aumentarem suas capacidades de produção; a obrigatoriedade de todos os postos

venderem álcool; e, finalmente, a manutenção de estoques para garantia de suprimento e

preço. Além destas medidas, em 19 de setembro de 1979, o Governo e a ANFAVEA

Decreto nº 76.593, de 14 de novembro de 1975.

2000

4000

6000

8000

10000

12000

14000

16000

18000

20000

Importação

Exportação

assinaram um protocolo de compromisso como o objetivo de desenvolver e comercializar

veículos a álcool no Brasil.

A adição de mais de 10% de álcool aos motores convencionais da época gerou preocupações

quanto à compatibilidade de materiais metálicos do veículo, possibilidade de corrosão, ao

aumento no consumo devido ao menor conteúdo energético do etanol e, entre outros

problemas, quanto à dificuldade com partida a frio devido à menor pressão de vapor do

etanol. Dadas estas limitações, foi necessário modificar os veículos para que pudessem

receber álcool hidratado como combustível. Estas modificações possibilitaram o avanço da

tecnologia automotiva relacionada ao etanol e garantiram ao Brasil um papel de destaque

no mundo.

Gráfico 1.6 - Venda de Veículos Leves no Brasil (unidade*1000)

Fonte: Joseph Jr. (2006)

Contudo, no final da década de 80, os preços do petróleo no mercado internacional

reduziram a metade, de US$ 30 para US$ 15 o barril, período denominado Contra-Choque do

Petróleo. Neste cenário, tornou-se custoso para o Governo financiar a produção de álcool

carburante, especialmente, o álcool hidratado.

200

400

600

800

1000

1200

1400

1600

1800

2000

1979

1980

1981

1982

1983

1984

1985

1986

1987

1988

1989

1990

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

Álcool

Gasolina

Os subsídios foram eliminados e uma crise de abastecimento instalou-se. Dentro deste

contexto, a maior parte dos consumidores voltou a utilizar a gasolina como combustível.

Mas, o prejuízo dos consumidores, assim como, a desconfiança em relação à garantia de

oferta de álcool hidratado resultaram na descrença quanto ao uso do álcool como

combustível substituto.

Já, na década de 90, o Governo Federal incentivou o uso do gás natural como combustível

substituto da gasolina. A descoberta de reservas na Bacia de Campos e o avanço das

negociações, a partir de 1994, para a importação de gás boliviano aumentaram a

disponibilidade de gás natural no mercado brasileiro. Com isso, além do apoio

governamental e o preço baixo do produto devido ao aumento da oferta, muitos

consumidores fizeram as conversões necessárias em seus veículos para usarem gás natural.

Em Março de 2003, os carros com tecnologia flex-fuel foram introduzidos no mercado de

automóveis no Brasil, permitindo uma recuperação das vendas de álcool hidratado até então

em tendência decrescente (Gráfico 1.1). Ao mesmo tempo, cabe mencionar, que o consumo

de gasolina C manteve-se estável.

A tecnologia flex-fuel consiste na possibilidade de utilizar gasolina, álcool ou qualquer

proporção destes combustíveis num mesmo tanque. O consumo, entretanto, por quilômetro

percorrido difere entre esses. Motores movidos a gasolina percorrem dez quilômetros por

litro, enquanto os abastecidos com álcool percorrem apenas sete, ou seja, a potência

energética do motor a álcool corresponde a 70% do motor a gasolina. Devido a este

diferencial de consumo relativo, o consumo do álcool só se justifica economicamente se seu

preço foi no máximo igual a 0.7 do preço da gasolina. Caso contrário, a gasolina é a opção

mais vantajosa.

Gráfico 1.7 - Venda de Automóveis a Gasolina e Flex-Fuel no Brasil (unidade)

Fonte: ANFAVEA

Atualmente, existem os carros tricombustíveis que permitem ao consumidor escolher não só

entre a gasolina e o álcool, mais também entre o gás natural veicular, o GNV. Segundo o

Instituto Brasileiro de Petróleo, Gás e Biocombustíveis, para a gasolina ser mais econômica

que o GNV, seu preço deve ser 20% menor que o do gás. Já, no caso do álcool, esse deverá

ser 50% menor que o preço do GNV. Na prática, o preço do gás natural veicular é menor que

o preço de ambos os combustíveis, de forma que é sempre mais vantajoso abastecer com

gás natural.

Entretanto, os carros tricombustíveis, apesar da maior flexibilidade, tendem a ser mais caros,

uma vez que o custo de instalação do kit de gás é acrescido no preço final. Além disso, o kit

de armazenamento do gás ocupa grande parte do porta-malas, dificultando sua aceitação.

Os maiores consumidores de GNV são os taxistas, pois são grandes as distância percorridas,

justificando o investimento inicial no kit gás. Portanto, é possível considerar o mercado de

gás como um mercado próprio, independente das oscilações dos mercados de gasolina e

álcool hidratado, e com consumidores fiéis.

500000

1000000

1500000

2000000

2500000

2004

2005

2006

2007

2008

Automóveis a Gasolina

Automóveis Flex-Fuel

A introdução dos automóveis bicombustíveis, por outro lado, impacta no mercado de

gasolina. Esses, porém, são difíceis de serem mensurados. Antes da introdução desta

tecnologia, a preferência do consumidor por determinado combustível era revelada na

escolha do carro, porém, com os automóveis bicombustíveis, não é possível mais traçar uma

relação direta entre automóvel e combustível. A avaliação de preferências torna-se,

portanto, um trabalho mais difícil.

Neste sentido, dois tipos de análise podem ser feitas paralelamente. A primeira, adotada

nesta dissertação, constitui no estudo da sensibilidade do consumo, no caso, de gasolina C,

em relação a mudanças no mercado como, por exemplo, variações no preço, na renda e a

introdução da tecnologia flex-fuel. A segunda maneira constitui na elaboração e realização

de uma pesquisa direta com os consumidores.

Com relação a esta última, em setembro de 2006, o IBOPE realizou, a pedido da UNICA, uma

pesquisa

denominada Projeto Flex. O objetivo era revelar as preferências dos

consumidores, assim como conhecer as razões das escolhas feitas pelos mesmos.

Os dois aspectos mais interessantes da pesquisa são: (i) para 70% dos consumidores

entrevistados, as questões ambientais não são prioritárias, de forma que um dos maiores

apelos para a utilização do álcool como combustível alternativo simplesmente não vale, pelo

menos para os consumidores brasileiros; e (ii) o preço do álcool corresponde ao principal

motivo para não utilizá-lo indicando, portanto, a sensibilidade deste mercado a variações no

preço. Em São Paulo, por exemplo, a política tributária de redução do imposto estadual

sobre o álcool hidratado resultou na utilização deste combustível por 88% dos proprietários

de automóveis flex-fuel.

Com base neste último ponto, é possível ressaltar que a existência de especificidades

estaduais como, por exemplo, o imposto estadual sobre os combustíveis automotivos,

dificulta também a análise de sensibilidade do consumo de gasolina. Desta forma, as reações

a mudanças no mercado de gasolina tendem a ser diferente entre os estados sendo

necessária, a fim de se obter resultados mais precisos, uma avaliação estadual.

IBOPE/UNICA. Projeto Flex. Setembro de 2006.

Sendo assim, esta seção procurou realizar uma breve análise histórica da matriz de

combustíveis no Brasil a fim de ressaltar as diversas transformações que a matriz brasileira

de combustíveis sofreu ao longo dos anos. Com o objetivo de avaliar as características

específicas dos estados brasileiros é feita, em seguida, uma análise dos diferentes

comportamentos do consumo e do preço da gasolina C.

1.2 - Diferenças Estaduais

1.2.1 - Consumo de Gasolina C

Como não há uma medida quantitativa exata do consumo de gasolina C, as vendas, pelas

distribuidoras, de gasolina C são utilizadas como medida de demanda. Cabe mencionar que

essa medida é disponibilizada pela Agência Nacional de Petróleo.

Gráfico 1.8 – Venda, pelas Distribuidoras, de Gasolina C em 2008 (m³)

Fonte: Agência Nacional de Petróleo

1,000,000

2,000,000

3,000,000

4,000,000

5,000,000

6,000,000

7,000,000

8,000,000

Acre

Alagoas

Amapá

Amazonas

Bahia

Ceará

Distrito Federal

Espírito Santos

Goiás

Maranhão

Mato Grosso

Mato Grosso do Sul

Minas Gerais

Pará

Paraíba

Paraná

Pernambuco

Piauí

Rio de Janeiro

Rio Grande do Norte

Rio Grande do Sul

Rondônia

Roraima

Santa Catarina

São Paulo

Sergipe

Tocantins

De acordo com o Gráfico 1.8, é possível notar que os estados das regiões sul e sudeste são

os maiores consumidores de gasolina C no Brasil. De fato, o consumo destas duas regiões

corresponde a 68,50% do consumo total deste combustível. São Paulo é o estado que lidera

essa estatística com 27,86%. Este fato está bastante relacionado com o tamanho da frota de

automóveis.

Ao analisar os dados referentes à frota de automóveis disponibilizados pelo DENATRAN, as

regiões Sul e Sudeste possuem a maior concentração de automóveis. Em dezembro de 2007,

esta participação correspondia a, aproximadamente, 81% da frota de automóveis nacionais.

Dentro deste contexto, é possível, então, identificar diferenças quanto ao consumo de

gasolina C entre os estados brasileiros. Estas diferenças são resultados de diversos fatores

como, por exemplo, o tamanho populacional, a malha rodoviária e o desenvolvimento

econômico.

A fim de fazer uma análise exploratória mais detalhada e, com isso, tentar comparar o

comportamento dos estados em relação à demanda por gasolina C, três tipos de análise são

feitas. Primeiro, as variações percentuais de consumo entre 2007 e 2008 são calculadas. Em

seguida, as taxas de crescimento acumuladas são também calculadas, para tal considera-se o

período entre 2000 e 2008. Por fim, calcula-se o consumo de gasolina C per capita.

Gráfico 1.9 - Variação Percentual entre 2007 e 2008 das Vendas, pelas

Distribuidoras, de Gasolina C

Fonte: Agência Nacional de Petróleo

Com base no Gráfico 1.9, é possível notar comportamentos distintos entre os estados. O

aumento da demanda por gasolina C foi maior nos estados da Região Norte. A expansão do

agronegócio, a implantação de indústrias na região e até mesmo o estímulo à agricultura

familiar são fatores que explicam o aumento do consumo de gasolina C na Região.

Em contrapartida, tanto em São Paulo quanto no Rio de Janeiro, o consumo de gasolina C

entre 2007 e 2008 diminuiu. A queda em São Paulo pode ser atribuída à política tributária

de redução da alíquota do imposto estadual sobre o álcool hidratado. O objetivo único dessa

política é o de desestimular a sonegação fiscal e, com isso, aumentar a arrecadação, porém,

indiretamente, esta política implicou no favorecimento do consumo do álcool hidratado.

Vale mencionar que o imposto estadual sobre a gasolina C no estado de São Paulo não foi

alterado permanecendo, portanto, em 25%.

ICMS/SP - Lei Estadual nº 11.593, de 04 de dezembro de 2003.

-5%

10%

15%

20%

Acre

Alagoas

Amapá

Amazonas

Bahia

Ceará

Distrito Federal

Espírito santo

Goiás

Maranhão

Mato Grosso

Mato Grosso do Sul

Minas Gerais

Pará

Paraíba

Paraná

Pernambuco

Piauí

Rio de Janeiro

Rio Grande do Norte

Rio Grande do Sul

Rondônia

Roraima

Santa Catarina

São Paulo

Sergipe

Tocantins

Tabela 1.1 - Impactos da Mudança do Imposto Estadual ICMS sobre o Consumo de

Álcool Hidratado e Gasolina C no Estado de SP

Ano

ICMS sobre o

Álcool Hidratado

Razão

entre

álcool hidratado

e o

gasolina C

Consumo de

Gasolina C (m³)

Consumo de

Álcool Hidratado

(m³)

2003

25%

0.57

6.714.637

1.432.295

2004

12%

0.49

6.697.062

2.326.541

2005

12%

0.53

6.953.243

2.400.752

2006

12%

0.58

7.041.661

3.743.678

2007

12%

0.53

7.153.913

5.545.120

2008

12%

0.54

7.020.308

7.251.253

Foi calculado primeiro a média anual dos preços dos combustíveis para depois calcular a razão entre os preços

do álcool hidratado e da gasolina C

Fonte: Agência Nacional de Petróleo

De forma análoga, a relação entre o preço do álcool hidratado e o preço da gasolina C, no

Rio de Janeiro, ficou abaixo de 0.7 entre 2007 e 2008, justificando, portanto, o uso do álcool

hidratado ao invés da gasolina C. Contudo, é preciso destacar que não houve redução do

imposto estadual sobre o álcool hidratado no Rio de Janeiro.

Gráfico 1.10 - Preço Relativo entre Álcool Hidratado e Gasolina C – RJ

Fonte: Agência Nacional do Petróleo

A fim de analisar o comportamento de médio prazo dos estados quanto à demanda por

gasolina C, a taxa de crescimento acumulada das vendas, pelas distribuidoras, desse

combustível foi calculada.

0.40

0.45

0.50

0.55

0.60

0.65

0.70

0.75

0.80

0.85

0.90

01-07-2001

01-11-2001

01-03-2002

01-07-2002

01-11-2002

01-03-2003

01-07-2003

01-11-2003

01-03-2004

01-07-2004

01-11-2004

01-03-2005

01-07-2005

01-11-2005

01-03-2006

01-07-2006

01-11-2006

01-03-2007

01-07-2007

01-11-2007

01-03-2008

01-07-2008

01-11-2008

Gráfico 1.11 -Taxa de Crescimento Acumulada das Vendas, pelas Distribuidoras,

de Gasolina C entre 2000 e 2008

Fonte: Agência Nacional de Petróleo

A partir da análise gráfica, é possível notar uma tendência de consumo decrescente no

Espírito Santo, no Rio de Janeiro e em São Paulo. De fato, a Região Sudeste é a que

apresenta as menores variações de consumo de gasolina C.

Ainda com o objetivo de obter um bom indicador de consumo de gasolina que possa ser

utilizado para comparar demandas entre os estados, o consumo de gasolina C per capita foi

calculado. Por uma questão de disponibilidade de dados foram utilizados os dados de vendas

de consumo referentes a julho de cada ano, uma vez que os dados divulgados pelo IBGE

sobre o número de habitantes são referentes a julho.

-2%

10%

Acre

Alagoas

Amapá

Amazonas

Bahia

Ceará

Distrito Federal

Espírito santo

Goiás

Maranhão

Mato Grosso

Mato Grosso do Sul

Minas Gerais

Pará

Paraíba

Paraná

Pernambuco

Piauí

Rio de Janeiro

Rio Grande do Norte

Rio Grande do Sul

Rondônia

Roraima

Santa Catarina

São Paulo

Sergipe

Tocantins

Tabela 1.2. - Evolução do Consumo de Gasolina C por Habitante entre 2001 e 2007

(m³ por habitante)

Fonte: Agência Nacional de Petróleo e IBGE

A análise do consumo per capita de gasolina C indica um comportamento bastante distinto

entre os estados. Para a maior parte dos estados brasileiros, o consumo é estável ao longo

do período de análise, o que indica a existência de um período de ajuste a mudanças.

Contudo, para os estados da região norte e nordeste há um forte crescimento do consumo

per capita de gasolina C. Ainda em relação à Tabela 1.2, em termos absolutos, o Distrito

Federal representa o local com maior consumo per capita de gasolina C, o que pode ser

resultado da alta renda per capita da Capital do país.

Deste modo, a demanda por gasolina C no Brasil apresenta comportamentos bastante

assimétricos entre os estados brasileiros. Por suposição, os principais fatores que explicam

07/2001

07/ 2002

07/ 2003

07/2004

07/ 2005

07/ 2006

07/2007

2001-2007

0.006

0.007

0.008

5.84%

0.007

0.008

3.18%

0.009

0.011

0.012

0.011

0.009

0.011

3.31%

0.008

0.009

0.008

0.010

3.81%

0.008

0.009

0.010

0.011

6.29%

0.006

0.004

0.005

0.006

1.28%

0.008

0.009

0.010

4.30%

0.005

0.004

-1.46%

0.005

0.006

0.64%

0.005

0.006

0.005

0.006

1.25%

0.005

0.006

0.007

5.23%

0.006

0.67%

0.004

0.005

0.006

7.59%

0.006

0.007

2.28%

0.006

0.007

0.006

0.007

0.006

0.007

1.74%

0.012

0.011

0.013

0.010

0.011

-1.15%

0.010

0.011

0.012

0.011

0.012

2.55%

0.010

0.011

0.010

0.009

0.008

-3.16%

0.016

0.015

0.014

-2.18%

0.012

0.013

0.014

0.013

0.13%

0.016

0.017

0.018

0.019

0.018

0.020

0.018

2.05%

0.014

0.015

0.016

0.015

0.014

-0.32%

0.023

0.024

0.025

0.026

0.025

0.024

0.023

-0.02%

0.012

0.013

0.014

0.013

1.47%

0.009

0.011

0.012

0.011

0.010

1.63%

0.011

0.012

0.013

0.012

0.011

0.012

0.77%

tais trajetórias são o preço da gasolina C e o preço do álcool hidratado, que por causa da

introdução da tecnologia flex-fuel, tornou-se um substituto próximo, ainda que não perfeito,

da gasolina C.

Contudo, outros fatores podem ser destacados, ainda que não seja o principal objetivo desta

dissertação estudá-los, são eles: o desenvolvimento econômico, incluindo a expansão

industrial e da agroindústria; a renda por habitante; e os hábitos dos consumidores. Este

último fator, apesar de extremamente importante e interessante, não pode, ainda, ser

mensurado e, por isso, é considerado apenas um resíduo na explicação das variações do

consumo de gasolina C.

Posto isso, de acordo com a finalidade da dissertação, na próxima seção é feita uma análise

detalhada sobre a estrutura de precificação da gasolina C no Brasil. Para tal, a evolução

histórica do preço da gasolina C é analisada, assim como os componentes do preço, em

especial, o imposto estadual.

1.2.2 - Preço da Gasolina C

1.2.2.1 - Evolução Histórica dos Preços dos Derivados

O estudo histórico sobre os preços dos derivados no Brasil tem como principal fonte a Nota

Técnica Nº13 da Agência Nacional de Petróleo (ANP). Contudo, cabe mencionar que não é o

objetivo desta seção detalhar todas as políticas referentes à precificação e, sim, o de

oferecer um panorama geral sobre a formação dos preços dos derivados no Brasil.

De acordo com a ANP, a política de preços dos derivados de petróleo pode ser dividida em

duas fases. A primeira fase, de 1938 a 1990, corresponde ao período em que o Governo

passou a considerar todas as atividades relacionadas ao petróleo e seus derivados como de

utilidade pública. A segunda fase, a partir do início da década de 90, corresponde ao período

em que se iniciou o processo de desregulamentação do setor e, consequentemente, o

processo de liberalização dos preços e da abertura do mercado de combustíveis.

i) Fase 1: 1938 -1990

A primeira fase é caracterizada pelo forte papel do setor público no mercado de

combustíveis. O objetivo do Governo Federal, nesta fase, era o de uniformizar os preços dos

produtos refinados fossem esses nacionais ou importados. Vale mencionar que a justificativa

para tal objetivo era o de equalizar as condições econômicas e sociais. De qual quer forma, a

fim de alcançar a meta traçada foi instituído, em 1938, o Conselho Nacional de Petróleo

sendo uma de suas atribuições a de estabelecer os limites máximos e mínimos dos preços.

Contudo, o estabelecimento das margens pelo Conselho só era possível via tributação, uma

vez que os preços dos derivados eram estruturados com base no custo, seguro e frete (cost,

insurance and freight - CIF), variáveis fora do controle do CNP. Porém, o uso da política

tributária estava comprometido, pois tanto os estados quanto os municípios possuíam o

direito legal de estabelecer as alíquotas e, até mesmo, de criar novos impostos sobre os

derivados do petróleo.

A fim de contornar tal situação, a Constituição Federal de 1937 foi alterada

. Com a

alteração, coube à União o direito de tributar todas as etapas da cadeia de produção dos

derivados de petróleo. A opção do Governo Federal foi a de substituir todos os impostos

(federais, estaduais e municipais) vigentes por um imposto único denominado Imposto

Único sobre Combustíveis e Lubrificantes (IUCL).

Além disso, o Governo Federal determinou o primeiro critério de formação de preços dos

derivados

, que deveriam então seguir a sistemática de paridade entre os preços dos

derivados de produção nacional (nas refinarias) e dos derivados importados (nos portos).

Portanto, de acordo com o novo critério, os preços dos derivados deveriam refletir o custo

médio das importações realizadas. Vale acrescentar que a conversão cambial era calculada a

partir da soma da taxa de câmbio oficial com uma sobretaxa única, fixada para a importação

de todos os produtos.

O Conselho Nacional de Petróleo (CNP) foi instituído em 29 de abril de 1938 (Decreto-lei nº 395/38).

A Constituição Federal é alterada pela Lei Constitucional nº4/40, de 20 de Setembro de 1940.

Lei nº 2.975/56

Contudo, um dos componentes do preço é o custo de transporte de forma que, apesar da

tentativa do Governo Federal de uniformizar os preços dos derivados, esses continuavam a

ser diferentes entre os estados.

Até então, a produção nacional de derivados não era capaz de suprir a demanda interna,

porém com a intensificação dos investimentos realizados pela Petrobras, criada em 1953

70% da demanda nacional já era atendida. Consequentemente, o sistema de paridade de

preços já não refletia a situação do país. Um novo critério, então, foi estabelecido

. De

acordo com esse, o custo do petróleo importado foi incorporado na composição do preço.

Sendo assim, para estabelecer os preços dos derivados nacionais, o Conselho Nacional de

Petróleo determinou que o custo CIF do petróleo importado fosse multiplicado por

coeficientes. Esses, por sua vez, eram determinados a partir da receita líquida das refinarias

e refletiam as especificidades da indústria nacional.

Além disso, a base de cálculo do Imposto Único (IUCL) foi também alterada

. As alíquotas

deixaram de incidir sobre o custo CIF dos derivados importados e passaram a incidir sobre o

preço ex-refinaria, não incluindo o imposto. Ainda foram acrescentadas parcelas adicionais

(alíneas) aos preços dos derivados (e também do álcool carburante).

Contudo, em 1965, devido ao excesso de oferta houve uma redução dos preços

internacionais do petróleo, o que refletiu numa queda do custo CIF do petróleo importado.

Essa redução implicou numa diminuição da receita das refinarias, uma vez que o preço era

baseado nesse custo CIF.

A fim de manter a rentabilidade das refinarias, certa flexibilidade foi permitida no

estabelecimento do custo médio do processamento de um barril de petróleo. O custo médio

deveria refletir os níveis dos preços internacionais, mas, dado o objetivo, adaptações eram

Lei nº 2.004/53, de 3 de outubro de 1953.

Promulgação da Lei nº 4.452/64, de 5 de Novembro de 1964.

Lei nº 4.452/64, de 5 de Novembro de 1964.

possíveis. Além do custo médio, o preço de realização dos derivados considerava também os

custos nacionais de refino e uma margem de lucro.

Em 1977

, a sistemática de cálculo do preço de realização dos derivados foi novamente

alterada. O cálculo do preço passou a considerar o valor médio de realização, composto pelo

somatório dos seguintes fatores: (i) pelos custos gerados em função dos preços do petróleo

e de outros materiais importados e da taxa de câmbio necessária à conversão; (ii) pelos

custos da mão-de-obra utilizada nas refinarias; (iii) pelos custos relacionados à depreciação,

amortização e remuneração do capital investido; e (iv) outros custos.

O valor médio de realização correspondia à receita unitária obtida na venda dos derivados

nacionais. A receita total das refinarias, portanto, era igual ao valor médio multiplicado pelo

volume dos derivados produzidos no país e comercializados. Assim, o preço de realização

deveria ser tal que assegurasse essa receita total.

O uso de subsídios cruzados resultou dessa nova sistemática. Os consumidores de produtos

derivados cujos preços eram maiores que seus valores médios de realização transferiam

renda aos consumidores de derivados cujos preços eram inferiores aos seus respectivos

valores médios.

Em meados da década de 80

, novas alterações foram feitas com relação tanto à base de

cálculo do IUCL quanto aos componentes do preço dos derivados.

A base de cálculo do imposto único passou a ser específica e não mais ad valorem. Além

disso, as parcelas (alíneas) que compunham os preços ex-refinarias foram reagrupadas.

Basicamente, a função das alíneas era a de cobrir as distorções do mercado ou despesas

específicas além de possuírem função fiscal. É interessante notar como a formulação de

parte dos componentes do preço dos derivados tem objetivo político, e, não econômico.

Decreto-lei nº 1.599/77, de 30 de dezembro de 1977.

Promulgação do Decreto-lei nº 1.785/80, de 13 de maio de 1980.

Em 1982, os impostos federais FINSOCIAL, Fundo de Investimento Social, e PIS/PASEP,

Programa de Integração Social e de Formação do Patrimônio do Servidor público, foram

adicionados ao preço ex-refinaria dos derivados.

Esta estrutura de preço foi preservada até 1983

quando foi determinado que 60% dos

recursos gerados pelo imposto único e pelas alíneas seriam repassados aos estados e

municípios. A fim de contornar tal situação, o Governo Federal substituiu todas as alíneas

pelo Imposto sobre Operações Financeiras (IOF). O repasse não recaía sobre esse imposto.

Contudo, por razões não explicitadas aqui, o IOF sobre as importações de petróleo mostrou-

se inadequado sendo eliminado em outubro de 1984. Para substituir o IOF, dois novos

impostos foram acrescentados na composição dos preços dos derivados, são eles: (i) Frete

de Uniformização de Preços; e (ii) Frete de Uniformização de Preços de Álcool. Além desses,

em 1985, foi acrescentada ao preço uma parcela específica cujo objetivo era o de garantir

recursos para os pagamentos de royalties, relativos às plataformas continentais.

A partir de 1988, mais especificamente com a Constituição Federal de 1988, a situação

tributária relacionada aos preços dos derivados muda. O Imposto Único sobre Combustíveis

e Lubrificantes é extinto e os estados passaram a ter competência para tributar as operações

de comercialização de combustíveis.

Dentro deste contexto, em substituição ao IUCL, o Imposto sobre Circulação de Mercadorias

e sobre Prestação de Serviços de Transporte Interestadual e Intermunicipal e de

Comunicação (ICMS) passou a incidir sobre os combustíveis. Vale mencionar que o novo

sistema tributário só entrou em vigor em março de 1989.

Essa medida é resultado de outra mudança importante estabelecida pela Constituição

Federal. De acordo com a Constituição, o abastecimento nacional de petróleo e de derivados

deixou de ser considerado serviço de utilidade pública.

Emenda Constitucional nº 23/83, de 1º de dezembro de 1983, denominada Emenda Passos Porto.

Em 1990

, o Conselho Nacional de Petróleo foi substituído pelo Departamento Nacional de

Combustíveis, órgão responsável pela regulamentação do setor.

Portanto, a primeira fase, de 1938 a 1990, foi caracterizada pela forte intervenção

governamental na sistemática de precificação dos derivados do petróleo. O objetivo do

Governo Federal era, através da uniformização dos preços dos derivados e outras medidas,

equalizar as condições econômicas e sociais no país.

ii) Fase 2: 1990 – até os dias atuais

A segunda fase corresponde ao período de desregulamentação do setor e,

consequentemente, do processo de liberalização dos preços e da abertura do mercado de

combustíveis. A partir dos anos 90, seguindo uma tendência mundial, o Brasil inicia um

processo gradual de desregulamentação a fim de estimular a concorrência no mercado de

derivados.

Em relação à gasolina e ao álcool hidratado, foi apenas em 25 de março de 1996

que seus

preços de venda foram liberalizados. Foi também em 1996

, a liberalização dos preços de

venda do álcool anidro nas unidades produtoras.

De acordo com este novo cenário, a sistemática de formação dos preços dos derivados de

petróleo foi alterada

. Coube ao Ministério de Minas e Energia em conjunto com o

Ministério da Fazenda e a Petrobras definir o preço de realização inicial de cada derivado.

Este preço deveria refletir tanto o custo operacional quanto o lucro da empresa.

Mas, foi somente no final de 2001, 31 de dezembro de 2001, que o processo de liberalização

dos preços terminou. As importações foram liberadas para todos os derivados e os preços

livres do produtor ao consumidor final. Além disso, os subsídios foram extintos, mas podem

existir mediante aprovação do Congresso Nacional.

Decreto-lei nº 99.180/90, de 15 de março de 1990.

Portaria MF nº 59/96.

Portaria MF nº 294/96, de 13 de dezembro de 1996.

Portaria MF/MME nº 3/98, de 27 de julho de 1998.

Com a abertura do mercado, foi necessária a adequação tributária. Em 2001, a CIDE,

Contribuição de Intervenção no Domínio Econômico, foi criada. A CIDE é um imposto federal

cujas características são: (i) específico, ou seja, incide sobre a unidade vendida; (ii)

monofásico, cobrado em um único ponto da cadeia produtiva; e (iii) isonômico, igual em

todo território nacional.

Sendo a gasolina C o objeto de estudo deste trabalho, é apresentada, em seguida, sua

estrutura atual de formação do preço.

Dado que a gasolina C é formada pela combinação entre a gasolina A e o álcool anidro, é

preciso considerar as composições dos custos da gasolina A desde o produtor e do álcool

anidro. Considerando primeiro o custo da gasolina pura, os fatores que incidem sobre esse

são: (i) o preço de realização dos produtores; (ii) os impostos federais PIS/PASEP, COFINS e

CIDE; (iii) o imposto estadual ICMS; (iv) a substituição tributária referente ao ICMS; e (v) o

frete relativo ao transporte da gasolina A até a base de distribuição. Ao mesmo tempo, os

fatores que incidem sobre o custo do álcool anidro são: (i) o preço do álcool anidro; e (ii) o

frete de coleta.

Dessa forma, para a composição final do custo da gasolina C para os postos revendedores é

preciso acrescentar a margem de distribuição das distribuidoras, assim como o frete da base

de distribuição até os postos. Sendo assim, o preço final da gasolina C na bomba é a soma do

preço de aquisição mais a margem de revenda.

Figura 1.1 – Composição do Preço da Gasolina C - Rio de Janeiro

Nota: Período de coleta: 17/08/2008 a 23/08/2008

Fonte: Petrobras

Como mencionado anteriormente, são quatro os impostos que incidem sobre as operações

envolvendo a gasolina C: (i) CIDE – combustível; (ii) PIS/PASEP; (iii) COFINS; e (iv) ICMS.

Dado o objetivo deste trabalho de avaliar os impactos de mudanças no ICMS sobre o

consumo de gasolina C, será descrito apenas o ICMS.

1.2.2.2 - ICMS sobre a Gasolina C

O Imposto sobre operações relativas à Circulação de Mercadorias e sobre Prestação de

Serviços de Transporte Interestadual e Intermunicipal e de Comunicação (ICMS) passou a

incidir sobre a gasolina C em 1989. A Constituição Federal de 1988 atribuiu aos estados

brasileiros a competência de tributar as operações de comercialização de gasolina C.

O ICMS é o único imposto brasileiro sobre valor agregado e, por isso, equivale, em outros

países, ao value-added tax. É, também, um imposto estadual, indireto e não-cumulativo.

No caso do Rio de Janeiro, foi criado o Fundo de Combate à Pobreza (Lei nº 4.056/2002, regulamentada pelo

Decreto nº 32.646/2003), implicando no acréscimo, a partir do dia 8 de janeiro de 2003, de um ponto

percentual na alíquota do ICMS. Logo, sendo o ICMS sobre a gasolina igual a 31% seu valor final é igual a 32%.

Por ser um imposto estadual, as alíquotas referentes ao ICMS podem ser diferentes entre os

estados. Além disso, o ICMS está associado ao consumo e não à renda, uma vez que é um

imposto indireto. Por fim, por ser um imposto não-cumulativo, a incidência deste imposto é

somente sobre o valor acrescido em cada etapa de produção. Portanto, o montante de

imposto cobrado nas operações anteriores é abatido em cada nova etapa.

Os fatores geradores para a incidência do ICMS

são três: (i) a circulação de mercadorias

dentro de um mesmo estado ou entre estados; (ii) a prestação de serviço de comunicação; e

(iii) a prestação de serviços de transporte intermunicipal e interestadual.

Além disso, as alíquotas do ICMS são classificadas em internas, quando a comercialização

ocorre dentro de um mesmo estado, ou, caso contrário, interestaduais. Em geral, as

alíquotas internas não podem ser menores que as interestaduais cabendo ao Senado Federal

estabelecer a alíquota máximo dessa última

As alíquotas internas referentes à gasolina C pouco mudaram nos últimos oito anos não

havendo, a princípio, razão para considerar o ICMS tema de pesquisa. Contudo, a

possibilidade de utilizar o imposto estadual como instrumento de política energética e

política ambiental justifica o interesse.

Para o cálculo do imposto estadual, o preço de venda considerando o próprio imposto,

modalidade de cálculo denominada “por dentro”, é utilizado. Contudo, a fim de reduzir a

sonegação fiscal, foi estabelecido o regime de substituição tributária

De acordo com essa modalidade de tributação, um contribuinte é determinado como

responsável pelo recolhimento do imposto devido nas demais operações. No caso específico

da gasolina, as refinarias são as responsáveis por recolher o ICMS devido pelos contribuintes

referentes às operações seguintes. Neste caso, a base de cálculo

é obtida pelo somatório

do valor da operação realizada pelo substituto tributário, no caso as refinarias, mais o

Definidos na Constituição Federal de 1988, art.155, caput e 2º parágrafo.

Conforme disposto na Constituição Federal de 1988.

Lei Complementar nº87/96 de 13 de setembro de 1996 – Lei Kandir.

Definida no Art.8° da Lei Complementar nº87/96 de 13 de setembro de 1996 – Lei Kandir.

montante dos valores de seguro, fretes e de outros encargos cobrados ou transferíveis para

as distribuidoras e postos revendedores e, finalmente, a margem de valor agregado,

inclusive o lucro, relativa às operações posteriores.

Vale mencionar que, a margem considerada para o cálculo do imposto é estabelecida com

base em preços usualmente praticados no mercado, obtida por levantamente ou através de

informações obtidas junto aos agentes deste mercado.

A fim de caracterizar a diferenciação das alíquotas internas entre os estados brasileiros mais

o Distrito Federal, é apresentado abaixo um mapa do ICMS sobre a gasolina em janeiro de

2008 divulgado pelo Sindicom.

Fonte: Sindicom

A partir deste mapa é possível notar que, para catorze unidades da federação, a alíquota

sobre a gasolina é igual a 25%. As maiores alíquotas são encontradas no Pará (30%) e no Rio

de Janeiro (31%), sendo que, no caso do Rio de Janeiro, como mencionado anteriormente,

há um acréscimo de um ponto percentual destinado ao Fundo de Combate à Pobreza, de

forma que a alíquota final é igual a 32%.

Com relação as operações interestaduais, a adoção do regime de substituição tributária

dependerá de acordo específico entre os estados interessados. Neste caso, a

responsabilidade pode ser atribuída ao contribuinte que realizar a operação interestadual

em relação às operações seguintes, ou seja, o estado “vendedor”.

Por fim, dado que o objeto de estudo desta dissertação é a gasolina C, é preciso analisar a

incidência do imposto sobre o álcool anidro. Em relação as operações de aquisição de álcool

anidro pelas distribuidoras às destilarias e usinas, não há ICMS. O imposto estadual sobre o

álcool anidro é recolhido junto com o ICMS sobre a gasolina A. No caso do álcool anidro, e

também do álcool hidratado, cabe aos estados produtores o recolhimento do ICMS.

Capítulo 2 – Revisão da Literatura

São muitos os trabalhos que analisam o consumo de gasolina no Brasil e no mundo através

do cálculo das elasticidades-preço da demanda de curto e de longo prazo. Contudo, dada a

especificidade da questão analisada nesta dissertação, optou-se por apresentar apenas

trabalhos acadêmicos que fazem referência ao Brasil. Não foram encontrados, entretanto

trabalhos econométricos que calculem os efeitos de variações no ICMS sobre o consumo de

gasolina no Brasil.

O estudo de Cavalcanti et al. (2006) analisa, a partir de uma análise microeconômica, os

efeitos substituição e renda gerados por mudanças no ICMS. A análise é feita para o estado

de São Paulo em 2003 e 2005, a fim de captar o efeito da redução, em 2004, do ICMS do

álcool hidratado de 25 para 12%.

O efeito do barateamento do álcool gerou dois movimentos: primeiro, a inclinação da

restrição orçamentária diminuiu

e, em seguida, o poder aquisitivo do consumidor

aumentou. O artigo ainda considera a pequena redução tributária sobre a gasolina e o

aumento da renda no período analisado.

Os resultados mostram a evolução do consumo destes combustíveis ao longo de dois anos

incorporando os efeitos das mudanças de ICMS. De acordo com o artigo, os incentivos

tributários servem como ferramenta de estímulo a entrada de combustíveis alternativos. O

uso deste trabalho será importante para a comparação dos resultados obtidos aqui, mais

especificamente em relação à direção dos impactos gerados pela variação no ICMS.

Os trabalhos econométricos descritos nesta seção têm como objetivo a estimação da

elasticidade-preço da demanda por gasolina no Brasil. Como mencionado anteriormente,

não foram encontrados trabalhos econométricos que analisem os efeitos sobre o consumo

A restrição orçamentária é

gaagg

XmXPXP 

de gasolina às mudanças no imposto estadual. Estes estudos serão utilizados para

comparação dos resultados e, também, para a definição do modelo e da técnica de

estimação.

Há um consenso na literatura de que a elasticidade-preço da demanda por gasolina é baixa

tanto no curto quanto no longo prazo. Além disso, os resultados sugerem também que a

elasticidade no longo prazo é maior do que a elasticidade no curto dada a necessidade dos

padrões de consumo se adaptarem às mudanças no tempo.

As formas de estimação da elasticidade variam de autor para autor, mas, no caso do Brasil,

parece haver certa convergência para o uso da técnica de co-integração.

O estudo da sensibilidade do mercado de gasolina no Brasil a mudanças no preço e na renda

ganhou força a partir dos choques de petróleo na década de 70, do contra-choque na

década de 80 e do estabelecimento do Programa Nacional do Álcool, o ProÁlcool, em

novembro de 1975. Além disso, a década de 90 foi caracterizada pela abertura do mercado

tendo, em 1996/1997, sido liberalizado o preço da gasolina. Portanto, no período entre a

década de 70 e 90 ocorreram muitas transformação no mercado de combustíveis, o que

instigou os pesquisadores a analisarem os efeitos de tais mudanças no consumo de gasolina.

Sendo assim, considerando este período, dois trabalhos são apresentados, quais sejam:

Burnquist e Bacchi (2002) e Alves e Bueno (2003).

O trabalho desenvolvido por Burnquist e Bacchi (2002) tem por objetivo analisar a demanda

por gasolina no Brasil entre 1973 e 1998. Para tal, é utilizado um modelo econômico básico

que relaciona consumo, preço de gasolina e renda dos consumidores.

A variável dependente do modelo econométrico é o consumo de gasolina per capita no

Brasil. Já, os regressores são o preço real da gasolina e a renda agregada (produto interno

bruto) real per capita. A estimação dos parâmetros é realizada através da utilização da

técnica de co-integração.

Cabe mencionar que o preço do álcool hidratado não foi introduzido no modelo, pois,

segundo Burnquist e Bacchi (2002), durante o período analisado, o preço do álcool era

administrado pelo governo, que possuía uma política de estabilização do preço do álcool.

Como conseqüência desta política, os preços relativos destes combustíveis (gasolina e

álcool) eram mantidos praticamente constantes.

Burnquist e Bacchi (2002) especificam o seguinte modelo de correção de erro:







= 

+ 







+ 





+ 



2

+ 



1

+ 



Note que a série referente à renda é defasada duas vezes. Constatou-se que este modelo foi

o que apresentou melhor ajustamento, em termos estatísticos, para a condução da análise

econométrica. O termo 

1

representa o termo de regressão de erro da equação de co-

integração.

Tabela 2.1 - Elasticidade-Preço da Demanda por Gasolina (Burnquist e Bacchi,

2002)

Coeficiente

Estatística t

Curto Prazo

-0.319

-3.478

Longo Prazo

-0.227

Os resultados obtidos sugerem que as repostas da demanda por gasolina a alterações no

preço são pouco expressivas. Assim, dada a pequena possibilidade de expansão do consumo

em reposta a uma redução nos preços de gasolina, a possibilidade da evolução de um

desequilíbrio entre a oferta e demanda pelo produto no mercado interno é restrita.

Alves e Bueno (2003) também avaliam o comportamento da demanda por gasolina comum

no curto e longo prazo no Brasil entre 1974 a 1999. Para tal utilizam a técnica de co-

integração.

De acordo com os autores, o consumo de gasolina é uma função dos preços reais da

gasolina, do álcool hidratado e da renda real per capita medida a partir do produto interno

produto. A relação entre as variáveis é linear, sendo o modelo econométrico especificado da

seguinte forma:







= 

+ 







+ 







+ 





+ 



A estimação dos parâmetros é realizada via dois estágios. Num primeiro momento, verifica-

se a ordem de integração das séries, pois para utilizar a técnica de co-integração, as séries

devem ter a mesma ordem. O modelo é estimado via Mínimos Quadrados Ordinários e

testa-se se as séries são co-integradas. Sendo co-integradas, é possível formular o modelo de

correção de erros, o que permite estimar as relações de curto e longo prazo entre as séries.

As elasticidades de longo prazo são dadas por:













= 













= 













= 

Sendo 

a elasticidade-preço da demanda por gasolina, 

a elasticidade-preço cruzada

entre a gasolina e o álcool hidratado e 

a elasticidade-renda da demanda.

O modelo de correção de erro é representado pela seguinte equação:







=

+







+







+





+ 



1

+ 



Este modelo fornece as relações de curto prazo. Mais uma vez, os parâmetros 

, 

e 

são as elasticidades-preço e renda da demanda por gasolina. O parâmetro 

é interpretado

como a velocidade de ajuste de qualquer choque que desvie a trajetória do equilíbrio de

longo prazo.

Seguindo, então, esta metodologia os autores estimaram as elasticidades de curto e longo

prazo. Dado o interesse específico, desta dissertação, pela elasticidade-preço da demanda

por gasolina só são apresentados aqui os resultados referentes a estes parâmetros.

Tabela 2.2 - Elasticidade-Preço da Demanda por Gasolina (Alves e Bueno, 2003)

Coeficiente

Estatística t

P-Valor

Curto Prazo

-0.0919

-0.4500

0.6634

Longo Prazo

-0.4646

-1.7132

0.1174

De acordo com os resultados obtidos, existe uma inelasticidade no curto prazo. Segundo os

autores, uma inelasticidade perfeita, uma vez que o valor estimado não é estatisticamente

diferente de zero. Dentro deste contexto, mudanças no preço não irão induzir mudanças no

consumo, pelo menos no curto prazo.

Outro resultado interessante é a alta velocidade de ajuste a choques externos (

1.4848, = 0.0003), o que confirma os resultados obtidos pelos autores em

relação aos testes de co-integração. Este parâmetro indica que um aumento na demanda

por gasolina de 1% em t-1 acima do previsto pela equação co-integrada implicará numa

queda de consumo de 1.48% no próximo período, t.

Sendo assim, os autores concluem que dada a inelasticidade da demanda por gasolina no

Brasil e a falta de um substituto próximo, a tributação sobre a gasolina seria uma boa fonte

de receita para o governo.

Vale acrescentar que a partir de 2003, a matriz de combustíveis no Brasil sofre uma nova

alteração. A introdução dos automóveis flex-fuel, em março de 2003, possibilitou uma

recuperação do álcool hidratado que tornou-se, também, um substituto mais próximo da

gasolina ainda que não perfeito. Neste novo cenário, seria de se esperar um aumento da

elasticidade-preço da demanda por gasolina no Brasil.

Dentro deste contexto, três trabalhos são apresentados, são eles: Pinto et al. (2006), Nappo

(2007) e Schünemann (2007).

O objetivo de Pinto et al. (2006) é o de avaliar em que medida a introdução de tecnologias

de uso flex e o avanço do gás natural veicular, GNV, vêm alterando a estrutura da demanda

por gasolina e diesel no Brasil. Dado o interesse desta dissertação só serão apresentados

aqui os resultados relativos à gasolina.

Para a análise, são utilizados dados mensais de julho de 2001 a agosto de 2006 dos estados

brasileiros. Por suposição, o consumo de gasolina é uma função do preço real da gasolina, do

álcool hidratado, do GNV e da renda real. É utilizado como Proxy da renda o consumo de

energia elétrica por região, o que implica na imposição de um efeito fixo por região na

estimação do painel nacional.

Antes, entretanto, da estimação do modelo é preciso verificar se o período de introdução

efetiva do GNV e dos automóveis flex-fuel na matriz automotiva ocasionaram quebras

estruturais. Apenas num segundo momento é que a estimação da elasticidade-preço da

demanda é realizada de modo a mensurar exatamente a sensibilidade da demanda em

resposta a variações no preço da gasolina.

Para verificar a existência de quebras estruturais, é aplicado o teste de Chow. O resultado

obtido sugere a presença de instabilidade na estimação do consumo de gasolina. Há,

segundo os autores, uma nítida alteração na estabilidade entre 2002 e 2004, período de

introdução efetiva dos automóveis flex-fuel. Este resultado indicaria a necessidade de rodar

duas regressões, jul/01 a dez/03 e jan/04 a ago/06. Contudo, sendo o tamanho da amostra

pequena, dividi-la resultaria em amostras ainda menores prejudicando a confiabilidade dos

parâmetros estimados. Os autores optaram ao invés por incluir uma dummy temporal.

Segundo Pinto et al. (2006), é possível definir a seguinte equação linear da demanda por

gasolina:







= 

+ 







+ 







+ 







+ 





+ 



É utilizado o método de painel dinâmico, para o qual os dados estaduais foram agrupados

sob a forma de um painel nacional. Logo, o subscrito i refere-se aos vinte e seis estados

brasileiros mais a capital, Distrito Federal. A estimação é realizada via Arellano e Bond. Os

resultados são apresentados na Tabela 2.3 abaixo.

Tabela 2.3 - Elasticidade-Preço da Demanda por Gasolina (Pinto et al., 2006)

Coeficiente

Estatística t

P-Valor

Curto Prazo

-0.1213

-0.67

0.089

Longo Prazo

-0.1414

Com base nos resultados, as elasticidades-preço da demanda por gasolina, tanto de curto

quanto de longo prazo, são baixas caracterizando uma inelasticidade do consumo a

mudanças no preço.

Nappo (2007) procura responder, a partir da estimação das elasticidades-preço e renda da

demanda, qual o impacto da introdução dos automóveis flex-fuel sobre a demanda por

gasolina no Brasil. O período de análise corresponde a agosto de 1994 a julho de 2006.

Com este objetivo, dois modelos são especificados. O primeiro considera que o consumo de

gasolina é uma função do preço real da gasolina, do preço real do álcool hidratado e da

renda real do consumidor (PIB). Já, no segundo modelo, o preço do álcool hidratado é

substituído por uma variável binária cujo objetivo é capturar os impactos da introdução dos

automóveis flex-fuel sobre a curva de demanda por gasolina a partir de março de 2003.

Desta forma, as especificações das curvas de demanda são:

(1) 





= 

+ 







+ 







+ 





+ 

(2) 





= 

+ 







+ 

+ 





+ 

Onde  representa a variável binária de inclinação associada ao preço da gasolina.

A partir do teste de Johansen foi constatado que as séries co-integram existindo, portanto

uma relação de longo prazo entre essas. Isso permite regredir a regressão através do

método de Mínimos Quadrados Ordinários, sem correr o risco de regressão espúria.

Considerando inicialmente a regressão (1), os resultados obtidos sugerem uma relação

positiva entre o consumo de gasolina e seu preço. Além deste resultado não esperado, o

preço do álcool hidratado mostrou-se estatisticamente não significativo. Segundo o autor,

uma possível explicação para tal resultado inusitado pode ser a existência de

multicolinearidade entre as séries referentes aos preços da gasolina e do álcool hidratado, o

que, por sua vez, pode ser explicado pelas determinações legais que regiam os preços de

combustíveis no Brasil até o final do ano de 2001.

Tabela 2.4 - Resultados da Estimação da Equação (1) (Nappo, 2007)

Elasticidade-Preço

da Demanda

Coeficiente

(desvio-padrão)

Estatística t

P-Valor

Longo Prazo

0.3561

(0.0802)

4.44

0.000

De acordo com o autor, o preço da gasolina não é influenciado pelo preço do álcool

hidratado, mas sim o contrário. A fim de determinar com maior precisão a direção de

causalidade entre os preços dos combustíveis, foi feito o teste de causalidade de Granger. O

teste indicou, como esperado, que o preço da gasolina causa, no sentido de Granger, o preço

do álcool, mas o contrário não é verdadeiro. Sendo assim, devido a não significância

estatística do preço do álcool na equação (1), o autor passa a utilizar a segunda equação.

Na equação (2), a série Preço do Álcool Hidratado foi substituída por uma variável binária de

inclinação associada ao preço da gasolina, que passa a ter valores diferentes de zero a partir

da introdução dos automóveis flex-fuel. O objetivo desta variável de interação é o de

capturar os desvios de inclinação da curva de demanda por gasolina, uma vez que alterações

na inclinação dessa implicam em mudanças nas elasticidades da demanda.

O autor acrescentou à equação (2) uma tendência estocástica. Desta forma, a demanda por

gasolina no Brasil passa a ter a seguinte especificação:







= 

+ 

+ 







+ 

+ 





+ 

(3)

Tabela 2.5 - Resultados da Estimação da Equação (3) (Nappo, 2007)

Coeficiente

(desvio-padrão)

Estatística t

P-Valor

Elasticidade-Preço da

Demanda (Longo Prazo)

-0.1967

(0.0792)

-2.48

0.014

Variável Binária

-0.1372

(0.0388)

-3.53

0.001

Os resultados obtidos sugerem uma elasticidade-preço da demanda por gasolina no Brasil

negativa, de acordo com a teoria econômica, e baixa. A significância estatística da variável

binária indica que, a partir de março de 2003, houve mudança na elasticidade-preço da

demanda por gasolina, que se torna mais elástica, -0.3349

. Este resultado pode indicar

uma mudança estrutural no mercado de gasolina, sendo a causa mais provável, a entrada de

automóveis flex-fuel.

Tendo como objetivo avaliar os impactos nas elasticidades da demanda de curto e longo

prazo da expansão do GNV e também dos carros flex, o trabalho de Schünemann (2007) é

apresentado. Apesar de não corresponder a um período de análise recente, de 1970 a 2005,

a especificação dada à demanda por gasolina torna o trabalho bastante interessante.

Os dados anuais utilizados pela autora são: (i) como variável dependente, o consumo de

gasolina C per capita; (ii) como variáveis explicativas, a renda anual per capita (PIB per capita

Valor obtido a partir da soma da elasticidade-preço da demanda com o coeficiente da variável binária.

em R$ de dez/05); os preços médios anuais da gasolina C e do álcool hidratado; o consumo

anual per capita de gás natural veicular; a frota per capita de veículos à gasolina; a idade

média dos veículos à gasolina; e, finalmente, eficiência média dos veículos à gasolina.

Com o objetivo inicial de avaliar o impacto da introdução dos automóveis flex-fuel na

demanda por gasolina, três modelos são especificados:

(A) 





= 

+ 







+ 







+ 





+ 













+ 







+ 







ê



+ 



Onde 





corresponde a uma variável binária, que assume valor 1 para t entre jan/2003 e

fev/2007 e 0 caso contrário. O período de análise desta equação é de 1980 a 2005. A

estimação deste modelo vai permitir analisar os efeitos do preço do álcool sobre o consumo

de gasolina.

(B) 





= 

+ 







+ 





+ 













+ 







+ 







ê



+ 



As diferenças do modelo B em relação à primeira equação são a omissão da série referente

ao preço do álcool hidratado e ao período maior de análise, de 1970 a 2005.

A fim de avaliar o efeito da introdução do GNV sobre as elasticidades da demanda por

gasolina e definir sua significância, a autora considera os modelos especificados acima, mas

introduz como variável adicional explicativa o consumo anual per capita do GNV. O período

de análise é de 1988 a 2005.





= 

+ 







+ 







+ 





+ 













+ 







+ 







ê



+ 







+ 



C.1 – Estimação com Consumo de GNV







= 

+ 







+ 







+ 





+ 













+ 







+ 





+ 

ê



+ 







+ 1



C.2 – Estimação sem Consumo de GNV







= 

+ 







+ 







+ 





+ 













+ 







+ 





+ 

ê



+ 2



Ambas as equações, C.1 e C.2, são estimadas também considerando o período de 1993 a

2005. Apenas reescrevendo:

D.1 – Estimação com Consumo de GNV







= 

+ 







+ 







+ 





+ 













+ 







+ 





+ 

ê



+ 







+ 



D.2 – Estimação sem Consumo de GNV







= 

+ 







+ 







+ 





+ 













+ 







+ 





+ 

ê



+ 2



Os resultados sugerem que a série Preço da Gasolina é estatisticamente significativa apenas

nas equações (B), (C.1) e (C.2). Os valores obtidos, apresentados na Tabela 2.6, estão de

acordo com os encontrados nos demais trabalhos, que indicam uma baixa elasticidade-preço

da demanda por gasolina no longo prazo.

Tabela 2.6 - Estimação das Elasticidades-Preço da Demanda por Gasolina no Longo

Prazo – Dados Anuais (Schünemann, 2007)

(A)

(80-05)

(B)

(70-05)

(C.1)

(88-05)

(C.2)

(88-05)

(D.1)

(93-05)

(D.2)

(93-05)

Coeficiente

(p-valor)

0.0371

(0.7146)

-0.2933

(0.0004)

-0.2392

(0.0018)

-0.2646

(0.0180)

-0.0895

(0.5335)

-0.2496

0.2847

Já, os coeficientes estimados relativos ao preço do álcool hidratado não são significativos e

apresentam sinal contrário ao esperado em todas as equações. Uma possível explicação para

tal resultado é a existência de multicolinearidade entre o preço da gasolina e do álcool. A

alta correlação entre estes preços decorre da regulamentação que regia a política de preços

destes combustíveis no país até final de 2001. Os preços eram fixados pelo governo, de

forma que o preço do álcool acompanhava os preços da gasolina.

Os parâmetros relativos à frota e eficiência ou não eram significativos ou apresentavam sinal

contrário ao esperado pela teoria econômica. Os coeficientes da variável 











não

foram estaticamente significativos em nenhuma regressão. A explicação para este resultado

é que a introdução dos automóveis flex-fuel é recente não sendo, portanto, expressivo no

longo espaço de tempo utilizado para a estimação das regressões anuais.

Há também uma relação entre as séries Idade e Eficiência, o que possivelmente explica a

não significância obtida no caso da série Eficiência. Sendo assim, a série Idade estaria

captando o efeito da eficiência sobre o consumo de gasolina.

Em relação aos dados mensais, a autora considera o consumo mensal per capita de gasolina

C como variável dependente e as seguintes variáveis explicativas: (i) a produção industrial

física mensal; (ii) os preços médios mensais de gasolina C e álcool hidratado; e, por fim, (iii) o

preço médio mensal do gás natural veicular. No caso do Modelo de Correção de Erros, a

autora inclui também como regressor o consumo de gasolina defasado.

A Equação 1 abaixo utiliza os dados de preço médio mensal da gasolina e do álcool

disponibilizados pela Petrobrás. O período de análise corresponde a janeiro de 1997 a

fevereiro de 2001

(1) 





= 

+ 







+ 





+ 













+ 





+ 





+ 











+ 





+ 





+ 





+ 





+ 





+ 





+ 











+ 1



A Equação 2 possui as mesmas variáveis da Equação 1, porém a autora utiliza os preços

mensais da gasolina e do álcool disponibilizados pelo IBGE. Além disso, o período de análise

é de julho de 1994 a fevereiro de 2001

(2) 





= 

+ 







+ 





+ 













+ 





+ 





+ 











+ 





+ 





+ 





+ 





+ 





+ 





+ 











+ 2



O objetivo da Equação 3 é o de analisar o impacto nas elasticidades da inclusão do preço do

gás natural veicular. A análise é feita para o seguinte período: julho de 2001 a fevereiro de

2007. Consideram-se os dados de preço disponibilizados pela Petrobras.

(3) 





= 

+ 







+ 





+ 













+ 





+ 





+ 











+ 





+ 





+ 





+ 





+ 





+ 





+ 











+ 







+ 3



Tabela 2.7 - Estimação das Elasticidades-Preço da Demanda por Gasolina no Longo

Prazo – Dados Mensais (Schünemann, 2007)

(1)

(jan/91-fev/07)

(2)

(jul/94-fev/07)

(3)

(jul/01-fev/07)

Coeficiente

(p-valor)

-0.0165

(0.8706)

0.04518

(0.6685)

-0.4106

(0.0040)

De acordo com os resultados, o preço do gás natural veicular não é estatisticamente

significativo. Segundo a autora, o preço do GNV relativamente ao álcool e à gasolina sempre

foi mais competitivo e o seu consumo só se difundiu na medida em que foram concedidos

incentivos fiscais e se criou uma infra-estrutura de abastecimento do GNV. Assim sendo, a

opção pelo consumo do GNV não seria captada pelo seu preço.

Além disso, o problema de multicolinearidade entre os preços da gasolina e do álcool

permanece com os dados mensais, confirmando a influência do preço da gasolina no preço

do álcool devido à regulamentação vigente até final de 2001. Ainda sobre os resultados, os

coeficientes da variável 











foram estaticamente significativos em todas as

regressões ao nível de 1%, o que indica uma efetiva mudança estrutural no mercado

nacional de combustíveis automotivos do ciclo Otto, dado a robustez dos resultados.

Diante desta situação, a autora reestima os três modelos, omitindo a variável preço médio

do álcool hidratado. Os resultados são apresentados na Tabela 2.8 abaixo.

Tabela 2.8 - Estimação das Elasticidades-Preço da Demanda por Gasolina no Longo

Prazo – Dados Mensais/ sem o Preço Mensal do Álcool Hidratado (Schünemann,

2007)

(1)

(jan/91-fev/07)

(2)

(jul/94-fev/07)

(3)

(jul/01-fev/07)

Coeficiente

(p-valor)

-0.2197

(0.0063)

0.02852

(0.7108)

-0.3176

(0.0019)

O coeficiente da variável 





continua estatisticamente não significativo de forma que a

exclusão desta variável não interfere nos resultados. Quanto à variável Preço da Gasolina,

essa tornou-se significativa na Equação 1, mas permaneceu não significativa considerando o

período de julho de 1994 a dezembro de 2007.

Para o cálculo das elasticidades-preço da demanda no curto prazo, a autora adota o Modelo

de Correção de Erro. O consumo de gasolina defasado é acrescentado aos três modelos

anteriores a fim de captar a inércia do consumo decorrente dos hábitos de consumo dos

consumidores. Os resultados, apresentado na Tabela 2.9, sugerem uma baixa elasticidade no

curto prazo.

Tabela 2.9 - Estimação das Elasticidades-Preço da Demanda por Gasolina no Curto

Prazo – Dados Mensais/ sem o Preço Mensal do Álcool Hidratado (Schünemann,

2007)

(1)

(jan/91-fev/07)

(2)

(jul/94-fev/07)

(3)

(jul/01-fev/07)

Coeficiente

(p-valor)

-0.4883

(0.0006)

-0.3537

(0.0097)

-0.5181

(0.0297)

Portanto, os resultados encontrados em Schünemann (2007) sugerem que o preço do álcool

não é uma boa variável explicativa para o consumo de gasolina. Contudo, a variável













foi significativa em todas as regressões de longo prazo realizadas a partir de

dados mensais, ao contrário dos resultados anuais, indicando que as vendas de automóveis

flex-fuel influenciaram o consumo de gasolina apenas no período recente.

Abaixo são apresentadas as elasticidades-preço da demanda por gasolina calculadas nos

artigos descritos anteriormente.

Tabela 2.10 - Comparação dos Resultados da Estimação das Elasticidades-Preço da

Demanda por Gasolina no Brasil

Tipo de

Dados

Período de

Análise

Método Econométrico

Curto

Prazo

Longo

Prazo

Burnquist e

Bacchi (2002)

Dados

Anuais

1973 – 1998

Co-Integração e MCE

-0.319

-0.227

Alves e Bueno

(2003)

Dados

Anuais

1974 – 1999

Co-Integração e MCE

-0.091

-0.464

Pinto et al.

(2006)

Dados

Mensais

Jul/01 –

Ago/06

Painel Dinâmico –

Arellano e Bond

-0.121

-0.141

Nappo (2007)

(1)

Dados

Mensais

Ago/94 –

Jul/06

Co-Integração e MCE

0.356

Nappo (2007)

(3)

Dados

Mensais

Ago/94 –

Jul/06

Co-Integração e MCE

-0.196

Schünemann

(2007)

(1)

Dados

Mensais

Jan/91 –

Fev/07

Co-Integração e MCE

-0.4883

-0.2197

Schünemann

(2007)

(2)

Dados

Mensais

Jul/94 –

Fev/07

Co-Integração e MCE

-0.3537

0.02852

Schünemann

(2007)

(3)

Dados

Mensais

Jul/01 –

Fev/07

Co-Integração e MCE

-0.5181

-0.3176

MCE – Mecanismo de Correção de Erro

De acordo com a tabela 2.10, é possível, de fato, perceber uma convergência em relação ao

uso da técnica de co-integração e do mecanismo de correção de erro para estimar

elasticidades-preço da demanda de curto e de longo prazo. Os modelos utilizados,

entretanto, variam de autor para autor. As variáveis explicativas são escolhidas com base no

que se pretende verificar, mas tendo como regressando o consumo de gasolina é certo que

o preço da gasolina e a renda dos consumidores serão utilizados como variáveis explicativas.

É interessante, entretanto, notar que teoricamente todos os modelos utilizam estes dois

regressores, mas quando se analisa os dados, diferenças são encontradas. No caso do preço,

por exemplo, esses podem estar em termos reais ou correntes, e, ainda, podem ser obtidos

a partir de fontes de diferentes (ANP, PETROBRAS e IBGE), o que muitas vezes implica em

metodologias diferentes. Em relação à renda, costuma-se usar o produto nacional bruto do

país, mas na falta de um PIB estadual é possível utilizar como variável proxy o consumo de

energia elétrica.

Os resultados obtidos pelos diversos trabalhos apresentados aqui sugerem uma elasticidade-

preço da demanda por gasolina tanto de curto quanto de longo prazo baixa. Além disso,

alguns estudos encontraram uma elasticidade de longo prazo menor que a de curto prazo,

ao contrário do que se espera pela teoria econômica. A razão para tal fato, entretanto, não

foi discutida por nenhum destes trabalhos.

Capítulo 3 – Elasticidade-Imposto da Demanda por Gasolina C no Brasil

Como mencionado anteriormente, o objetivo desta dissertação é o de avaliar o impacto de

mudanças no imposto estadual ICMS sobre o consumo de gasolina C no Brasil, mais

especificamente, nos estados brasileiros. Entretanto, por uma questão de disponibilidade de

dados apenas sete estados são considerados, são eles: Ceará, Pernambuco, Sergipe, Rio de

Janeiro, Paraná, Rio Grande do Sul e Mato Grosso do Sul.

A abordagem de avaliação utilizada neste capítulo é a abordagem econométrica tradicional.

Inicialmente, são apresentadas as hipóteses do modelo. Em seguida, são descritas as

especificações dos modelos matemático e econométrico, assim como os dados utilizados.

Por fim, os parâmetros são estimados e as hipóteses testadas. A partir dos resultados

obtidos, é discutida a possibilidade de utilizar este modelo como instrumento de políticas

energética e ambiental.

3.1 – Hipóteses do Modelo

De acordo com a legislação brasileira, são os produtores, refinaria, distribuidora e

revendedores, que pagam o ICMS sobre a gasolina C. Contudo, isso não significa que a

incidência deste imposto recai de fato sobre os produtores.

A incidência tributária depende de alguns fatores, sendo a estrutura de mercado o fator

mais importante. Caso o mercado seja competitivo, então a incidência do imposto

dependerá das inclinações das curvas de oferta e demanda, ou seja, das elasticidades-preço

da oferta e preço da demanda.

As elasticidades, por sua vez, são indicadores do grau de sensibilidade da quantidade

ofertada e demandada a alterações no preço de mercado. Cabe acrescentar que as

elasticidades independem das unidades utilizadas para medir quantidade e preço. Isso

porque são calculadas a partir das variações percentuais das variáveis em questão.

No caso específico do mercado revendedor de gasolina C, esse é considerado competitivo.

Contudo, é preciso estar ciente de que este mercado apresenta características propícias para

a formação de cartéis, quais sejam: (i) produto homogêneo; (ii) semelhança de custos; e (iii)

barreiras regulatórias.

Para comprovar a existência de um cartel seria necessário demonstrar que as estratégias

adotadas pelos postos revendedores não são racionais, a não ser na própria hipótese de

cartel. Vale mencionar que a existência de preços semelhantes entre os postos, principal

justificativa para as denúncias feitas à Secretaria de Direito Econômico, não é suficiente para

caracterizar a formação de um conluio.

Sendo assim, apesar de possíveis focos de cartelização no mercado revendedor, esses não

constituem a real estrutura de mercado sendo, portanto, apenas casos isolados. Desta

forma, considera-se, neste trabalho, que o mercado de gasolina C é competitivo. Logo, as

curvas de oferta e demanda devem ser analisadas.

Por hipótese, a curva de oferta do mercado de gasolina C é horizontal. As justificativas para

tal hipótese são duas. Em primeiro lugar, o preço da gasolina A é estabelecido considerando

aspectos políticos e não só as condições de mercado, o que implica que não há uma relação

bem definida entre preço e quantidade. Em segundo, a quantidade ofertada de álcool anidro

é determinada pela quantidade necessária para acrescentar à gasolina A. Mais uma vez, não

é possível estabelecer uma relação entre preço e quantidade. Sendo assim, este trabalho

assume que a quantidade ofertada de gasolina C, resultado da combinação de 75% de

gasolina A com 25% de álcool anidro, é estabelecida considerando dado o preço de mercado.

Pelo lado da demanda, de acordo com a revisão da literatura feita no capítulo anterior, a

elasticidade-preço da demanda é baixa. Além disso, os trabalhos mostram, como esperado

pela teoria, que existe uma relação negativa entre o preço e a quantidade, o que implica

numa inclinação negativa da curva de demanda.

Gráfico 3.1 - Curvas de Oferta e Demanda do Mercado de Gasolina C

Nesta situação, a introdução de um imposto, ainda que por lei seja atribuído aos produtores,

é repassado integralmente aos consumidores finais.

No caso específico do imposto ad valorem ICMS tem-se que:



/

1 



/

= 

/

Gráfico 3.2 – Preço Final da Gasolina C versus Imposto

Nota: Assumindo 

/

constante

A introdução de um imposto ad valorem, que por lei incide sobre os produtores, implica num

deslocamento da curva de oferta para cima, pois é possível interpretá-lo como um aumento dos

Preço

Curva de

Demanda

Curva de

Oferta

Quantidade

Imposto ()



/



/

custos de produção. Logo, a introdução do imposto implica num deslocamento da curva de oferta

para cima na grandeza exata do tributo.

Gráfico 3.3 - Efeitos de um Imposto Ad Valorem sobre a Curva de Oferta

Contudo, sendo a curva de oferta de gasolina perfeitamente elástica, o imposto recai

integralmente sobre os consumidores. Portanto, o preço de oferta de equilíbrio permanece

inalterado, mas o preço de demanda aumenta exatamente no montante do imposto. Neste

caso, o preço de equilíbrio é determinado pelas condições de oferta, enquanto a quantidade

de equilíbrio é determinada pela curva de demanda.

Gráfico 3.4 - Efeitos de um Imposto Ad Valorem sobre as Curvas de Oferta e

Demanda do Mercado de Gasolina C

Quantidade

Preço

Quantidade

Curva de

Oferta

Curva de

Demanda

Preço

Curva de

Oferta

Curva de Oferta

com Imposto

Curva de Oferta

com Imposto

Desta forma, as hipóteses consideradas neste trabalho são:

(i) Mercado competitivo

(ii) Curva de oferta perfeitamente elástica

As conseqüências destas suposições são duas, quais sejam: (i) a incidência do imposto sobre

a gasolina C recai sobre os consumidores finais; e (ii) para avaliar os impactos de mudança

no imposto estadual na quantidade consumida de gasolina C, é preciso especificar apenas a

curva de demanda.

Tendo, então, estabelecido as hipóteses sobre a estrutura de mercado, falta determinar as

variáveis que, por suposição, afetam a demanda por gasolina C no Brasil. Vale mencionar

que as hipóteses são válidas para os sete estados brasileiros avaliados nesta dissertação.

Assume-se, portanto, que o consumo de gasolina C é influenciado pelas seguintes variáveis:

(i) Preço da gasolina C

(ii) Preço do álcool hidratado

(iii) Renda dos trabalhadores

(iv) Frota de automóveis à gasolina

(v) Frota de automóveis flex-fuel

Por ser a gasolina um bem comum, a relação entre a quantidade consumida e o preço deve

ser negativa, ou seja, se o preço aumentar, então o consumo deve diminuir. Em relação ao

preço do álcool hidratado, substituto mais próximo da gasolina, a relação esperada deve ser

positiva. Caso o preço do álcool hidratado aumente, então a demanda por gasolina deve

aumentar.

A gasolina é também um bem normal, de forma que um aumento da renda implicaria num

aumento do consumo assumindo tudo mais constante. A relação é também positiva entre o

consumo e a frota de gasolina. Entretanto, em relação à frota de automóveis flex-fuel não é

possível traçar uma relação direta, uma vez que os consumidores podem abastecer seus

carros utilizando gasolina ou álcool hidratado. Será interessante notar, a partir dos

resultados da estimação do modelo, a preferência dos consumidores donos de automóveis

flex-fuel. Cabe ressaltar, contudo, que esse não é o objetivo da dissertação.

3.2 – Especificação do Modelo Matemático

O objetivo desta seção é o de especificar a relação funcional entre as variáveis descritas

anteriormente.

De acordo com os artigos apresentados no Capítulo 2, as relações tanto entre a demanda

por gasolina C e os preços dos combustíveis quanto entre a demanda e a renda podem ser

descritas por uma relação exponencial. Contudo, a relação entre a demanda por gasolina C e

a frota de automóveis à gasolina, assim como a relação entre o consumo de gasolina C e a

frota de automóveis flex-fuel não é tão direta.

A fim de descobrir qual é a relação funcional entre estas variáveis, foram construídos, para

cada estado brasileiro analisado, gráficos de dispersão. De acordo com os gráficos, a relação

aparente entre a demanda por gasolina C e a frota de automóveis à gasolina, assim como a

relação entre o consumo de gasolina C e a frota de automóveis flex-fuel parecem ser

caracterizadas por uma relação também exponencial. É preciso, entretanto, atenção a este

tipo de avaliação, uma vez que a relação funcional de interesse é a condicional, não sendo

possível observá-la num gráfico bivariado.

A princípio, portanto, será considerada a relação descrita a partir de uma função de

demanda por gasolina C Cobb-Douglas:





= (





)(





)(



)(





)(





) (1)

Sendo,



Constante





Consumo de gasolina C em litro





Preço real da gasolina C (R$/litro)





Preço real do álcool hidratado (R$/litro)

,

Folha de pagamento real por trabalhador (índice)





Frota de automóveis à gasolina (unidade)





Frota de automóveis flex-fuel (unidade)

Dado o objetivo do trabalho de calcular a elasticidade-imposto da demanda por gasolina C,

aplica-se o logaritmo neperiano à equação (1).





= 

+ 





+ 





+ 

+ 





+ 

ln 



(2)

É possível notar que o imposto estadual ICMS, objeto de estudo desta dissertação, não entra

explicitamente na equação. Dado que o ICMS representa um dos componentes do preço,

adicioná-lo ao modelo implicaria em contagem dupla. Assim, a fim de verificar o impacto do

ICMS no consumo de gasolina C, é preciso aplicar a regra da cadeia.







1 



















1 



Por definição, o preço da gasolina C é uma função do preço da gasolina C sem o ICMS e o

próprio imposto estadual.









/

1 

Aplicando logaritmo neperiano a equação acima, tem-se que:





= ln 





/

1

= 



/

+ ln 

1

 (3)

Assim, pela Equação (3) tem-se que







1



= 1, confirmando a hipótese de repasse

integral do imposto sobre a gasolina. Este resultado indica que calcular a elasticidade-

imposto da demanda é o mesmo que calcular as elasticidades-preço da demanda.

De fato, se as elasticidades fossem diferentes, então, os consumidores estariam

respondendo de forma diferente aos componentes do preço. Porém, para os consumidores,

a variável de interesse é o preço final, sendo, portanto, as razões que resultaram na variação

do preço não importantes.

Contudo, cabe mencionar que existe uma possibilidade da variação no imposto gerar uma

variação em algum outro componente do preço como, por exemplo, as margens de lucro, o

que justificaria, então, encontrar uma elasticidade-imposto diferente da elasticidade-preço

da demanda. Medir isso, entretanto, requereria a formulação de uma função de mark-up

dos revendedores de gasolina C, algo que não é feito nesta dissertação.

3.3 – Especificação do Modelo Econométrico

O modelo matemático pressupõe uma relação exata entre as variáveis, contudo esta relação

não se verifica na prática. A demanda por gasolina C é provavelmente influenciada por

outras variáveis não explicitadas não modelo como, por exemplo, os hábitos dos

consumidores. Sendo assim, acrescentamos ao modelo determinístico, descrito

anteriormente, um termo denominado distúrbio, .





= 

+ 





+ 





+ 

+ 





+ 

ln 



+  (4)

As propriedades do distúrbio são conhecidas, sendo  um ruído branco. Ou seja, o termo de

erro aleatório é não correlacionado com as variáveis explicativas, com média zero e variância

constante.

Além disso, a partir da observação dos dados referentes à demanda por gasolina C notou-se

um comportamento sazonal. Em geral, no final do ano há um aumento do consumo de

gasolina C motivado, provavelmente, pelo aumento da renda, 13º salário, e pelas férias e

festas do final de ano. Em contrapartida, no início do ano, há uma forte queda do consumo

resultado, talvez, da diminuição de renda devido à grande quantidade de impostos a serem

pagos nesta época. A fim de captar tais movimentos onze dummies sazonais foram

adicionadas ao modelo sendo janeiro considerado, aleatoriamente, o mês-base.





= 

+ 





+ 





+ 

+ 





+ 

ln 



+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 

+ 

+  (5)

Cabe acrescentar que, inicialmente, tentou-se controlar para mudanças nos impostos

federais introduzindo-os ao modelo. Contudo, de forma simétrica, ao imposto estadual,

ICMS, os impostos federais, CIDE, PIS/PASEP e COFINS, são componentes do preço final da

gasolina C e adicioná-los ao modelo implicaria em multicolinearidade perfeita e, por isso,

foram retiradas do modelo.

3.4 – Obtenção dos Dados

Como mencionado anteriormente, a estimação do modelo econométrico é realizada para

sete estados brasileiros devido à falta de disponibilidade de dados para todos os estados

mais o Distrito Federal. Além disso, o período de análise é mensal, de julho de 2001 a

dezembro de 2008.

Como não há dados sobre consumo de gasolina C foram utilizadas as vendas de gasolina C,

pelas distribuidoras, disponibilizadas pela Agência Nacional de Petróleo, Gás e

Biocombustíveis. Cabe mencionar que os dados referentes à venda têm como unidade de

medida o metro cúbico, mas como os preços tanto da gasolina C quanto do álcool hidratado

estão em Reais por litro, as vendas foram multiplicadas por mil para que ficassem na mesma

unidade de volume dos preços.

As informações sobre os preços dos combustíveis também é disponibilizada pela Agência

Nacional de Petróleo. Dado o interesse de trabalhar com valores reais foi necessário

deflacionar os preços. Para isso, utilizou-se o Índice Geral de Preços, IGP-M, divulgado pela

Fundação Getúlio Vargas. A base original do índice é agosto de 1994, entretanto mudou-se a

base para dezembro de 2008.

Em relação à renda, foi utilizada a Folha de Pagamento Real por Trabalhador divulgada pelo

IBGE relativo à indústria geral. A Folha de Pagamento é, na verdade, um índice de base fixa,

janeiro de 2001, sem ajuste sazonal. De forma análoga ao IGP-M, mudou-se a base para

dezembro de 2008. Este índice não é divulgado para todos os estados brasileiros de forma

que para os estados Mato Grosso do Sul e Sergipe foram utilizados os dados referentes às

regiões centro-oeste e nordeste respectivamente.

Os dados referentes à frota de automóveis sejam esses à gasolina ou flex-fuel foram obtidos

junto ao Detran dos sete estados já mencionados. Com exceção do Rio de Janeiro e Sergipe,

os dados disponibilizados são anuais de forma que foi preciso transformar esses em mensais.

Para isso, a taxa anual de crescimento foi calculada e, com base nessa, a taxa de crescimento

mensal.

Dado, portanto, o modelo e os dados, a próxima etapa é calcular os parâmetros do modelo

especificado

3.5 – Estimação dos Parâmetros do Modelo Econométrico

O modelo econométrico final descrito na seção 3.3 é estimado com base na econometria de

séries temporais. A estimação, portanto, é realizada, no software Eviews 4.1, para os sete

estados de forma independente.

A escolha da técnica econométrica a ser utilizada depende do comportamento do

regressando e dos regressores. Sendo assim, primeiramente, é preciso verificar se as séries

temporais são estacionárias ou não. Para isso, três tipos de abordagens são utilizados. O

primeiro tipo corresponde à análise gráfica dos dados. O objetivo é, a partir da visualização,

ter um primeiro insight sobre o comportamento das variáveis. Em seguida, o correlograma

de cada série é estudado e, por fim, os testes de raiz unitária são realizados.

Os testes escolhidos, nesta dissertação, são: o teste de Dickey-Fuller Aumentado, que

considera a possibilidade de correlação serial; e o teste de Phillips e Perron, que assume

também a possibilidade de correlação serial, mas utiliza métodos estatísticos não-

paramétricos sem precisar, portanto, acrescentar à regressão os termos de diferenças

defasados do regressando.

Depois de determinada a ordem de integração das séries, o modelo econométrico (5) é

estimado via Mínimos Quadrados Ordinários. O objetivo é realizar dois testes de

estabilidade, quais sejam: o teste de Chow, de quebra estrutural, e o teste RESET de Ramsey,

de especificação do modelo. Dado que o tamanho da amostra é pequeno, não é possível

realizar o teste de Chow.

Caso a hipótese nula do teste de Ramsey seja rejeitada, então, um novo modelo deve ser

especificado. Caso contrário, o passo seguinte é testar a existência de correlação serial. O

teste utilizado, neste trabalho, é o teste Breusch-Godfrey (BG) considerando duas

defasagens.

Caso haja autocorrelação, então é preciso tentar eliminá-la. A estratégia adotada aqui será a

de introduzir ao modelo, primeiramente, a variável dependente defasada. Se a

autocorrelação ainda não for eliminada, então as variáveis independentes serão também

defasadas. Caso a correlação permaneça, a estimação dos parâmetros será realizada via

Variável Instrumental, sendo os instrumentos utilizados o regressando defasado e os

próprios regressores.

Caso não haja autocorrelação, outro teste é realizado: o teste de Co-Integração de Durbin-

Watson. Se as variáveis forem co-integradas, então os parâmetros são estimados via Co-

Integração e o Mecanismo de Correção de Erro. Em geral, espera-se que as variáveis sejam

co-integradas indicando, portanto, a possibilidade de existir uma relação de longo prazo

estável entre essas.

Se as variáveis não forem co-integradas, então estimar uma regressão entre elas implicaria

numa regressão sem sentido denominada regressão espúria. Neste caso, a especificação do

modelo teria de ser revista.

Mesmo realizando todos os testes acima mencionados, os resultados obtidos podem estar

em desacordo com o esperado. Isso pode ser resultado da presença de variáveis endógenas

no modelo. Neste caso, os parâmetros estimados seriam viesados e ineficientes. A fim de

testar isso, o teste de exogenidade de Hausman é realizado. Caso haja variáveis endógenas

no modelo, então, primeiro, um novo modelo é especificado excluindo as variáveis

endógenas. Todos os testes são refeitos considerando esta nova regressão. Porém, essa não

seria a melhor opção, sendo então, feito o Método de Auto-Regressão Vetorial, o VAR.

Sendo assim, cada um destes procedimentos é realizado para os sete estados brasileiros de

forma independente. Os testes e as estimações são apresentados de forma detalhada no

anexo A, sendo apresentado aqui apenas o resultado final.

De acordo com a realização dos testes, foi preciso especificar novos modelos econométricos

para alguns dos estados avaliados. Além disso, a técnica de estimação também variou.

Para os estados de Pernambuco, Paraná e Mato-Grosso do Sul o modelo original, Equação

(5), foi utilizado. As variáveis consideradas na regressão, de acordo com o teste de Hausman,

são exógenas, com exceção da própria variável dependente Consumo de Gasolina C. A

técnica de co-integração foi utilizada, assim como o mecanismo de correção de erro.

Com relação aos estados brasileiros Ceará e Sergipe, as variáveis Preço Real do Álcool

Hidratado, Frota de Automóveis a Gasolina e Flex-Fuel foram considerados endógenas.

Seguindo o procedimento especificou-se um novo modelo e, também, rodou-se um VAR

bivariado sendo as variáveis Preço Real da Gasolina C e Renda Real por Trabalhador

exógenas, enquanto as variáveis Consumo de Gasolina C e Preço Real do Álcool Hidratado

endógenas. Repare que as séries referentes às frotas foram excluídas, pois essas, em

quaisquer modelos, eram sempre estatisticamente não significativas.

Entretanto, mesmo incluindo as defasagens das variáveis endógenas até a terceira ordem,

não foi possível eliminar a correlação serial de segunda e terceira ordem do modelo VAR

bivariado, de forma que o seguinte modelo foi estimado tanto para o estado do Ceará

quanto para Sergipe:





= 

+ 





1

+ 





12

+ 





13

+ 





+ 





+ 



1





12

+ 



13

+ 

+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 



(6)

A escolha das defasagens foi baseada na análise da função de correlação parcial.

Já, nos estados Rio de Janeiro e Rio Grande do Sul, apesar de todos os regressores serem

exógenos, foi preciso especificar um novo modelo. No caso do Rio de Janeiro, especificou-se

uma regressão adicional considerando o preço do gás natural veicular, pois a frota de

automóveis a gás no Rio é alta.

Deste modo, as equações estimadas para o Rio de Janeiro, cujos resultados são

apresentados abaixo, são:





= 

+ 





+ 





+ 





+ 

(



) + 

(



) + 

+



+ 

+ 

+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 



(7)





= 

+ 





12

+ 





+ 





+ 



2

+ 







+ 









12

+ 

+ 

+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 



(8)

Estas regressões divergem quanto às séries utilizadas devido à necessidade de melhor

especificar o modelo e eliminar autocorrelações.

No caso do Rio Grande do Sul, o modelo econométrico utilizado foi basicamente a regressão

(5) sem as séries referentes à frota de automóveis a gasolina e frota flex-fuel.





= 

+ 





+ 





+ 





+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 

+ 

+



(9)

Assim sendo, os resultados obtidos são apresentados na Tabela 3.1 abaixo.

Tabela 3.1 - Resultado das Estimações: Elasticidade-Preço da Demanda por

Gasolina C nos Sete Estados Brasileiros

(a) Curto Prazo

Coeficiente

(desvio-padrão)

Estatística de teste

P-valor

Ceará

-0.207934

(0.071802)

-2.895944

0.0052

Pernambuco

-0.707052

(0.218612)

-3.234274

0.0024

Sergipe

-0.145449

(0.093861)

-1.549630

0.1264

Rio de Janeiro (7)

-0.218402

(0.421429)

-0.518242

0.6071

Rio de Janeiro (8)

-0.074312

(0.172895)

-0.429808

0.6688

Paraná

0.050930

(0.269595)

0.188912

0.8514

Rio Grande do Sul

-0.577913

(0.183386)

-3.151352

0.0024

Mato Grosso do Sul

-0.356696

(0.427716)

-0.833957

0.4166

(b) Longo Prazo

Coeficiente

Ceará

-0.14658

Pernambuco

-0.68787

Sergipe

-0.10270

Rio de Janeiro (7)

-0.59222

Rio de Janeiro (8)

-0.06023

Paraná

-0.17940

Rio Grande do Sul

-0.58929

Mato Grosso do Sul

-0.38300

Com exceção de Pernambuco, as elasticidades-preço da demanda por gasolina C tanto de

curto quanto de longo prazo são baixas, o que está de acordo com os resultados obtidos nos

trabalhos apresentados no capítulo anterior.

O mais importante desta análise é observar, a partir dos resultados encontrados, a grande

diferença que existe entre os estados brasileiros quanto à reação de cada a mudanças no

preço da gasolina C. Entretanto, deve-se ter atenção, pois nem todos os parâmetros

estimados são significativos.

A não significância estatística dos testes t individuais, os altos valores encontrados de R

superior a 0.8, e a significância dos testes F de significância conjunta podem indicar a

presença de multicolinearidade entre os regressores. A princípio pouco pode ser feito, uma

vez que a multicolinearidade é essencialmente um problema de deficiência de dados

(Gujarati, 2006). Contudo, é preciso considerar que o problema da multicolinearideda está

associado a seu grau e não a sua existência. Desta forma, as correlações entre as variáveis

são calculadas (Anexo B).

Com base nos resultados, existe uma alta correlação entre as séries Preço Real da Gasolina C

e Preço Real do Álcool Hidratado, e também uma alta correlação entre as séries Frota de

Automóveis à Gasolina e Frota de Automóveis Flex-Fuel. Cabe acrescentar, entretanto, que

num modelo com mais de duas variáveis explanatórias, como é o caso, a correlação simples,

ou de ordem zero, não corresponde a um indicador exato de presença de multicolinearidade

e, portanto, não é possível definir uma relação direta entre alta correlação simples e

multicolinearidade.

Outro fator que pode estar ocasionando a não significância individual dos regressores é a

possível existência de erro de especificação. Contudo, como já mencionado, o teste RESET

de Ramsey foi realizado e todos os modelos apresentados foram, de acordo com este teste,

corretamente especificados. Logo, pouco pode ser feito, sendo a deficiência de dados a

causa mais plausível para explicar a não significância estatística dos testes t individuais.

Descobrir o porquê das diferenças é importante a fim de considerar as especificidades de

cada estado na formulação de políticas públicas. A princípio, as diferentes alíquotas entre os

estados podem ser responsáveis pela diferentes respostas, mas considerando que Ceará e

Pernambuco têm as mesmas alíquotas de ICMS sobre a gasolina essas não representam a

única razão.

Os demais componentes dos preços finais de gasolina C aos consumidores como, por

exemplo, o frete e as margens, também podem ser apontados como fatores responsáveis

pelos diferentes comportamentos dos consumidores. De acordo com o Gráfico 3.5 abaixo, é

possível notar que os preços reais no Paraná, em geral, são menores que nos outros estados,

o que explicaria a baixa elasticidade-preço da demanda por gasolina C, uma vez que os

incentivos relativos ao custo da gasolina são menores neste estado não havendo, assim,

estímulo a mudar de combustível.

Gráfico 3.5 - Preço Real da Gasolina C por Estado (R$/litro)

Fonte: Agência Nacional de Petróleo e IPEADATA

É válido mencionar que este tipo de análise é puramente econômica não considerando,

portanto, questões relativas à preocupação ambiental que os consumidores possam vir a ter

e, neste sentido, serem estimulados a escolher combustíveis menos poluentes.

2.2

2.4

2.6

2.8

3.2

3.4

3.6

3.8

jan2001

apr2001

jul2001

oct2001

jan2002

apr2002

jul2002

oct2002

jan2003

apr2003

jul2003

oct2003

jan2004

apr2004

jul2004

oct2004

jan2005

apr2005

jul2005

oct2005

jan2006

apr2006

jul2006

oct2006

jan2007

apr2007

jul2007

oct2007

jan2008

apr2008

É possível argumentar também que talvez o importante para o consumidor seja o preço

relativo e não o preço absoluto da gasolina C. Neste caso, sendo o álcool hidratado o

substituto mais próximo, utilizando a regra de equivalência dos combustíveis

, tem-se que

os consumidores paranaenses deveriam consumir apenas álcool hidratado, pois, com

exceção do primeiro semestre de 2006, o preço do álcool esteve sempre abaixo dos 70% do

preço da gasolina C.

Gráfico 3.6 - Razão entre o Preço Real do Álcool Hidratado e o Preço Real da

Gasolina C para os Sete Estados Brasileiros

Fonte: Agência Nacional de Petróleo e IPEADATA

Contudo, como já visto, o estado do Paraná é o que apresenta a menor elasticidade de

forma que outros fatores, que não econômicos, têm um peso maior na decisão dos

consumidores. Talvez seja o simples desconhecimento quanto a esta regra ou talvez sejam

as questões comportamentais responsáveis pela diferentes respostas entre os estados.

Infelizmente, a análise comportamental pressupõe a realização de experimentos sendo,

neste caso específico, cara, pois envolve vários estados e um número considerável de

consumidores para que a amostra seja grande o suficiente para a realização, num segundo





= 0.7











= 0.7

0.40

0.50

0.60

0.70

0.80

0.90

1.00

jul2001

oct2001

jan2002

apr2002

jul2002

oct2002

jan2003

apr2003

jul2003

oct2003

jan2004

apr2004

jul2004

oct2004

jan2005

apr2005

jul2005

oct2005

jan2006

apr2006

jul2006

oct2006

jan2007

apr2007

jul2007

oct2007

jan2008

apr2008

jul2008

oct2008

0.7

momento, de testes econométricos. Logo, este tipo de análise não é realizada nesta

dissertação, ficando em aberto a possibilidade de um futuro trabalho.

3.6 – Modelo com Fins de Política Pública

A análise de sensibilidade do mercado de gasolina C nos sete estados brasileiros avaliados

mostrou que existem diferenças significativas entre esses. As reações a mudanças no preço

final da gasolina C divergem consideravelmente. Considerando apenas os estados cujas

respostas foram significativas, tem-se que no Rio Grande do Sul e, principalmente, em

Pernambuco políticas de preço poderiam ser utilizadas como instrumentos de políticas

energéticas e ambientais.

Em relação a este último ponto tem-se que os impostos sobre a gasolina são os

instrumentos do Governo para alterar, de forma direta, os preços da gasolina C. Dadas as

diferenças de comportamento quanto à demanda por gasolina entre os estados brasileiros,

o uso do imposto estadual ICMS teria uma maior probabilidade de sucesso, uma vez que

consideras as especificidades estaduais.

Assim, tendo como perspectiva o desenvolvimento econômico sustentável, o ICMS poderia

ser utilizado para reduzir o consumo de gasolina C nos estados. O potencial deste imposto

estadual pôde ser observado, como mencionado no capítulo 1, em 04 de dezembro de 2003

em São Paulo.

Apesar da redução do ICMS sobre o álcool hidratado, de 25 para 12%, ter sido gerada com o

objetivo de diminuir a sonegação fiscal, houve um grande aumento do consumo de álcool

hidratado motivado pela redução do preço final deste combustível e, conseqüentemente,

pela queda do preço relativo entre o álcool e a gasolina. De acordo com a pesquisa realizada

pelo IBOPE-UNICA, Projeto Flex, 88% dos donos de automóveis flex-fuel em São Paulo

utilizam o álcool como principal combustível. Sendo assim, fica caracterizado o potencial de

se utilizar o ICMS sobre combustíveis como instrumento de política pública.

O uso do ICMS como política energética e ambiental oferece uma grande vantagem em

relação às demais políticas públicas. Sendo o Brasil um país muito grande, os estados

apresentam diversas particularidades que, em geral, não são consideradas na formulação de

políticas nacionais.

A fim de comparar as respostas dos estados brasileiros avaliados com a reação nacional a

mudanças no ICMS sobre a gasolina, estimou-se o modelo econométrico (5):







= 

+ 







+ 







+ 





+ 







+ 

ln 





+ 

+



+ 

+ 

+ 

+ 

+ 

+ 

+ 

+ 

+



+ 



, onde = 1, , 7   = 01, , 08

O modelo econométrico especificado acima procurou representar a realidade do mercado

de gasolina C no Brasil, ainda que seja praticamente impossível uma representação perfeita.

Para a estimação deste modelo foram utilizados dados em painel, onde i representa os sete

estados avaliados e t o mês.

Além disso, assumiu-se certa inércia no comportamento do consumo de gasolina C, de

forma que a variável dependente foi defasada uma vez e introduzida no modelo como

variável predeterminada. A estimação dos parâmetros, apresentada no Anexo C, foi

realizada via Arellano e Bond. Os resultados de interesse são apresentados na Tabela 3.4

abaixo

Tabela 3.2 - Painel Nacional: Elasticidades-Preço da Demanda por Gasolina C de

Curto e Longo Prazo

Coeficiente

(desvio-padrão)

Estatística

de teste

P-valor

Intervalo de

Confiança

(=10%)

Curto Prazo

-0.5147584

(0.073604)

-6.99

0.000

(-0.6358,-0.3936)

Longo Prazo

-0.4796999

Pr 













 



+ 









= 1

A partir dos resultados encontrados, é possível notar uma elasticidade-preço da demanda

por gasolina C baixa, mas não inelástica. Os valores obtidos estão em acordo com os

encontrados na literatura e apresentados no Capítulo 2.

Ainda sobre os resultados obtidos, chama atenção a menor elasticidade-preço no longo

prazo, seria de se esperar uma maior flexibilidade e, conseqüentemente, um aumento da

sensibilidade a mudanças no preço.

Entretanto, o ponto que deve ser destacado é a diferença da resposta nacional em relação

às respostas estaduais. Desta forma, estratégias baseadas no uso de políticas públicas

nacionais, que não consideram as especificidades de cada estado, provavelmente não serão

eficazes. Isso porque um aumento de 1% no preço implicaria, no curto prazo, numa redução

de 0.51%, enquanto, por exemplo, no Ceará a queda seria de apenas 0.20%.

Posto isso, é grande a relevância de políticas públicas estaduais nos objetivos do governo

federal, pois essas aumentam a probabilidade de que os recursos financeiros públicos sejam

alocados de maneira eficiente e eficaz.

Conclusão

A análise de sensibilidade do mercado de gasolina C a variações no preço tornou-se mais

difícil a partir da introdução da tecnologia flex-fuel. Antes dessa, as preferências dos

consumidores eram reveladas na escolha do automóvel, de forma que para avaliar as

reações a mudanças no mercado de gasolina C os dados referentes às vendas de automóveis

a gasolina poderiam ser utilizados. Entretanto, a mesma relação não pode ser traçada entre

a venda de automóveis flex-fuel e o consumo de gasolina.

Além disso, o estudo do comportamento da gasolina C no Brasil desconsidera as

especificidades estaduais. Os estados reagem de forma diferente a mudanças no preço. As

razões para tal diferença são, muitas vezes, difíceis de serem mensuradas como, por

exemplo, a existência de hábitos de consumo diferentes e, em geral, são geradas por fatores

distintos.

Estes fatores correspondem aos componentes de formação do preço final da gasolina C,

entre esses, o imposto estadual ICMS. Esse é o único imposto brasileiro sobre valor agregado

e, por isso, equivale, em outros países, ao value-added tax. É, também, um imposto

estadual, indireto e não-cumulativo. Passou a incidir sobre a gasolina C em 1989 tendo a

Constituição Federal de 1988 atribuído aos estados brasileiros a competência de tributar as

operações de comercialização de gasolina C.

Assim, com o objetivo de avaliar o impacto de mudanças no imposto estadual ICMS sobre o

mercado brasileiro de gasolina C, a elasticidade-imposto da demanda foi estimada. Essa é

definida como a variação percentual na quantidade demandada de gasolina C dividida pela

variação percentual do imposto. A elasticidade-imposto indica, portanto, o quão sensível é o

consumo de gasolina C a mudanças no imposto.

A avaliação do impacto de mudanças neste imposto se justifica pela possibilidade de utilizar

a política tributária como instrumento de políticas públicas ambientais e energéticas.

De fato, a análise de sensibilidade da demanda por gasolina C insere-se num contexto mais

amplo envolvendo estas três dimensões da política pública: tributária, ambiental e

energética.

Dentro deste contexto, a fim de avaliar com maior precisão as respostas a mudanças no

ICMS, estimou-se a elasticidade-imposto via uma abordagem econométrica. Vale lembrar

que, no caso do ICMS, estimar a elasticidade-imposto é o mesmo que estimar a elasticidade-

preço da demanda.

Portanto, para a estimação, algumas hipóteses quanto à estrutura do mercado foram feitas,

quais sejam: (i) o mercado final de gasolina C é competitivo; e (ii) a curva de oferta é

perfeitamente elástica. Como resultado destas duas suposições tem-se que, primeiro, o

imposto estadual recai integralmente sobre os consumidores e, segundo, apenas a curva de

demanda por gasolina C precisa ser especificada.

Por suposição, o consumo de gasolina C é uma função do preço da gasolina C, do preço do

álcool hidratado, da renda dos trabalhadores, da frota de automóveis a gasolina e de

automóveis flex-fuel. O preço da gasolina C é, por definição, uma função do preço da

gasolina sem ICMS e do próprio imposto. Logo, para o cálculo da elasticidade-imposto da

demanda por gasolina utiliza-se a regra da cadeia. Como o repasse é integral, a elasticidade-

imposto do preço é igual a um, o que significa que estimar elasticidade-imposto é o mesmo

que estimar elasticidade-preço da demanda.

A estimação da elasticidade-preço da demanda foi realizada para sete estados brasileiros por

uma questão de disponibilidade de dados, no caso dados referentes às frotas de automóveis

a gasolina e flex-fuel. Os sete estados analisados são: Ceará; Pernambuco; Sergipe; Rio de

Janeiro; Paraná; Rio Grande do Sul; e Mato Grosso do Sul.

Para a estimação dos parâmetros, diversas análises e testes foram realizados. Primeiro,

através da análise gráfica, do correlograma e dos testes de raiz unitária, verificou-se o

comportamento das séries temporais. Para todos os estados analisados, as séries são não-

estacionárias. Depois, o teste de estabilidade RESET de Ramsey foi feito a fim de verificar se

o modelo estava bem especificado. Durante a realização deste teste, houve a necessidade de

fazer algumas alterações no modelo original (5) para alguns estados, já indicando, talvez, as

particularidades de cada um.

A partir da determinação de um modelo corretamente especificado, o teste de Breusch-

Godfrey de correlação serial de segunda ordem foi realizado. No caso da estimação dos

coeficientes do modelo original, o teste de co-integração entre as séries foi, também,

realizado. Sendo as séries co-integradas, a técnica de co-integração e o mecanismo de

correção de erro foram utilizados para a estimação dos parâmetros. Finalmente, o teste de

exogenidade de Hausman foi feito.

Para alguns estados, as séries Preço Real do Álcool Hidratado, Frota de Automóveis a

Gasolina e de Automóveis Flex-Fuel são endógenas. Por serem não significativas,

independente do modelo especificado, as séries referente às frotas foram excluídas do

modelo e tentou-se estimar os parâmetros via um VAR bivariado. Contudo, não foi possível

eliminar a autocorrelação entre os erros e a inclusão de mais variáveis dependentes

defasadas não foi possível devido ao pequeno tamanho da amostra. Diante desta situação, a

solução foi excluir as variáveis endógenas do modelo.

Depois de realizar todos os passos mencionados acima, os resultados obtidos sugerem que

as respostas às mudanças no preço são de fato bastante diferentes entre os estados

brasileiros avaliados. Ceará, Pernambuco e Rio Grande do Sul foram os estados cujas

elasticidades estimadas foram significativas considerando 10% de significância. Sendo assim,

com exceção do Ceará, políticas de preço poderiam ser utilizadas como instrumentos de

políticas energéticas e ambientais.

Em relação a este último ponto tem-se que os impostos sobre a gasolina são os

instrumentos do Governo para alterar, de forma direta, os preços da gasolina C. Dadas as

diferenças de comportamento quanto à demanda por gasolina entre os estados brasileiros,

o uso do imposto estadual ICMS teria uma maior probabilidade de sucesso, uma vez que

consideras as especificidades estaduais.

A fim de comparar as respostas dos estados brasileiros avaliados com a reação nacional,

estimou-se um painel nacional. Os resultados obtidos sugerem respostas bastante diferentes

entre o Brasil e os sete estados avaliados. Assim, estratégias baseadas no uso de políticas

públicas nacionais, que não consideram as especificidades de cada estado, provavelmente

não serão eficazes.

Portanto, procurou-se, nesta dissertação, mostrar a viabilidade da política tributária como

instrumento de política pública e não apenas de arrecadação fiscal. O importante a ressaltar

aqui é que as respostas entre os estados são diferentes e que, portanto, uma política

nacional na indução deste ou daquele combustível poderá ter sua eficácia altamente

comprometida se não houver uma sintonia com relação às políticas estaduais, no manejo do

ICMS. Desta forma, o estudo sugere a necessidade de uma complementariedade entre a

política nacional e as políticas estaduais, vis-à-vis as metas estabelecidas.

A complementariedade entre as diversas esferas políticas, porém, não é algo simples. A

integração entre a esfera nacional e os grupos estaduais depende da gestão política e de

forças, também políticas, não-técnicas. Dada a complexidade destes desdobramentos, que

por si só já representam temas de dissertação, esses podem ser objetos de trabalhos

futuros. Deve-se, porém, destacar a importância de disponibilização de séries históricas, no

sentido de aprimorar os modelos econométricos. A indisponibilidade de dados impede,

muitas vezes, que estimativas sejam calculadas e, consequentemente, que estudos práticos

sejam feitos. Dados amostrais cujo tamanho da amostra é pequeno também representam

um desafio ao pesquisador, pois, como descrito no capítulo anterior, a deficiência dos dados

pode implicar na não significância estatística dos testes t individuais.

Referência Bibliográfica

ALVES, D. C. O.; BUENO, R. D. L. S. Short-Run, Long-Run and Cross Elasticities of Gasoline

Demand in Brazil. Energy Economics, n.25, p. 191 – 199, 2003

ANFAVEA. Associação Nacional dos Fabricantes de Veículos Automotores. Disponível em <

www.anfavea.com.br>

ANP. Agência Nacional de Petróleo, Gás Natural e Biocombustíveis. Disponível em <

www.anp.gov.br>

BICALHO, R. Política Energética: Abrangência, Consistência, Dilemas e Desafios. In: Ensaios

sobre Política Energética: Coletânea de Artigos do Boletim INFOPETRO. Ronaldo Goulart

Bicalho (organizador)...[et alli], Grupo de Economia da Energia, Instituto de Economia/UFRJ.

Rio de Janeiro: Interciência: IBP, 2007

BURNQUIST, H. L.; BACCHI, M. R. P. A Demanda por Gasolina no Brasil: Uma Análise

Utilizando Técnicas de Co-integração. In: XL Congresso Brasileiro de Economia e Sociologia

Rural, 2002, Passo Fundo, RS. Equidade e Eficiência na Agricultura Brasileira, 2002

CAVALCANTI et al. Impacto da Tributação Estadual sobre as Escolhas dos Consumidores no

Mercado de Combustíveis Automotivos. In: XI Congresso Brasileiro de Energia, 2006, Rio de

Janeiro. Anais do XI Congresso Brasileiro de Energia. Rio de Janeiro : Chivas, 2006. p. 43-54

DENATRAN. Departamento Nacional de Trânsito. Disponível em <

http://www.denatran.gov.br>

DETRAN/CE. Departamento de Trânsito do Ceará. Disponível em < www.detran.ce.gov.br>

DETRAN/MS. Departamento de Trânsito do Mato Grosso do Sul. Disponível em <

www.detran.ms.gov.br>

DETRAN/PE. Departamento de Trânsito do Pernambuco. Disponível em <

www.detran.pe.gov.br>

DETRAN/PR. Departamento de Trânsito do Paraná. Disponível em < www.detran.pr.gov.br>

DETRAN/RJ. Departamento de Trânsito do Rio de Janeiro. Disponível em <

www.detran.rj.gov.br>

DETRAN/RS. Departamento de Trânsito do Rio Grande do Sul. Disponível em <

www.detran.rs.gov.br>

DETRAN/SE. Departamento de Trânsito do Sergipe. Disponível em < www.detran.se.gov.br>

EMPRESA DE PESQUISA ENERGÉTICA – EPE; MINISTÉRIO DE MINAS E ENERGIA – MME,

Balanço Energético Nacional 2008. Disponível em <http://www.mme.gov.br>

ENGLE, R.F.; GRANGER, C. W. J. Long-Run Economic Relationships: Readings in Cointegration.

USA: Oxford University Press, 1992

GUJARATI, DAMODAR N. Econometria Básica. Rio de Janeiro: Elsevier, 2006 – 3ª reimpressão

HORST K., JAN et al. The Econometrics of Energy Systems. 1 ed. [S.L]: Palgrave Macmillan,

2007

IBGE. Instituto Brasileiro de Geografia e Estatística. Disponível em <www.ibge.gov.br>

IBP. Instituto Brasileiro de Petróleo, Gás e Biocombustíveis. Vale Apena Usar o GNV. GNV

News. Rio de Janeiro, ano 3, n. 38, p. 1, julho de 2008. Disponível em <

www.ibp.org.br/services/.../FileDownload.EZTSvc.asp?>

IPEADATA. Instituto de Pesquisa Econômica Aplicada. Disponível em <

www.ipeadata.gov.br>

JOSEPH JR, H. Etanol: do ProÁlcool ao Flex-Fuel. Painel Bioenergia: Etanol e Biodiesel.

Instituto de Estudos Avançados, USP, São Paulo, 2006. (Apresentação de Trabalho).

Disponível em < www.iea.usp.br/iea/online/midiateca/bioenergiajosphjr.ppt>

NAPPO, M. A Demanda por Gasolina no Brasil: Uma avaliação de suas elasticidades após a

introdução dos carros bicombustível. 2007. 61 f. Dissertação (Mestrado em Finanças e

Economia Industrial) - Fundação Getúlio Vargas, Escola de Economia de São Paulo, São Paulo

NOTA TÉCNICA ANP 013/2001, Combustíveis no Brasil: Políticas de Preço e Estrutura

Tributária, 2001

PETROBRAS. Disponível em < www.petrobras.com.br>

PINTO JR. et al. Matriz Brasileira de Combustíveis. [S.L]: Grupo de Economia de Energia -

Instituto de Economia/UFRJ e Centro de Gestão de Estudos Estratégicos – Núcleo de

Assuntos Estratégicos da Presidência da República, 2006. Disponível em <

http://www.nae.gov.br/cadernos_nae/10relatorio_final_matriz_de_combustivel.pdf>

_____________. Economia da Energia: Fundamentos Econômicos, Evolução Histórica e

Organização Industrial. Rio de Janeiro: Elsevier, 2007

SCHÜNEMANN, L. A Demanda de Gasolina Automotiva no Brasil: O Impacto nas Elasticidades

de Curto e Longo Prazo da Expansão do GNV e dos Carros Flex. 2007. 91 f. Dissertação de

Mestrado Profissionalizante em Economia – Faculdade de Economia e Finanças IBMEC, Rio

de Janeiro

SERÔA DA MOTTA. As Técnicas das Análises de Custo-Benefício na Avaliação Ambiental. In:

Análise Ambiental: Uma Visão Multidisciplinar. Sâmia Maria Tauk, Nivar Gobbi e Haroldo

Gordon (organizadores). São Paulo: Editora da Universidade Estadual Paulista, 1995

SINDICOM. Mapa de ICMS. 2008. (Apresentação de Trabalho). Disponível em

< www.sindicom.com.br>

STIGLITZ. J. E. Economics of the Public Sector. 3 ed. [S. L.] W W Norton & Co Inc, 2000

VARIAN, H. R. Microeconomia: Princípios Básicos. 6 ed. Rio de Janeiro: Campus, 2003

UNICA/IBOPE. Projeto Flex. 2006. Disponível em:

<http://www.unica.com.br/download.asp?mmdCode=00C2596C-BAF6-4BD3-A5E3-

03CEB69705E6 >

Anexo A – Procedimentos e Estimação dos Parâmetros do Modelo Econométrico

1. Ceará

a. Análise Gráfica das Séries

17.3

17.4

17.5

17.6

17.7

17.8

17.9

18.0

2001 2002 2003 2004 2005 2006 2007 2008

LCG

2001 2002 2003 2004 2005 2006 2007 2008

LFFLEX

13.1

13.2

13.3

13.4

13.5

13.6

13.7

13.8

2001 2002 2003 2004 2005 2006 2007 2008

LFG

0.9

1.0

1.1

1.2

1.3

2001 2002 2003 2004 2005 2006 2007 2008

LPG

0.5

0.6

0.7

0.8

0.9

1.0

2001 2002 2003 2004 2005 2006 2007 2008

LPA

3.9

4.0

4.1

4.2

4.3

4.4

4.5

4.6

4.7

2001 2002 2003 2004 2005 2006 2007 2008

Aparentemente, existe um comportamento sazonal nas séries Consumo de Gasolina e Renda

Real por Trabalhador, de forma que 11 dummies sazonais são inclusas no modelo a fim da

captar tais movimentos.

b. Análise do Correlograma

Consumo de Gasolina Comum

Série não-estacionária

Preço Real da Gasolina Comum

Série não-estacionária

Preço Real do Álcool Hidratado

Série não-estacionária

Renda Real por Trabalhador

Série não-estacionária

Frota de Automóveis à gasolina

Série não-estacionária

Frota de Automóveis Flex-Fuel

Série não-estacionária

A partir dos resultados encontrados, as séries Preço Real da Gasolina C, do Álcool Hidratado,

Frota de Automóveis a Gasolina e Flex-Fuel podem ser descritas por um processo auto-

regressivo de primeira ordem AR(1). Já, a série Renda Real por Trabalhador parece ser um

AR(13), enquanto a série Consumo de Gasolina C um AR(12).

A determinação da ordem de integração dos processos auto-regressivos foi feita com base

nos coeficientes da função de correlação parcial.

c. Teste de Raiz Unitária

Dickey-Fuller Aumentado

: contém uma raiz unitária

Modelo

Defasagem

(Crit. Schwarz)

Estatística

ADF

Valor

Crítico 10%

Hipótese

Nula

LCg

Constante e

tendência

-6.906

-3.154

Rejeita

LFflex

Constante e

tendência

-2.007

-3.204

Aceita

LFg

Constante e

tendência

-2.707

-3.158

Aceita

LPg

Constante

-1.934

-2.584

Aceita

LPa

Constante

-2.284

-2.584

Aceita

Constante e

tendência

-2.451

-3.159

Aceita

Phillips-Perron

: contém uma raiz unitária

Modelo

Estatística PP

Valor Crítico

10%

Hipótese

Nula

LCg

Constante e

tendência

-7.077

-3.154

Rejeita

LFflex

Constante

-15.374

-2.599

Rejeita

LFg

Constante e

tendência

-2.403

-3.158

Aceita

LPg

Constante

-1.920

-2.584

Aceita

LPa

Processo

aleatório puro

-1.000

-1.614

Aceita

Constante e

tendência

-5.881

-3.154

Rejeita

Os resultados obtidos, a partir dos dois testes de raiz unitária, sugerem que a série Consumo

de Gasolina C é estacionária em torno de uma tendência determinística. Logo, a tendência é

adicionada ao modelo.

Apesar de alguns testes divergirem, os resultados da análise conjunta das três abordagens

indicam que as séries não são estacionárias.

Optou-se, inicialmente, por não transformá-las em séries estacionárias devido à perda de

informação, uma vez que o tamanho da amostra é pequeno.

Posto isso, o modelo estimado é:

(1) 



= 

+ 





+ 





+ 





+ 





+ 

ln 



+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 

+ 

+ 

+



+ 



i. Regressão via Mínimos Quadrados Ordinários

Dependent Variable: LCG

Method: Least Squares

Sample(adjusted): 2004:12 2008:12

Included observations: 49 after adjusting endpoints

Variable

Coefficient

Std. Error

t-Statistic

Prob.

36.46775

48.15491

0.757301

0.4546

LPG

-0.720397

0.226008

-3.187482

0.0033

LPA

0.388675

0.107923

3.601398

0.0011

0.234397

0.197428

1.187256

0.2441

LFG

-1.481970

3.632597

-0.407964

0.6861

LFFLEX

0.000204

0.091930

0.002221

0.9982

@SEAS(2)

-0.102557

0.021175

-4.843244

0.0000

@SEAS(3)

-0.041717

0.021388

-1.950440

0.0602

@SEAS(4)

-0.076236

0.021242

-3.588981

0.0011

@SEAS(5)

-0.060759

0.022561

-2.693059

0.0113

@SEAS(6)

-0.084187

0.024963

-3.372441

0.0020

@SEAS(7)

-0.023800

0.024262

-0.980953

0.3342

@SEAS(8)

0.017429

0.023846

0.730894

0.4703

@SEAS(9)

0.015112

0.022160

0.681964

0.5003

@SEAS(10)

0.036588

0.022185

1.649206

0.1092

@SEAS(11)

-0.062823

0.049843

-1.260404

0.2169

@SEAS(12)

0.027587

0.076373

0.361217

0.7204

@TREND

0.011995

0.028644

0.418769

0.6783

R-squared

0.940117

Mean dependent var

17.63999

Adjusted R-squared

0.907277

S.D. dependent var

0.097946

S.E. of regression

0.029825

Akaike info criterion

-3.910079

Sum squared resid

0.027575

Schwarz criterion

-3.215125

Log likelihood

113.7969

F-statistic

28.62779

Durbin-Watson stat

2.067546

Prob(F-statistic)

0.000000

d. Teste de Estabilidade

ii. Teste de Chow

Dados insuficientes para a realização deste teste.

iii. RESET de Ramsey – fitted terms: 1

: a regressão original foi corretamente especificada

Ramsey RESET Test:

F-statistic

7.374232

Probability

0.010869

Log likelihood ratio

10.76942

Probability

0.001032

Considerando 10% de significância, a hipótese nula do teste é rejeitada, o que implica que o

modelo está mal especificado e deve, portanto, ser melhorado.

Os erros de especificação testados pelo teste RESET podem ser gerados por: variáveis

relevantes omitidas; forma funcional; e existência de correlação entre os regressores e o

distúrbio. A má especificação do modelo resulta em estimadores viesados e inconsistentes.

Com o objetivo de melhor especificar o modelo acrescentou-se as variáveis Renda Real e

Consumo de Gasolina C defasadas duas, doze e treze vezes, valores obtidos a partir da

análise do correlograma parcial. Entretanto, os resultados continuam não satisfatórios. A

introdução do quadrado dos regressores foi também testada sem sucesso.

A relevância das séries referentes à frota de automóveis a gasolina e flex-fuel também foi

testada. Os resultados obtidos sugerem que essas séries podem ser excluídas do modelo

original. Contudo, excluí-las do modelo não resolveu o problema de especificação.

Testou-se também a relevância da série Preço Real do Álcool Hidratado. De acordo com o

resultado esta série pode também ser excluída do modelo.

Sendo assim, com base nas diversas tentativas, considerou-se o modelo de ajustamento

parcial com defasagens distribuídas:

(2) 



= 

+ 





1

+ 





12

+ 





13

+ 





+ 





+ 



1





12

+ 



13

+ 

+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 



(i) Regressão via MQO

Dependent Variable: LCG

Method: Least Squares

Sample(adjusted): 2002:02 2008:12

Included observations: 83 after adjusting endpoints

Variable

Coefficient

Std. Error

t-Statistic

Prob.

18.50897

3.462007

5.346312

0.0000

LCG(-1)

0.186139

0.119126

1.562531

0.1233

LCG(-12)

-0.202093

0.115013

-1.757125

0.0838

LCG(-13)

-0.216410

0.127169

-1.701756

0.0938

LPG

-0.207934

0.071802

-2.895944

0.0052

0.426631

0.213057

2.002429

0.0496

LY(-1)

0.009015

0.225010

0.040064

0.9682

LY(-12)

0.315653

0.208048

1.517208

0.1343

LY(-13)

0.049708

0.212674

0.233728

0.8160

@SEAS(2)

-0.106992

0.117490

-0.910652

0.3660

@SEAS(3)

-0.057150

0.110948

-0.515105

0.6083

@SEAS(4)

-0.061603

0.117439

-0.524558

0.6018

@SEAS(5)

-0.054544

0.114431

-0.476655

0.6353

@SEAS(6)

-0.085333

0.112264

-0.760115

0.4501

@SEAS(7)

-0.007192

0.107520

-0.066888

0.9469

@SEAS(8)

-0.008621

0.109700

-0.078583

0.9376

@SEAS(9)

0.009321

0.103968

0.089652

0.9289

@SEAS(10)

0.041847

0.111945

0.373818

0.7098

@SEAS(11)

-0.199843

0.156986

-1.272997

0.2078

@SEAS(12)

-0.131454

0.134379

-0.978233

0.3318

@TREND

0.001189

0.000957

1.242602

0.2187

R-squared

0.912368

Mean dependent var

17.58705

Adjusted R-squared

0.884100

S.D. dependent var

0.112446

S.E. of regression

0.038281

Akaike info criterion

-3.473398

Sum squared resid

0.090858

Schwarz criterion

-2.861402

Log likelihood

165.1460

F-statistic

32.27531

Durbin-Watson stat

1.872172

Prob(F-statistic)

0.000000

(i) Teste Reset de Ramsey – fitted terms: 1

: a regressão original foi corretamente especificada

Ramsey RESET Test:

F-statistic

2.057723

Probability

0.156543

Log likelihood ratio

2.753664

Probability

0.097032

(ii) Teste de Correlação Serial - Breusch-Godfrey (BG): duas defasagens





= 



1

+ 



2

+ 



: 

= 0, 

= 0

Breusch-Godfrey Serial Correlation LM Test:

F-statistic

0.718754

Probability

0.491507

Obs*R-squared

1.942025

Probability

0.378700

Tabela A.1.1 – Elasticidade-Preço da Demanda de Gasolina C no Ceará

Curto Prazo

-0.20793

Longo Prazo

-0.14658

Sendo a elasticidade-preço de longo prazo calculada da seguinte maneira:









1 



Vale acrescentar que sendo difícil determinar quais variáveis são exógenas e quais são

endógenas tentou-se estimar o modelo original através do método VAR, Auto-Regressão

Vetorial. Para tal estimação, foi necessário transformar as séries em estacionárias, o que

implicou em perda de informação.

Com exceção das séries referentes às frotas de automóveis, as demais séries tornaram-se

estacionárias a partir das primeiras-diferenças. No caso das frotas, foi preciso calcular as

segundas-diferenças.

(i) Transformação das Séries

a. Teste de Raiz Unitária

Dickey-Fuller Aumentado

: contém uma raiz unitária

Modelo

Defasagem

(Crit. Schwarz)

Estatística

ADF

Valor Crítico

10%

Hipótese

Nula

D(LCg)

Constante e

tendência

-4.614

-3.158

Rejeita

D2(LFflex)

Passeio

aleatório puro

-17.434

-1.611

Rejeita

D2(LFg)

Passeio

-9.000

-1.614

Rejeita

aleatório puro

D(LPg)

Passeio

aleatório puro

-9.340

-1.614

Rejeita

D(LPa)

Passeio

aleatório puro

-6.933

-1.614

Rejeita

D(LY)

Constante

-4.243

-2.585

Rejeita

Phillips-Perron

: contém uma raiz unitária

Modelo

Estatística

Valor Crítico

10%

Hipótese

Nula

D(LCg)

Passeio aleatório puro

-22.293

-1.614

Rejeita

D2(LFflex)

Passeio aleatório puro

-7.049

-2.601

Rejeita

D2(LFg)

Passeio aleatório puro

-9.000

-1.614

Rejeita

D(LPg)

Processo aleatório puro

-9.735

-1.614

Rejeita

D(LPa)

Processo aleatório puro

-6.903

-1.614

Rejeita

D(LY)

Processo aleatório puro

-16.656

-1.614

Rejeita

O grande problema de se trabalhar com diferenças é a perda de significância econômica das

próprias variáveis e, conseqüentemente, dos parâmetros estimados. Por esta razão, optou-

se por não estimar a regressão original via VAR.

Existem, entretanto, testes de exogeneidade que podem ser aplicados a fim de saber quais

variáveis são exógenas e quais são endógenas. O teste utilizado nesta dissertação é o teste

de Hausman. Antes de prosseguir, vale mencionar que o teste de causalidade de Granger,

além de pressupor estacionariedade das séries, não deve ser utilizado para determinar se

uma variável é endógena ou exógena.

f. Teste de Hausman

Para realizar este teste considere que o Preço Real da Gasolina e a Renda Real por

Trabalhador são variáveis exógenas, enquanto as demais variáveis são endógenas.

(1) 





= 

+ 







+ 





+ 

+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 



(2) 





= 

+ 







+ 





+ 

+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 



(3) 





= 

+ 







+ 





+ 

+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 



Cabe notar que a tendência foi retirada do modelo. A inclusão da tendência no modelo de

regressão só se justifica no caso de séries temporais estacionárias em tendência.

De posse dos valores estimados, a seguinte regressão é estimada via Mínimos Quadrados

Ordinários:





= 

+ 





+ 





+ 





+ 





+ 

ln 



+ 

+ 

+ 



+ 

+ 

+ 

+ 

+ 

+ 

+ 

+ 



+ 

+ 







+ 









+ 









+ 



Dependent Variable: LCG

Method: Least Squares

Sample(adjusted): 2004:12 2008:12

Included observations: 49 after adjusting endpoints

Variable

Coefficient

Std. Error

t-Statistic

Prob.

31625.45

13461.66

2.349298

0.0261

LPG

3177.027

1501.673

2.115658

0.0434

LPA

0.350174

0.104403

3.354067

0.0023

-8762.570

3671.794

-2.386455

0.0240

LFG

-2.250856

3.615131

-0.622621

0.5386

LFFLEX

-0.020588

0.089101

-0.231069

0.8189

@SEAS(2)

130.7336

47.19874

2.769854

0.0098

@SEAS(3)

10.77293

9.930363

1.084847

0.2872

@SEAS(4)

110.0797

39.20808

2.807578

0.0090

@SEAS(5)

316.5197

112.5423

2.812452

0.0089

@SEAS(6)

519.0364

191.8821

2.704975

0.0115

@SEAS(7)

564.4160

217.5004

2.595011

0.0149

@SEAS(8)

502.1522

198.4071

2.530918

0.0173

@SEAS(9)

209.4045

78.37662

2.671773

0.0124

@SEAS(10)

-9.481507

41.62727

-0.227772

0.8215

@SEAS(11)

1816.018

779.3783

2.330085

0.0272

@SEAS(12)

3159.783

1348.966

2.342374

0.0265

@TREND

0.018255

0.028405

0.642673

0.5257

LPA_FITTED

-4371.288

1961.954

-2.228028

0.0341

LFG_FITTED

-41.68371

208.5721

-0.199853

0.8430

LFFLEX_FITTED

510.0583

226.4628

2.252283

0.0323

R-squared

0.953343

Mean dependent var

17.63999

Adjusted R-squared

0.920016

S.D. dependent var

0.097946

S.E. of regression

0.027701

Akaike info criterion

-4.037199

Sum squared resid

0.021485

Schwarz criterion

-3.226419

Log likelihood

119.9114

F-statistic

28.60598

Durbin-Watson stat

1.998722

Prob(F-statistic)

0.000000

(iii) Teste F

: 

= 

= 0

Redundant Variables: LPA_FITTED LFG_FITTED LFFLEX_FITTED

F-statistic

2.645736

Probability

0.068525

Log likelihood ratio

12.22887

Probability

0.006639

Recorrendo ao teste F, a hipótese nula é rejeitada considerando 10% de significância, de

forma que as variáveis Preço Real do Álcool Hidratado, Frota de Automóveis a Gasolina e de

Flex-Fuel podem ser tratadas como endógenas.

A partir deste resultado, um VAR bivariado considerando a série referente ao preço do álcool

hidratado é rodado, mesmo sabendo as implicações disso sobre a qualidade das informações

obtidas.

(1) VAR Bivariado – séries estacionárias

a. Variáveis endógenas: 





e 





b. Variáveis exógenas: 





, 



, constante, tendência, dummies sazonais

(2) Identificação: as primeiras-diferenças das séries analisadas nesta parte são

estacionárias

(3) Definição do Número de Defasagens

a. Critérios de Informação

i. Critério de Schwarz: 3 defasagens

ii. Critério de Akaike: 4 defasagens

iii. Critério Hannan-Quinn: 3 defasagens

b. Teste de Granger

Pairwise Granger Causality Tests

Sample: 2001:01 2008:12

Lags: 3

Null Hypothesis:

Obs

F-Statistic

Probability

Y_DIF does not Granger Cause CG_DIF

15.8062

2.9E-08

CG_DIF does not Granger Cause Y_DIF

18.3702

2.7E-09

PG_DIF does not Granger Cause CG_DIF

0.75303

0.52380

CG_DIF does not Granger Cause PG_DIF

0.31245

0.81632

PA_DIF does not Granger Cause CG_DIF

0.66736

0.57454

CG_DIF does not Granger Cause PA_DIF

1.47488

0.22765

PG_DIF does not Granger Cause Y_DIF

0.82514

0.48384

Y_DIF does not Granger Cause PG_DIF

0.75745

0.52128

PA_DIF does not Granger Cause Y_DIF

1.85722

0.14353

Y_DIF does not Granger Cause PA_DIF

0.21288

0.88721

PA_DIF does not Granger Cause PG_DIF

1.17292

0.32534

PG_DIF does not Granger Cause PA_DIF

2.34124

0.07946

(4) Estimação

Vector Autoregression Estimates

Sample(adjusted): 2001:11 2008:12

Included observations: 86 after adjusting

endpoints

Standard errors in ( ) & t-statistics in [ ]

D(LCG)

D(LPA)

D(LCG(-1))

-0.488617

0.049078

(0.11471)

(0.09114)

[-4.25963]

[ 0.53852]

D(LCG(-2))

-0.373678

-0.038942

(0.12330)

(0.09796)

[-3.03057]

[-0.39752]

D(LCG(-3))

-0.092791

-0.094193

(0.11089)

(0.08810)

[-0.83676]

[-1.06911]

D(LPA(-1))

0.083119

0.381860

(0.14462)

(0.11490)

[ 0.57473]

[ 3.32336]

D(LPA(-2))

0.003649

-0.163409

(0.15892)

(0.12626)

[ 0.02296]

[-1.29418]

D(LPA(-3))

-0.080632

0.106012

(0.14773)

(0.11737)

[-0.54582]

[ 0.90323]

0.069316

0.000200

(0.01547)

(0.01229)

[ 4.47994]

[ 0.01623]

D(LPG)

-0.558011

0.417924

(0.13328)

(0.10589)

[-4.18686]

[ 3.94685]

D(LY)

0.326460

-0.039138

(0.05897)

(0.04685)

[ 5.53635]

[-0.83542]

@SEAS(2)

-0.186583

0.013803

(0.02460)

(0.01954)

[-7.58621]

[ 0.70635]

@SEAS(3)

-0.102118

0.003780

(0.02672)

(0.02123)

[-3.82171]

[ 0.17803]

@SEAS(4)

-0.104528

-0.011196

(0.02707)

(0.02151)

[-3.86127]

[-0.52054]

@SEAS(5)

-0.058997

0.001308

(0.02294)

(0.01823)

[-2.57147]

[ 0.07178]

@SEAS(6)

-0.081604

-0.004400

(0.02181)

(0.01733)

[-3.74204]

[-0.25394]

@SEAS(7)

0.003753

-0.000391

(0.02068)

(0.01643)

[ 0.18143]

[-0.02382]

@SEAS(8)

-0.030153

-0.006338

(0.02241)

(0.01780)

[-1.34571]

[-0.35604]

@SEAS(9)

-0.040614

-0.007723

(0.02178)

(0.01731)

[-1.86454]

[-0.44627]

@SEAS(10)

-0.041797

-0.018939

(0.02184)

(0.01735)

[-1.91409]

[-1.09164]

@SEAS(11)

-0.200966

0.018596

(0.02553)

(0.02028)

[-7.87223]

[ 0.91688]

@TREND

0.000116

7.54E-06

(0.00019)

(0.00015)

[ 0.62129]

[ 0.05068]

R-squared

0.819175

0.366715

Adj. R-squared

0.767120

0.184406

Sum sq. resids

0.118598

0.074862

S.E. equation

0.042390

0.033679

F-statistic

15.73657

2.011502

Log likelihood

161.1849

180.9688

Akaike AIC

-3.283371

-3.743460

Schwarz SC

-2.712592

-3.172682

Mean dependent

0.005047

-0.003575

S.D. dependent

0.087842

0.037293

Determinant Residual Covariance

2.02E-06

Log Likelihood (d.f. adjusted)

319.7271

Akaike Information Criteria

-6.505282

Schwarz Criteria

-5.363725

(5) Teste de Significância Conjunta – Teste F

Estatística F = 15.73

10%

(1,21) = 2.97 => A hipótese nula de que todos os parâmetros são estatisticamente

diferentes de zero é rejeitada.

100

(6) Teste de Diagnósticos – Estabilidade do Sistema (Gráfico dos Resíduos)

(7) Teste de Correlação Serial

VAR Residual Serial Correlation LM Tests

H0: no serial correlation at lag order h

Sample: 2001:01 2008:12

Included observations: 86

Lags

LM-Stat

Prob

3.190445

0.5265

7.863318

0.0967

9.056531

0.0597

Probs from chi-square with 4 df.

Com base neste teste, considerando 10% de significância, há correlação serial de segunda e

terceira ordem. Isso indica que ou não há defasagens suficientes ou há erro de especificação

(variável omitida).

-.15

-.10

-.05

.00

.05

.10

.15

01 02 03 04 05 06 07 08

D(LCG) Residuals

-.08

-.04

.00

.04

.08

.12

.16

01 02 03 04 05 06 07 08

D(LPA) Residuals

101

Com o objetivo de tentar eliminar a autocorrelação, é possível acrescentar as variáveis

endógenas defasadas mais vezes. Porém, isso poderá ser tema de um trabalho futuro.

102

2. Pernambuco

a. Análise Gráfica das Séries

Existe, aparentemente, um comportamento sazonal nas séries Consumo de Gasolina e

Renda Real por Trabalhador, de forma que 11 dummies sazonais são inclusas no modelo a

fim da captar tais movimentos.

17.5

17.6

17.7

17.8

17.9

18.0

18.1

2001 2002 2003 2004 2005 2006 2007 2008

LCG

2001 2002 2003 2004 2005 2006 2007 2008

LFFLEX

13.4

13.5

13.6

13.7

13.8

13.9

2001 2002 2003 2004 2005 2006 2007 2008

LFG

2001 2002 2003 2004 2005 2006 2007 2008

LPA

0.92

0.96

1.00

1.04

1.08

1.12

1.16

1.20

1.24

2001 2002 2003 2004 2005 2006 2007 2008

LPG

4.1

4.2

4.3

4.4

4.5

4.6

4.7

2001 2002 2003 2004 2005 2006 2007 2008

103

b. Análise do Correlograma

Consumo de Gasolina Comum

Série não-estacionária

Preço Real da Gasolina Comum

Série não-estacionária

Preço Real do Álcool Hidratado

Série não-estacionária

Renda Real por Trabalhador

Série não-estacionária

Frota de Automóveis à gasolina

Série não-estacionária

Frota de Automóveis Flex-Fuel

Série não-estacionária

A partir dos resultados encontrados, as séries Preço Real da Gasolina C, Frota de Automóveis

a Gasolina e Flex-Fuel podem ser descritas por um processo auto-regressivo de primeira

ordem. Já, a série Preço Real do Álcool Hidratado parece ser um AR(2). No caso das séries

Renda Real por Trabalhador e Consumo de Gasolina C, os coeficientes da função de

correlação parcial parecem ser significativos apenas nas defasagens 1, 12 e 13. Portanto, por

suposição, será admitido que o processo que gerou tais séries seja no máximo um AR(13).

c. Teste de Raiz Unitária

Dickey-Fuller Aumentado

: contém uma raiz unitária

Modelo

Defasagem

(Crit. Schwarz)

Estatística

ADF

Valor

Crítico 10%

Hipótese

Nula

LCg

Constante e

tendência

-6.816

-3.154

Rejeita

LFflex

Constante e

tendência

-2.685

-3.184

Aceita

LFg

Constante e

tendência

-2.489

-3.158

Aceita

LPg

Constante

-1.889

-2.584

Aceita

LPa

Constante

-2.945

-2.584

Aceita

Constante e

tendência

-0.182

-3.160

Aceita

104

Phillips-Perron

: contém uma raiz unitária

Modelo

Estatística PP

Valor Crítico

10%

Hipótese

Nula

LCg

Constante e

tendência

-7.147

-3.154

Rejeita

LFflex

Constante e

tendência

-4.941

-3.171

Rejeita

LFg

Constante e

tendência

-2.457

-3.158

Aceita

LPg

Constante

-2.102

-2.584

Aceita

LPa

Processo

aleatório puro

-0.903

-1.614

Aceita

Constante e

tendência

-5.602

-3.156

Rejeita

Os resultados obtidos, a partir dos dois testes de raiz unitária, sugerem que a série Consumo

de Gasolina C é estacionária em torno de uma tendência determinística. Logo, a tendência é

adicionada ao modelo a fim de removê-la dos dados.

Apesar de alguns testes divergirem, os resultados da análise conjunta das três abordagens

indicam que as séries são não-estacionárias.

Optou-se, inicialmente, por não transformá-las em séries estacionárias devido à perda de

informação, uma vez que o tamanho da amostra é pequeno.

Posto isso, o modelo a ser estimado é:

(1) 



= 

+ 





+ 





+ 





+ 





+ 

ln 



+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 

+ 

+ 

+



+ 



i. Regressão via Mínimos Quadrados Ordinários

Dependent Variable: LCG

Method: Least Squares

Sample(adjusted): 2003:12 2008:12

Included observations: 61 after adjusting endpoints

105

Variable

Coefficient

Std. Error

t-Statistic

Prob.

15.46016

16.35072

0.945534

0.3497

LPG

-0.687874

0.232945

-2.952950

0.0051

LPA

0.448796

0.101688

4.413458

0.0001

0.354816

0.210499

1.685591

0.0991

LFG

0.090158

1.190053

0.075759

0.9400

LFFLEX

0.012710

0.019082

0.666050

0.5089

@SEAS(2)

-0.092775

0.023546

-3.940094

0.0003

@SEAS(3)

-0.011647

0.024013

-0.485030

0.6301

@SEAS(4)

-0.067808

0.023721

-2.858582

0.0065

@SEAS(5)

-0.050348

0.023508

-2.141687

0.0379

@SEAS(6)

-0.068575

0.023899

-2.869387

0.0064

@SEAS(7)

-0.065379

0.023982

-2.726147

0.0092

@SEAS(8)

-0.014702

0.024939

-0.589538

0.5586

@SEAS(9)

0.012285

0.029864

0.411357

0.6829

@SEAS(10)

0.044332

0.024598

1.802245

0.0785

@SEAS(11)

-0.044647

0.028118

-1.587856

0.1196

@SEAS(12)

0.041368

0.053088

0.779227

0.4401

@TREND

-0.001305

0.004524

-0.288407

0.7744

R-squared

0.829060

Mean dependent var

17.78716

Adjusted R-squared

0.761479

S.D. dependent var

0.075528

S.E. of regression

0.036887

Akaike info criterion

-3.521424

Sum squared resid

0.058508

Schwarz criterion

-2.898544

Log likelihood

125.4034

F-statistic

12.26765

Durbin-Watson stat

1.832512

Prob(F-statistic)

0.000000

d. Teste de Estabilidade

ii. Teste de Chow

Dados insuficientes para a realização deste teste.

iii. RESET de Ramsey – fitted terms: 1

: a regressão original foi corretamente especificada

Ramsey RESET Test:

F-statistic

2.081202

Probability

0.156539

Log likelihood ratio

2.950193

Probability

0.085867

Considerando 10% de significância, a hipótese nula do teste é aceita. Logo, não é preciso

especificar outro modelo.

f. Teste de Correlação Serial - Teste Breusch-Godfrey (BG) – Duas Defasagens





= 



1

+ 



2

+ 



106

: 

= 0, 

= 0

Breusch-Godfrey Serial Correlation LM Test:

F-statistic

0.752269

Probability

0.477689

Obs*R-squared

2.159224

Probability

0.339727

De acordo com este teste, não é possível rejeitar a hipótese de não autocorrelação entre os

erros.

g. Teste de Co-Integração de Durbin-Watson

: = 0 => as séries são co-integradas

O valor crítico estimado com base em Mackinnon (1992) é 











, sendo os valores de

β obtidos no artigo de Mackinnon, e T o tamanho da amostra.

São seis as séries temporais não-estacionárias para qual a hipótese nula de co-integração

está sendo testada. Considerando 10% de significância o valor crítico é:

= 4.6999 +

(16.445)

(0)

= 4.9694

A estatística de Durbin-Watson é igual a 1.8325, ou seja, está acima do valor crítico, o que

implica que a hipótese nula de co-integração não pode ser rejeitada, sugerindo a existência

de uma relação de longo prazo estável entre estas variáveis.

É possível que no curto prazo haja desequilíbrios, sendo este termo de erro utilizado para

ligar o comportamento de curto e de longo prazo entre as séries estudas. Este procedimento

é denominado Mecanismo de Correção de Erro e é realizado em seguida.

(2) 



= 

+ 





+ 





+ 





+ 





+ 

ln 





+ 

+ 

+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 



1

+ 



107

Dependent Variable: D(LCG)

Method: Least Squares

Sample(adjusted): 2004:01 2008:12

Included observations: 60 after adjusting endpoints

Variable

Coefficient

Std. Error

t-Statistic

Prob.

-0.004715

0.019535

-0.241343

0.8105

D(LPG)

-0.707052

0.218612

-3.234274

0.0024

D(LPA)

0.358755

0.174243

2.058938

0.0457

D(LY)

0.177233

0.171608

1.032780

0.3076

D(LFG)

0.937911

4.241822

0.221110

0.8261

D(LFFLEX)

0.013514

0.075431

0.179157

0.8587

D(@SEAS(2))

0.082120

0.043457

1.889704

0.0657

D(@SEAS(3))

0.172712

0.043511

3.969394

0.0003

D(@SEAS(4))

0.088065

0.043186

2.039186

0.0478

D(@SEAS(5))

0.145318

0.045518

3.192568

0.0027

D(@SEAS(6))

0.131627

0.050262

2.618813

0.0122

D(@SEAS(7))

0.143250

0.045772

3.129616

0.0032

D(@SEAS(8))

0.138950

0.047387

2.932259

0.0054

D(@SEAS(9))

0.094222

0.053858

1.749457

0.0875

D(@SEAS(10))

0.076735

0.060291

1.272750

0.2101

D(@SEAS(11))

0.037857

0.049414

0.766120

0.4479

D(@SEAS(12))

0.111201

0.030581

3.636317

0.0007

ERRO(-1)

-0.907997

0.154501

-5.876954

0.0000

R-squared

0.863420

Mean dependent var

0.001466

Adjusted R-squared

0.808138

S.D. dependent var

0.083434

S.E. of regression

0.036546

Akaike info criterion

-3.537185

Sum squared resid

0.056095

Schwarz criterion

-2.908881

Log likelihood

124.1155

F-statistic

15.61840

Durbin-Watson stat

1.855681

Prob(F-statistic)

0.000000

Sendo assim, as elasticidades-preço da demanda por gasolina C em Pernambuco são

apresentadas na Tabela A.2 abaixo.

Tabela A.2 - Elasticidades-preço da demanda por gasolina C em Pernambuco

Curto Prazo

-0.70705

Longo Prazo

-0.68787

Um resultado interessante da aplicação deste modelo é a velocidade de ajuste, indicando

que o equilíbrio é restaurado rapidamente ainda que não no mesmo período, uma vez que o

termo de erro de equilíbrio não é estatisticamente diferente de zero.

108

Contudo, os resultados obtidos a partir do Método de Correção de Erro são muito acima dos

encontrados na literatura, ainda que as análises sejam realizadas para o Brasil e não para os

estados brasileiros. Deve-se considerar que ainda que “ainda que o conceito de co-

integração seja claramente um importante fundamento teórico do modelo de correção de

erro, persistem problemas relativos à sua aplicação prática; valores críticos e o

comportamento de muitos desses testes em amostras pequenas são desconhecidos para

uma ampla gama de modelos” (Gujarati, 2008; p.662).

Uma explicação possível para tal resultado pode ser a possibilidade da existência de

variáveis endógenas na regressão. Sendo assim, de forma análoga ao procedimento

realizado para o estado do Ceará, o teste de Hausman de exogeneidade.

h. Teste de Hausman

Para realizar este teste considere que o Preço Real da Gasolina e a Renda Real por

Trabalhador são variáveis exógenas, enquanto as demais variáveis são endógenas.

(4) 





= 

+ 







+ 





+ 

+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 



(5) 





= 

+ 







+ 





+ 

+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 



(6) 





= 

+ 







+ 





+ 

+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 



Cabe notar que a tendência foi retirada do modelo. A inclusão da tendência no modelo de

regressão só se justifica no caso de séries temporais estacionárias em tendência.

De posse dos valores estimados, a seguinte regressão é estimada via Mínimos Quadrados

Ordinários:

109





= 

+ 





+ 





+ 





+ 





+ 

ln 



+ 

+ 

+ 



+ 

+ 

+ 

+ 

+ 

+ 

+ 

+ 



+ 

+ 







+ 









+ 









+ 



Para rodar a regressão acima foi preciso excluir duas dummies sazonais, caso contrário a

matriz é singular o que significa que não pode ser invertida e, conseqüentemente, os

parâmetros não podem ser estimados.

Dependent Variable: LCG

Method: Least Squares

Sample(adjusted): 2003:12 2008:12

Included observations: 61 after adjusting endpoints

Variable

Coefficient

Std. Error

t-Statistic

Prob.

1329.953

2201.735

0.604048

0.5491

LPG

-60.21197

100.7205

-0.597812

0.5532

LPA

0.448047

0.102466

4.372650

0.0001

15.82070

26.74345

0.591573

0.5573

LFG

0.011760

1.206260

0.009749

0.9923

LFFLEX

0.015314

0.019717

0.776688

0.4417

@SEAS(2)

0.285276

0.611778

0.466307

0.6434

@SEAS(3)

-0.085899

0.168701

-0.509177

0.6133

@SEAS(4)

0.207805

0.431973

0.481061

0.6330

@SEAS(5)

-0.157118

0.194198

-0.809059

0.4230

@SEAS(6)

-0.490258

0.759062

-0.645873

0.5219

@SEAS(7)

-0.424340

0.658377

-0.644525

0.5227

@SEAS(10)

-0.455506

0.822700

-0.553671

0.5827

@SEAS(11)

-1.514531

2.509029

-0.603632

0.5493

@SEAS(12)

-3.591529

6.261693

-0.573572

0.5693

@TREND

-0.001322

0.004559

-0.290093

0.7732

LPA_FITTED

4.889635

9.605057

0.509069

0.6134

LFG_FITTED

-99.73640

167.2921

-0.596181

0.5543

LFFLEX_FITTED

4.123253

6.903163

0.597299

0.5535

R-squared

0.830494

Mean dependent var

17.78716

Adjusted R-squared

0.757849

S.D. dependent var

0.075528

S.E. of regression

0.037167

Akaike info criterion

-3.497065

Sum squared resid

0.058017

Schwarz criterion

-2.839579

Log likelihood

125.6605

F-statistic

11.43218

Durbin-Watson stat

1.823096

Prob(F-statistic)

0.000000

110

(i) Teste F

: 

= 

= 0

Redundant Variables: LPA_FITTED LFG_FITTED LFFLEX_FITTED

F-statistic

0.496787

Probability

0.686491

Log likelihood ratio

2.127054

Probability

0.546459

Diferentemente do estado do Ceará, não é possível rejeitar a hipótese nula. Sendo assim, as

variáveis Preço Real do Álcool Hidratado, Frota de Automóveis a Gasolina e de Automóveis

Flex-Fuel podem ser tratadas como exógenas.

111

3. Sergipe

a. Análise Gráfica das Séries

Aparentemente, existe um comportamento sazonal nas séries Consumo de Gasolina e Renda

Real por Trabalhador, de forma que 11 dummies sazonais são inclusas no modelo a fim da

captar tais movimentos.

16.1

16.2

16.3

16.4

16.5

16.6

16.7

16.8

2001 2002 2003 2004 2005 2006 2007 2008

LCG

2001 2002 2003 2004 2005 2006 2007 2008

LFFLEX

12.00

12.05

12.10

12.15

12.20

12.25

12.30

2001 2002 2003 2004 2005 2006 2007 2008

LFG

0.5

0.6

0.7

0.8

0.9

1.0

2001 2002 2003 2004 2005 2006 2007 2008

LPA

0.90

0.95

1.00

1.05

1.10

1.15

1.20

1.25

2001 2002 2003 2004 2005 2006 2007 2008

LPG

4.1

4.2

4.3

4.4

4.5

4.6

4.7

2001 2002 2003 2004 2005 2006 2007 2008

112

b. Análise do Correlograma

Consumo de Gasolina Comum

Série não-estacionária

Preço Real da Gasolina Comum

Série não-estacionária

Preço Real do Álcool Hidratado

Série não-estacionária

Renda Real por Trabalhador

Série não-estacionária

Frota de Automóveis à gasolina

Série não-estacionária

Frota de Automóveis Flex-Fuel

Série não-estacionária

A partir dos resultados encontrados, as séries Preço Real da Gasolina C, do Álcool Hidratado,

Frota de Automóveis a Gasolina e Flex-Fuel podem ser descritas por um processo auto-

regressivo de primeira ordem AR(1). Já, as séries Renda Real por Trabalhador e Consumo de

Gasolina C parecem ser um AR(13).

A determinação da ordem de integração dos processos auto-regressivos foi feita com base

nos coeficientes da função de correlação parcial.

c. Teste de Raiz Unitária

Dickey-Fuller Aumentado

: contém uma raiz unitária

Modelo

Defasagem

(Crit. Schwarz)

Estatística

ADF

Valor

Crítico 10%

Hipótese

Nula

LCg

Constante e

tendência

-7.848

-3.154

Rejeita

LFflex

Constante e

tendência

-3.975

-3.173

Rejeita

LFg

LPg

Passeio

aleatório puro

-1.236

-1.614

Aceita

LPa

Constante

-1.915

-2.584

Aceita

Constante e

tendência

-2.077

-3.159

Aceita

Em qualquer um dos três modelos, o coeficiente referente à série Frota de Automóveis a Gasolina defasada é

positivo. Embora seja possível, este caso é excluído, pois implicaria numa série temporal explosiva.

113

Phillips-Perron

: contém uma raiz unitária

Modelo

Estatística PP

Valor Crítico

10%

Hipótese

Nula

LCg

Constante e

tendência

-8.087

-3.154

Rejeita

LFflex

Constante e

tendência

-4.055

-3.173

Rejeita

LFg

LPg

Passeio

aleatório puro

-1.257

-1.614

Aceita

LPa

Constante

-0.716

-1.614

Aceita

Constante e

tendência

-6.007

-3.155

Rejeita

Em qualquer um dos três modelos, o coeficiente referente à série Frota de Automóveis a Gasolina defasada é

positivo. Embora seja possível, este caso é excluído, pois implicaria numa série temporal explosiva.

Os resultados obtidos, a partir dos dois testes de raiz unitária, sugerem que as séries

Consumo de Gasolina C e a Frota de Automóveis Flex-Fuel são estacionária em torno de uma

tendência determinística. Logo, a tendência é adicionada ao modelo.

Apesar de alguns testes divergirem, os resultados da análise conjunta das três abordagens

indicam que as séries não são estacionárias.

Optou-se, inicialmente, por não transformá-las em séries estacionárias devido à perda de

informação, uma vez que o tamanho da amostra é pequeno.

Posto isso, o modelo estimado é:

(3) 



= 

+ 





+ 





+ 





+ 





+ 

ln 



+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 

+ 

+ 

+



+ 



114

i. Regressão via Mínimos Quadrados Ordinários

Dependent Variable: LCG

Method: Least Squares

Sample(adjusted): 2004:02 2008:12

Included observations: 59 after adjusting endpoints

Variable

Coefficient

Std. Error

t-Statistic

Prob.

-0.998864

12.89532

-0.077459

0.9386

LPG

-0.329388

0.340653

-0.966931

0.3392

LPA

0.124960

0.143304

0.871991

0.3883

0.088277

0.390539

0.226040

0.8223

LFG

1.454164

1.038392

1.400401

0.1689

LFFLEX

-0.021539

0.038282

-0.562646

0.5767

@SEAS(2)

-0.124318

0.026779

-4.642317

0.0000

@SEAS(3)

-0.046225

0.026585

-1.738788

0.0896

@SEAS(4)

-0.087998

0.027105

-3.246517

0.0023

@SEAS(5)

-0.083523

0.026937

-3.100711

0.0035

@SEAS(6)

-0.069058

0.026692

-2.587211

0.0133

@SEAS(7)

-0.113398

0.026579

-4.266382

0.0001

@SEAS(8)

-0.048016

0.027026

-1.776670

0.0830

@SEAS(9)

-0.032080

0.035879

-0.894116

0.3765

@SEAS(10)

-0.035190

0.029807

-1.180570

0.2446

@SEAS(11)

-0.081704

0.044168

-1.849869

0.0715

@SEAS(12)

0.026932

0.106284

0.253395

0.8012

@TREND

-0.000757

0.005359

-0.141347

0.8883

R-squared

0.885355

Mean dependent var

16.48469

Adjusted R-squared

0.837819

S.D. dependent var

0.096832

S.E. of regression

0.038996

Akaike info criterion

-3.404523

Sum squared resid

0.062347

Schwarz criterion

-2.770698

Log likelihood

118.4334

F-statistic

18.62501

Durbin-Watson stat

2.432681

Prob(F-statistic)

0.000000

e. Teste de Estabilidade

ii. Teste de Chow

Dados insuficientes para a realização deste teste.

iii. RESET de Ramsey – fitted terms: 1

: a regressão original foi corretamente especificada

Ramsey RESET Test:

F-statistic

0.002819

Probability

0.957919

Log likelihood ratio

0.004158

Probability

0.948584

115

Considerando 10% de significância, a hipótese nula do teste é aceita, o que implica que não

é preciso especificar um novo modelo econométrico.

f. Teste de Correlação Serial - Teste Breusch-Godfrey (BG) – Duas Defasagens





= 



1

+ 



2

+ 



: 

= 0, 

= 0

Breusch-Godfrey Serial Correlation LM Test:

F-statistic

1.620970

Probability

0.210744

Obs*R-squared

4.528071

Probability

0.103930

Segundo o teste Breusch-Godfrey, não é possível rejeitar a hipótese nula de correlação serial

g. Teste de Co-Integração de Durbin-Watson

: = 0 => as séries são co-integradas

O valor crítico estimado com base em Mackinnon (1992) é 











, sendo os valores de

β obtidos no artigo de Mackinnon, e T o tamanho da amostra.

São seis as séries temporais não-estacionárias para qual a hipótese nula de co-integração

está sendo testada. Considerando 10% de significância o valor crítico é:

= 4.6999 +

(16.445)

(0)

= 4.97862

A estatística de Durbin-Watson é igual a 2.432, ou seja, está acima do valor crítico, o que

implica que a hipótese nula de co-integração não pode ser rejeitada, sugerindo a existência

de uma relação de longo prazo estável entre estas variáveis.

É possível que no curto prazo haja desequilíbrios, sendo este termo de erro utilizado para

ligar o comportamento de curto e de longo prazo entre as séries estudas. Este procedimento

é denominado Mecanismo de Correção de Erro e é realizado em seguida.

(4) 



= 

+ 





+ 





+ 





+ 





+ 

ln 





+ 

+ 

+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 



1

+ 



116

Dependent Variable: D(LCG)

Method: Least Squares

Sample(adjusted): 2004:03 2008:12

Included observations: 58 after adjusting endpoints

Variable

Coefficient

Std. Error

t-Statistic

Prob.

-0.023265

0.072219

-0.322140

0.7490

D(LPG)

-0.366411

0.473414

-0.773976

0.4435

D(LPA)

0.322910

0.250254

1.290326

0.2043

D(LY)

0.114135

0.260073

0.438858

0.6631

D(LFG)

1.753019

2.274273

0.770804

0.4454

D(LFFLEX)

-0.043263

0.083995

-0.515068

0.6093

@SEAS(2)

-0.091328

0.075765

-1.205413

0.2351

@SEAS(3)

0.101642

0.075936

1.338509

0.1883

@SEAS(4)

-0.018122

0.071373

-0.253906

0.8009

@SEAS(5)

0.027806

0.076303

0.364418

0.7175

@SEAS(6)

0.038006

0.077283

0.491772

0.6256

@SEAS(7)

-0.020475

0.074699

-0.274104

0.7854

@SEAS(8)

0.085749

0.072031

1.190451

0.2409

@SEAS(9)

0.039145

0.061517

0.636329

0.5282

@SEAS(10)

0.021134

0.081483

0.259366

0.7967

@SEAS(11)

-0.025149

0.106585

-0.235949

0.8147

@SEAS(12)

0.125991

0.117762

1.069878

0.2911

ERRO(-1)

-1.261125

0.153914

-8.193711

0.0000

R-squared

0.849495

Mean dependent var

0.008555

Adjusted R-squared

0.785531

S.D. dependent var

0.080555

S.E. of regression

0.037306

Akaike info criterion

-3.490209

Sum squared resid

0.055669

Schwarz criterion

-2.850761

Log likelihood

119.2160

F-statistic

13.28072

Durbin-Watson stat

2.128160

Prob(F-statistic)

0.000000

Sendo assim, as elasticidades-preço da demanda por gasolina C em Sergipe são

apresentadas na Tabela A.3 abaixo.

Tabela A.3 - Elasticidades-preço da demanda por gasolina C em Sergipe

Curto Prazo

-0.36641

Longo Prazo

-0.32938

Um resultado interessante da aplicação deste modelo é a velocidade de ajuste, indicando

que o equilíbrio é restaurado rapidamente ainda que não no mesmo período, uma vez que o

termo de erro de equilíbrio não é estatisticamente diferente de zero.

Contudo, os resultados obtidos a partir do Método de Correção de Erro não são

estatisticamente significativos.

117

Assim como nos demais estados, o teste de Hausman de exogeneidade é feito.

h. Teste de Hausman

Para realizar este teste considere que o Preço Real da Gasolina e a Renda Real por

Trabalhador são variáveis exógenas, enquanto as demais variáveis são endógenas.

(1) 





= 

+ 







+ 





+ 

+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 



(2) 





= 

+ 







+ 





+ 

+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 



(3) 





= 

+ 







+ 





+ 

+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 



Cabe notar que a tendência foi retirada do modelo. A inclusão da tendência no modelo de

regressão só se justifica no caso de séries temporais estacionárias em tendência.

De posse dos valores estimados, a seguinte regressão é estimada via Mínimos Quadrados

Ordinários:

(4) 



= 

+ 





+ 





+ 





+ 





+ 

ln 



+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 

+ 

+ 

+



+ 







+ 









+ 









+ 



Para que a regressão fosse possível, foi necessário remover três dummies sazonais, pois,

caso contrário, a matriz torna-se singular o que implica que não é inversível e,

conseqüentemente, os parâmetros não podem ser calculados.

118

Dado que há uma queda no consumo no início do ano e aumento da demanda por gasolina

no final do ano, as dummies correspondentes ao meio do ano (maio, junho, julho, agosto e

setembro) foram retiradas da regressão.

Dependent Variable: LCG

Method: Least Squares

Sample(adjusted): 2004:02 2008:12

Included observations: 59 after adjusting endpoints

Variable

Coefficient

Std. Error

t-Statistic

Prob.

-175.9311

70.91320

-2.480935

0.0170

LPG

4.327070

1.762502

2.455072

0.0181

LPA

0.222138

0.149887

1.482037

0.1455

-0.029806

0.384941

-0.077430

0.9386

LFFLEX

-0.003638

0.041356

-0.087961

0.9303

@SEAS(2)

-0.177667

0.056099

-3.167010

0.0028

@SEAS(3)

-0.071200

0.047508

-1.498678

0.1411

@SEAS(4)

-0.056015

0.026303

-2.129575

0.0388

@SEAS(10)

-0.015501

0.025611

-0.605238

0.5481

@SEAS(11)

-0.058823

0.056775

-1.036073

0.3058

@SEAS(12)

0.022987

0.131170

0.175243

0.8617

@TREND

0.003727

0.004198

0.887795

0.3795

LPA_FITTED

0.095064

0.774441

0.122752

0.9029

LFG_FITTED

16.02204

5.858261

2.734948

0.0090

LFFLEX_FITTED

-0.781188

0.295350

-2.644957

0.0113

R-squared

0.848925

Mean dependent var

16.48469

Adjusted R-squared

0.800856

S.D. dependent var

0.096832

S.E. of regression

0.043212

Akaike info criterion

-3.230286

Sum squared resid

0.082159

Schwarz criterion

-2.702098

Log likelihood

110.2934

F-statistic

17.66048

Durbin-Watson stat

2.495307

Prob(F-statistic)

0.000000

i. Teste F

: 

= 

= 0

Redundant Variables: LPA_FITTED LFG_FITTED LFFLEX_FITTED

F-statistic

3.225466

Probability

0.031448

Log likelihood ratio

11.72824

Probability

0.008375

Recorrendo ao teste F, a hipótese nula é rejeitada considerando 10% de significância, de

forma que as variáveis Preço Real do Álcool Hidratado, Frota de Automóveis a Gasolina e de

Flex-Fuel podem ser tratadas como endógenas.

119

A partir deste resultado, um VAR bivariado considerando apenas a série referente ao preço

do álcool hidratado é rodado, mesmo sabendo as implicações disso sobre a qualidade das

informações obtidas.

(1) VAR Bivariado – séries estacionárias

a. Variáveis endógenas: 





e 





b. Variáveis exógenas: 





, 



, constante, tendência, dummies sazonais

(2) Identificação: as primeiras-diferenças das séries analisadas nesta parte são

estacionárias

c. Teste de Raiz Unitária

Dickey-Fuller Aumentado

: contém uma raiz unitária

Modelo

Defasagem

(Crit. Schwarz)

Estatística

ADF

Valor Crítico

10%

Hipótese

Nula

D(LCg)

Passeio

aleatório puro

-12.609

-1.614

Rejeita

D(LPg)

Passeio

aleatório puro

-7.574

-1.614

Rejeita

D(LPa)

Passeio

aleatório puro

-6.576

-1.614

Rejeita

D(LY)

Constante e

tendência

-3.667

-3.159

Rejeita

Phillips-Perron

: contém uma raiz unitária

Modelo

Estatística

Valor Crítico

10%

Hipótese

Nula

D(LCg)

Passeio aleatório puro

-18.986

-1.614

Rejeita

D(LPg)

Processo aleatório puro

-7.465

-1.614

Rejeita

D(LPa)

Processo aleatório puro

-6.733

-1.614

Rejeita

D(LY)

Processo aleatório puro

-18.305

-1.614

Rejeita

(3) Definição do Número de Defasagens

d. Critérios de Informação

120

i. Critério de Schwarz: 24 defasagens

ii. Critério de Akaike: 24 defasagens

iii. Critério Hannan-Quinn: 24 defasagens

e. Teste de Granger

Pairwise Granger Causality Tests

Sample: 2001:01 2008:12

Lags: 24

Null Hypothesis:

Obs

F-Statistic

Probability

LPA does not Granger Cause LCG

0.85753

0.64268

LCG does not Granger Cause LPA

0.65027

0.83694

LPG does not Granger Cause LCG

0.72162

0.77326

LCG does not Granger Cause LPG

0.90540

0.59685

LY does not Granger Cause LCG

1.95524

0.05925

LCG does not Granger Cause LY

1.06906

0.43957

LPG does not Granger Cause LPA

0.59757

0.87912

LPA does not Granger Cause LPG

1.17292

0.37298

LY does not Granger Cause LPA

0.82005

0.67900

LPA does not Granger Cause LY

1.13770

0.39843

LY does not Granger Cause LPG

0.48165

0.95065

LPG does not Granger Cause LY

0.89314

0.60851

(4) Estimação

Para não ficar algo muito extenso, são apresentados apenas os resultados referentes as

primeiras-diferenças do log do preço real da gasolina e do log da renda real por

trabalhador.

Vector Autoregression Estimates

Sample(adjusted): 2003:08 2008:12

Included observations: 65 after adjusting

endpoints

Standard errors in ( ) & t-statistics in [ ]

D(LCG)

D(LPA)

-4.553484

1.156571

(3.60698)

(1.67668)

[-1.26241]

[ 0.68980]

D(LPG)

-6.350215

2.744054

(7.67414)

(3.56727)

[-0.82748]

[ 0.76923]

D(LY)

-14.23617

3.594897

(10.2249)

(4.75298)

R-squared

0.995425

0.989941

121

Adj. R-squared

0.853607

0.678111

Sum sq. resids

0.002298

0.000497

S.E. equation

0.033897

0.015757

F-statistic

7.019010

3.174620

Log likelihood

240.8966

290.6902

Akaike AIC

-5.473743

-7.005853

Schwarz SC

-3.366260

-4.898370

Mean dependent

0.007452

-0.003178

S.D. dependent

0.088594

0.027773

Determinant Residual Covariance

2.48E-07

Log Likelihood (d.f. adjusted)

309.8138

Akaike Information Criteria

-5.655810

Schwarz Criteria

-1.440844

(5) Teste de Significância Conjunta – Teste F

Estatística F = 7.019

10%

(1,63) = 2.79 => A hipótese nula de que todos os parâmetros são estatisticamente

diferentes de zero é rejeitada.

122

(6) Teste de Diagnósticos – Estabilidade do Sistema (Gráfico dos Resíduos)

(7) Teste de Correlação Serial

Número de observações insuficiente para a realização deste teste. De forma que, não há

como prosseguir, ou seja, a análise dos resultados do VAR (função impulso e decomposição

da variância) não é realizada.

Dada a impossibilidade de realizar o teste de autocorrelação e o parâmetro referente à

primeira-diferença do preço da gasolina estimou-se outro modelo excluindo as variáveis

endógenas e adicionando a variável dependente e a série referenta a renda defasada uma,

doze e treze vezes com base na função de correlação parcial.

-.04

-.03

-.02

-.01

.00

.01

.02

.03

.04

01 02 03 04 05 06 07 08

D(LCG) Residuals

-.020

-.015

-.010

-.005

.000

.005

.010

.015

.020

01 02 03 04 05 06 07 08

D(LPA) Residuals

123

(5) 



= 

+ 





1

+ 





12

+ 





13

+ 





+ 





+ 



1





12

+ 



13

+ 

+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 



Dependent Variable: LCG

Method: Least Squares

Sample(adjusted): 2002:03 2008:12

Included observations: 82 after adjusting endpoints

Variable

Coefficient

Std. Error

t-Statistic

Prob.

19.90469

3.158156

6.302631

0.0000

LCG(-1)

-0.017928

0.114727

-0.156271

0.8763

LCG(-12)

-0.131874

0.115096

-1.145771

0.2564

LCG(-13)

-0.416144

0.115840

-3.592417

0.0007

LPG

-0.145449

0.093861

-1.549630

0.1264

0.163438

0.300013

0.544770

0.5879

LY(-1)

0.463639

0.318096

1.457546

0.1501

LY(-12)

0.362771

0.280323

1.294120

0.2005

LY(-13)

0.360184

0.301320

1.195355

0.2366

@SEAS(2)

0.064468

0.130621

0.493548

0.6234

@SEAS(3)

0.061346

0.123926

0.495019

0.6224

@SEAS(4)

0.077374

0.118676

0.651974

0.5169

@SEAS(5)

0.098557

0.127699

0.771795

0.4432

@SEAS(6)

0.089769

0.130121

0.689885

0.4929

@SEAS(7)

0.045205

0.123302

0.366620

0.7152

@SEAS(8)

0.095690

0.120292

0.795487

0.4294

@SEAS(9)

0.172629

0.112604

1.533061

0.1304

@SEAS(10)

0.222526

0.141932

1.567836

0.1221

@SEAS(11)

0.073967

0.172802

0.428047

0.6701

@SEAS(12)

0.018053

0.186739

0.096673

0.9233

@TREND

0.002556

0.000802

3.188453

0.0023

R-squared

0.893248

Mean dependent var

16.44220

Adjusted R-squared

0.858247

S.D. dependent var

0.116643

S.E. of regression

0.043916

Akaike info criterion

-3.196716

Sum squared resid

0.117647

Schwarz criterion

-2.580361

Log likelihood

152.0653

F-statistic

25.52078

Durbin-Watson stat

1.930704

Prob(F-statistic)

0.000000

a. Teste de Estabilidade RESET de Ramsey - fitted terms: 1

: a regressão original foi corretamente especificada

Ramsey RESET Test:

F-statistic

0.780459

Probability

0.380527

Log likelihood ratio

1.059750

Probability

0.303272

124

Considerando 10% de significância, a hipótese nula do teste é aceita, o que implica que não

é preciso especificar um novo modelo econométrico.

j. Teste de Correlação Serial - Teste Breusch-Godfrey (BG) – Duas Defasagens





= 



1

+ 



2

+ 



: 

= 0, 

= 0

Breusch-Godfrey Serial Correlation LM Test:

F-statistic

0.199608

Probability

0.819603

Obs*R-squared

0.551114

Probability

0.759149

125

4. Rio de Janeiro

a. Análise Gráfica das Séries

18.6

18.7

18.8

18.9

19.0

19.1

2001 2002 2003 2004 2005 2006 2007 2008

LCG

2001 2002 2003 2004 2005 2006 2007 2008

LFFLEX

14.60

14.64

14.68

14.72

14.76

14.80

2001 2002 2003 2004 2005 2006 2007 2008

LFG

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1.0

2001 2002 2003 2004 2005 2006 2007 2008

LPA

0.92

0.96

1.00

1.04

1.08

1.12

1.16

1.20

1.24

2001 2002 2003 2004 2005 2006 2007 2008

LPG

3.9

4.0

4.1

4.2

4.3

4.4

4.5

4.6

4.7

2001 2002 2003 2004 2005 2006 2007 2008

126

Aparentemente, existe um comportamento sazonal nas séries Consumo de Gasolina e Renda

Real por Trabalhador, de forma que 11 dummies sazonais são inclusas no modelo a fim da

captar tais movimentos.

b. Análise do Correlograma

Consumo de Gasolina Comum

Série não-estacionária

Preço Real da Gasolina Comum

Série não-estacionária

Preço Real do Álcool Hidratado

Série não-estacionária

Renda Real por Trabalhador

Série não-estacionária

Frota de Automóveis à gasolina

Série não-estacionária

Frota de Automóveis Flex-Fuel

Série não-estacionária

A partir dos resultados encontrados, as séries Preço Real da Gasolina C, Frota de Automóveis

a Gasolina e Flex-Fuel podem ser descritas por um processo auto-regressivo de primeira

ordem AR(1). Aparentemente, a série Preço Real do Álcool Hidratado parece ser um AR(2).

Com base na função de correlação parcial, a primeira defasagem e a décima segunda são

estatisticamente diferentes de zero, o que pode implicar que o processo gerador da série

Consumo de Gasolina C seja AR(12), assim como, o processo da série Renda Real por

Trabalhador.

c. Teste de Raiz Unitária

Dickey-Fuller Aumentado

: contém uma raiz unitária

Modelo

Defasagem

(Crit. Schwarz)

Estatística

ADF

Valor

Crítico 10%

Hipótese

Nula

LCg

Constante e

tendência

-7.046

-3.154

Rejeita

LFflex

Constante

-1.919

-2.595

Aceita

LFg

Constante

-2.040

-2.586

Aceita

LPg

Constante

-2.104

-2.584

Aceita

LPa

Constante

-3.196

-2.584

Rejeita

Constante e

tendência

-2.097

-3.158

Aceita

127

Phillips-Perron

: contém uma raiz unitária

Modelo

Estatística PP

Valor Crítico

10%

Hipótese

Nula

LCg

Constante e

tendência

-7.453

-3.154

Rejeita

LFflex

Constante e

tendência

-9.597

-3.173

Rejeita

LFg

Constante e

tendência

-3.946

-3.158

Rejeita

LPg

Passeio

aleatório puro

-1.273

-1.614

Aceita

LPa

Constante

-2.522

-2.584

Aceita

Constante e

tendência

-5.633

-3.154

Rejeita

Os resultados obtidos, a partir dos dois testes de raiz unitária, sugerem que a série Consumo

de Gasolina C é estacionária em torno de uma tendência determinística. Logo, a tendência é

adicionada ao modelo.

Apesar de alguns testes divergirem, os resultados da análise conjunta das três abordagens

indicam que as séries não são estacionárias.

Optou-se, inicialmente, por não transformá-las em séries estacionárias devido à perda de

informação, uma vez que o tamanho da amostra é pequeno.

Posto isso, o modelo estimado é:

(1) 



= 

+ 





+ 





+ 





+ 





+ 

ln 



+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 

+ 

+ 

+



+ 



i. Regressão via Mínimos Quadrados Ordinários

Dependent Variable: LCG

Method: Least Squares

Sample(adjusted): 2004:02 2008:12

Included observations: 59 after adjusting endpoints

128

Variable

Coefficient

Std. Error

t-Statistic

Prob.

31.59575

12.94590

2.440599

0.0191

LPG

-0.590783

0.238360

-2.478530

0.0174

LPA

0.122389

0.093239

1.312636

0.1966

0.052870

0.108282

0.488262

0.6280

LFG

-0.835927

0.863087

-0.968532

0.3385

LFFLEX

0.010445

0.024313

0.429612

0.6697

@SEAS(2)

-0.069398

0.021797

-3.183871

0.0028

@SEAS(3)

0.034166

0.023019

1.484252

0.1454

@SEAS(4)

-0.005501

0.023308

-0.236023

0.8146

@SEAS(5)

-0.016866

0.021867

-0.771313

0.4449

@SEAS(6)

-0.024686

0.023553

-1.048088

0.3007

@SEAS(7)

0.002254

0.023351

0.096541

0.9236

@SEAS(8)

0.020230

0.024888

0.812835

0.4210

@SEAS(9)

0.030461

0.025623

1.188811

0.2414

@SEAS(10)

0.035693

0.025148

1.419346

0.1634

@SEAS(11)

-0.004776

0.022973

-0.207917

0.8363

@SEAS(12)

0.146023

0.032573

4.482970

0.0001

@TREND

-0.004513

0.001943

-2.323292

0.0252

R-squared

0.871694

Mean dependent var

18.76529

Adjusted R-squared

0.818495

S.D. dependent var

0.073703

S.E. of regression

0.031400

Akaike info criterion

-3.837825

Sum squared resid

0.040424

Schwarz criterion

-3.204000

Log likelihood

131.2158

F-statistic

16.38528

Durbin-Watson stat

2.159817

Prob(F-statistic)

0.000000

d. Teste de Estabilidade

ii. Teste de Chow

Dados insuficientes para a realização deste teste.

iii. RESET de Ramsey – fitted terms: 1

: a regressão original foi corretamente especificada

Ramsey RESET Test:

F-statistic

5.157878

Probability

0.028596

Log likelihood ratio

7.155832

Probability

0.007472

Com base no teste de estabilidade de Ramsey, a hipótese nula do teste é rejeitada

considerando 10% de significância.

Com o objetivo de melhor especificar o modelo, substituiu-se as séries referentes as frotas

pelo quadrado das variáveis Frota de Automóveis a Gasolina e Automóveis Flex-Fuel.

129

Dependent Variable: LCG

Method: Least Squares

Sample(adjusted): 2004:02 2008:12

Included observations: 59 after adjusting endpoints

Variable

Coefficient

Std. Error

t-Statistic

Prob.

25.37000

6.616928

3.834106

0.0004

LPG

-0.592224

0.245026

-2.416987

0.0202

LPA

0.123804

0.093042

1.330626

0.1907

0.054935

0.107920

0.509035

0.6135

LFG^2

-0.027845

0.029202

-0.953546

0.3459

LFFLEX^2

0.000568

0.001490

0.381326

0.7049

@SEAS(2)

-0.069581

0.021799

-3.191874

0.0027

@SEAS(3)

0.034139

0.023030

1.482352

0.1459

@SEAS(4)

-0.005463

0.023319

-0.234273

0.8159

@SEAS(5)

-0.016873

0.021877

-0.771259

0.4450

@SEAS(6)

-0.024562

0.023565

-1.042319

0.3034

@SEAS(7)

0.002351

0.023373

0.100582

0.9204

@SEAS(8)

0.020406

0.024907

0.819266

0.4174

@SEAS(9)

0.030652

0.025627

1.196086

0.2385

@SEAS(10)

0.035877

0.025146

1.426787

0.1612

@SEAS(11)

-0.004904

0.022979

-0.213424

0.8321

@SEAS(12)

0.145604

0.032564

4.471264

0.0001

@TREND

-0.004670

0.002557

-1.826550

0.0751

R-squared

0.871574

Mean dependent var

18.76529

Adjusted R-squared

0.818324

S.D. dependent var

0.073703

S.E. of regression

0.031415

Akaike info criterion

-3.836884

Sum squared resid

0.040462

Schwarz criterion

-3.203059

Log likelihood

131.1881

F-statistic

16.36760

Durbin-Watson stat

2.158670

Prob(F-statistic)

0.000000

e. Teste de Correlação Serial - Teste Breusch-Godfrey (BG) – Duas Defasagens





= 



1

+ 



2

+ 



: 

= 0, 

= 0

Breusch-Godfrey Serial Correlation LM Test:

F-statistic

0.708170

Probability

0.498768

Obs*R-squared

2.067580

Probability

0.355657

Segundo o teste Breusch-Godfrey, não é possível rejeitar a hipótese nula.

f. Teste de Co-Integração de Durbin-Watson

: = 0 => as séries são co-integradas

O valor crítico estimado com base em Mackinnon (1992) é 











, sendo os valores de

β obtidos no artigo de Mackinnon, e T o tamanho da amostra.

130

São seis as séries temporais não-estacionárias para qual a hipótese nula de co-integração

está sendo testada. Considerando 10% de significância o valor crítico é:

= 4.6999 +

(16.445)

(0)

= 4.97862

A estatística de Durbin-Watson é igual a 2.158, ou seja, está acima do valor crítico, o que

implica que a hipótese nula de co-integração não pode ser rejeitada, sugerindo a existência

de uma relação de longo prazo estável entre estas variáveis.

É possível que no curto prazo haja desequilíbrios, sendo este termo de erro utilizado para

ligar o comportamento de curto e de longo prazo entre as séries estudas. Este procedimento

é denominado Mecanismo de Correção de Erro e é realizado em seguida.

(2) 



= 

+ 





+ 





+ 





+ 

(



) + 

(



) +



+ 

+ 

+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 



1

+ 



Dependent Variable: D(LCG)

Method: Least Squares

Sample(adjusted): 2004:03 2008:12

Included observations: 58 after adjusting endpoints

Variable

Coefficient

Std. Error

t-Statistic

Prob.

-0.006086

0.008885

-0.685027

0.4973

D(LPG)

-0.218402

0.421429

-0.518242

0.6071

D(LPA)

0.127901

0.129197

0.989971

0.3281

D(LY)

-0.002882

0.073731

-0.039085

0.9690

D(LFG^2)

0.062328

0.102976

0.605263

0.5484

D(LFFLEX^2)

0.002202

0.004515

0.487593

0.6285

D(@SEAS(2))

0.162224

0.022507

7.207664

0.0000

D(@SEAS(3))

0.226994

0.028107

8.076125

0.0000

D(@SEAS(4))

0.128630

0.032652

3.939446

0.0003

D(@SEAS(5))

0.170410

0.034405

4.952991

0.0000

D(@SEAS(6))

0.180568

0.033391

5.407692

0.0000

D(@SEAS(7))

0.190850

0.035968

5.306130

0.0000

D(@SEAS(8))

0.163774

0.035690

4.588740

0.0000

D(@SEAS(9))

0.150439

0.037269

4.036535

0.0002

D(@SEAS(10))

0.145053

0.037349

3.883699

0.0004

D(@SEAS(11))

0.139918

0.034485

4.057304

0.0002

D(@SEAS(12))

0.169261

0.022476

7.530685

0.0000

131

ERRO(-1)

-1.168719

0.160364

-7.287904

0.0000

R-squared

0.911464

Mean dependent var

0.001915

Adjusted R-squared

0.873837

S.D. dependent var

0.084260

S.E. of regression

0.029929

Akaike info criterion

-3.930876

Sum squared resid

0.035829

Schwarz criterion

-3.291428

Log likelihood

131.9954

F-statistic

24.22326

Durbin-Watson stat

2.144864

Prob(F-statistic)

0.000000

Tabela A.4.1 - Elasticidades-preço da demanda por gasolina C no Rio de Janeiro

Curto Prazo

-0.218406

Longo Prazo

-0.592224

A partir da análise dos resultados obtidos, dois aspectos chamam atenção. Primeiro, a

grande diferença entre as elasticidades-preço da demanda por gasolina C no curto e no

longo prazo. E, finalmente, a não significância estatística da elasticidade-preço do curto

prazo.

As questões apontadas aqui podem indicar a existência de um problema na especificação do

modelo. Assim, seguindo os procedimentos adotados nos demais estados, o teste de

Hausman é realizado considerando.

g. Teste de Hausman

Para realizar este teste considere que o Preço Real da Gasolina e a Renda Real por

Trabalhador são variáveis exógenas, enquanto as demais variáveis são endógenas.

(1) 





= 

+ 







+ 





+ 

+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 



(2) 





= 

+ 







+ 





+ 

+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 



(3) 





= 

+ 







+ 





+ 

+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 



132

Cabe notar que a tendência foi retirada do modelo. A inclusão da tendência no modelo de

regressão só se justifica no caso de séries temporais estacionárias em tendência.

De posse dos valores estimados, a seguinte regressão é estimada via Mínimos Quadrados

Ordinários:

(4) 



= 

+ 





+ 





+ 





+ 





+ 

ln 



+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 

+ 

+ 

+



+ 







+ 









+ 









+ 



Para que a regressão fosse possível, foi necessário remover três dummies sazonais, pois,

caso contrário, a matriz torna-se singular o que implica que não é inversível e,

conseqüentemente, os parâmetros não podem ser calculados.

a. Teste F

Redundant Variables: LPA_FITTED LFG2_FITTED LFFLEX2_FITTED

F-statistic

0.502360

Probability

0.682931

Log likelihood ratio

2.294732

Probability

0.513531

De acordo com o teste F, não é possível rejeitar a hipótese nula de forma que as variáveis

estudadas podem ser tratadas como variáveis exógenas.

O teste de hausmam foi repetido considerando o modelo original (1) e, assim como, no teste

anterior, os resultados obtidos sugerem que as variáveis podem ser tratadas como variáveis

exógenas.

No caso do Rio de Janeiro, é interessantes acrescentar a série Preço Real do GNV dado o

grande número de carros a gás neste estado. Tanto o modelo original quanto o modelo cujas

variáveis referentes às frotas foram substituídas pelo seus respectivos quadrados não

passaram no teste de estabilidade de Ramsey. Assim, optou-se, neste caso, por um modelo

mais simples apenas como a renda e os preços dos combustíveis.

133

(3) 



= 

+ 





+ 





+ 







+ 





+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 

+ 

+ 

+ 



Dependent Variable: LCG

Method: Least Squares

Sample(adjusted): 2001:07 2008:12

Included observations: 90 after adjusting endpoints

Variable

Coefficient

Std. Error

t-Statistic

Prob.

19.50277

0.475971

40.97469

0.0000

LPG

-0.588710

0.181009

-3.252374

0.0017

LPA

0.054398

0.093273

0.583219

0.5615

LPGNV

-0.152276

0.093694

-1.625242

0.1084

0.018372

0.115891

0.158526

0.8745

@SEAS(2)

-0.060530

0.028549

-2.120225

0.0374

@SEAS(3)

0.017218

0.030277

0.568686

0.5713

@SEAS(4)

0.003191

0.030463

0.104739

0.9169

@SEAS(5)

-0.002630

0.028822

-0.091256

0.9275

@SEAS(6)

-0.044721

0.029897

-1.495833

0.1390

@SEAS(7)

-0.000204

0.030347

-0.006734

0.9946

@SEAS(8)

0.013493

0.031559

0.427537

0.6702

@SEAS(9)

0.005009

0.031082

0.161164

0.8724

@SEAS(10)

0.043917

0.030763

1.427600

0.1577

@SEAS(11)

-0.013534

0.027911

-0.484881

0.6292

@SEAS(12)

0.131596

0.038708

3.399688

0.0011

@TREND

-0.002923

0.000558

-5.235654

0.0000

R-squared

0.701249

Mean dependent var

18.79221

Adjusted R-squared

0.635770

S.D. dependent var

0.087148

S.E. of regression

0.052595

Akaike info criterion

-2.883953

Sum squared resid

0.201937

Schwarz criterion

-2.411767

Log likelihood

146.7779

F-statistic

10.70943

Durbin-Watson stat

1.187335

Prob(F-statistic)

0.000000

h. Teste de Estabilidade RESET de Ramsey

: a regressão original foi corretamente especificada

Ramsey RESET Test:

F-statistic

2.207366

Probability

0.141719

Log likelihood ratio

2.717757

Probability

0.099237

i. Teste de Correlação Serial – Teste Breusch-Godfrey (BG) – Duas Defasgens





= 



1

+ 



2

+ 



134

: 

= 0, 

= 0

Breusch-Godfrey Serial Correlation LM Test:

F-statistic

9.005204

Probability

0.000327

Obs*R-squared

18.21064

Probability

0.000111

Com o objetivo de tentar eliminar a autocorrelação entre os erros especificou-se um modelo

auto-regressivo com defasagens distribuídas. Acrescentou-se ao modelo as variáveis

dependente e de renda defasadas doze vezes e a variável Preço Real do Álcool Hidratado

duas vezes. Valores escolhidos com base na função de correlação parcial.

(4) 



= 

+ 





12

+ 





+ 





+ 



2

+ 







+ 









12

+ 

+ 

+ 

+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 



Dependent Variable: LCG

Method: Least Squares

Sample(adjusted): 2002:01 2008:12

Included observations: 84 after adjusting endpoints

Variable

Coefficient

Std. Error

t-Statistic

Prob.

23.11012

1.756882

13.15405

0.0000

LCG(-12)

-0.233764

0.083472

-2.800508

0.0067

LPG

-0.074312

0.172895

-0.429808

0.6688

LPA

0.022712

0.084850

0.267672

0.7898

LPA(-2)

-0.140219

0.075196

-1.864715

0.0668

LPGNV

-0.110140

0.076435

-1.440973

0.1545

0.103894

0.098903

1.050456

0.2975

LY(-12)

-0.001966

0.088972

-0.022102

0.9824

@SEAS(2)

-0.063635

0.023441

-2.714711

0.0085

@SEAS(3)

0.037897

0.025678

1.475869

0.1449

@SEAS(4)

0.018766

0.025771

0.728186

0.4692

@SEAS(5)

0.011505

0.023406

0.491535

0.6247

@SEAS(6)

-0.031298

0.024689

-1.267685

0.2095

@SEAS(7)

0.024319

0.025942

0.937403

0.3521

@SEAS(8)

0.037323

0.027489

1.357719

0.1793

@SEAS(9)

0.030293

0.026877

1.127100

0.2639

@SEAS(10)

0.077867

0.026738

2.912241

0.0049

@SEAS(11)

-0.004218

0.023178

-0.181962

0.8562

@SEAS(12)

0.163476

0.040950

3.992076

0.0002

@TREND

-0.003391

0.000552

-6.137189

0.0000

R-squared

0.834732

Mean dependent var

18.79283

Adjusted R-squared

0.785668

S.D. dependent var

0.089355

S.E. of regression

0.041368

Akaike info criterion

-3.328375

135

Sum squared resid

0.109522

Schwarz criterion

-2.749609

Log likelihood

159.7917

F-statistic

17.01315

Durbin-Watson stat

2.165210

Prob(F-statistic)

0.000000

j. Teste de Estabilidade RESET de Ramsey

: a regressão original foi corretamente especificada

Ramsey RESET Test:

F-statistic

0.767600

Probability

0.384289

Log likelihood ratio

1.017282

Probability

0.313165

k. Teste de Correlação Serial – Teste Breusch-Godfrey (BG) – Duas Defasgens





= 



1

+ 



2

+ 



: 

= 0, 

= 0

Breusch-Godfrey Serial Correlation LM Test:

F-statistic

1.139454

Probability

0.326602

Obs*R-squared

2.978089

Probability

0.225588

Tabela A.4.2 - Elasticidades-preço da demanda por gasolina C no Rio de Janeiro

Curto Prazo

-0.074312

Longo Prazo

-0.060231

Sendo a elasticidade-preço de longo prazo calculada da seguinte maneira:









1 

Cabe mencionar que estes valores não são estatisticamente significativos.

136

5. Paraná

a. Análise Gráfica das Séries

18.4

18.5

18.6

18.7

18.8

18.9

19.0

2001 2002 2003 2004 2005 2006 2007 2008

LCG

2001 2002 2003 2004 2005 2006 2007 2008

LFFLEX

14.45

14.50

14.55

14.60

14.65

14.70

14.75

14.80

2001 2002 2003 2004 2005 2006 2007 2008

LFG

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1.0

2001 2002 2003 2004 2005 2006 2007 2008

LPA

0.8

0.9

1.0

1.1

1.2

1.3

2001 2002 2003 2004 2005 2006 2007 2008

LPG

4.2

4.3

4.4

4.5

4.6

4.7

2001 2002 2003 2004 2005 2006 2007 2008

137

Aparentemente, existe um comportamento sazonal nas séries Consumo de Gasolina e Renda

Real por Trabalhador, de forma que 11 dummies sazonais são inclusas no modelo a fim da

captar tais movimentos.

b. Análise do Correlograma

Consumo de Gasolina Comum

Série não-estacionária

Preço Real da Gasolina Comum

Série não-estacionária

Preço Real do Álcool Hidratado

Série não-estacionária

Renda Real por Trabalhador

Série não-estacionária

Frota de Automóveis à gasolina

Série não-estacionária

Frota de Automóveis Flex-Fuel

Série não-estacionária

A partir dos resultados encontrados, as séries Preço Real da Gasolina C, do Álcool Hidratado,

da Frota de Automóveis a Gasolina e Flex-Fuel podem ser descritas por um processo auto-

regressivo de primeira ordem AR(1). Já, as séries Renda Real por Trabalhador e Consumo de

Gasolina C parecem ser geradas por um processo AR(13).

A determinação da ordem de integração dos processos auto-regressivos foi feita com base

nos coeficientes da função de correlação parcial.

c. Teste de Raiz Unitária

Dickey-Fuller Aumentado

: contém uma raiz unitária

Modelo

Defasagem

(Crit. Schwarz)

Estatística

ADF

Valor

Crítico 10%

Hipótese

Nula

LCg

Constante e

tendência

-7.852

-3.154

Rejeita

LFflex

Constante e

tendência

-1.963

-3.204

Aceita

LFg

Constante e

tendência

-2.478

-3.172

Aceita

LPg

Constante e

tendência

-2.612

-3.156

Aceita

LPa

Constante

-2.384

-2.584

Aceita

Constante e

-1.115

-3.158

Aceita

138

tendência

Phillips-Perron

: contém uma raiz unitária

Modelo

Estatística PP

Valor Crítico

10%

Hipótese

Nula

LCg

Constante e

tendência

-8.319

-3.154

Rejeita

LFflex

Constante

-13.248

-2.599

Rejeita

LFg

Constante

-6.525

2.593

Rejeita

LPg

Constante e

tendência

-2.496

-3.156

Aceita

LPa

Constante

-2.658

-2.584

Rejeita

Constante

-5.761

-2.583

Rejeita

Os resultados obtidos, a partir dos dois testes de raiz unitária, sugerem que a série Consumo

de Gasolina C é estacionária em torno de uma tendência determinística. Logo, a tendência é

adicionada ao modelo.

Apesar de alguns testes divergirem, os resultados da análise conjunta das três abordagens

indicam que as séries não são estacionárias.

Optou-se, inicialmente, por não transformá-las em séries estacionárias devido à perda de

informação, uma vez que o tamanho da amostra é pequeno.

Posto isso, o modelo estimado é:

(1) 



= 

+ 





+ 





+ 





+ 





+ 

ln 



+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 

+ 

+ 

+



+ 



139

i. Regressão via Mínimos Quadrados Ordinários

Dependent Variable: LCG

Method: Least Squares

Sample(adjusted): 2003:12 2007:12

Included observations: 49 after adjusting endpoints

Variable

Coefficient

Std. Error

t-Statistic

Prob.

-43.13797

63.45088

-0.679864

0.5016

LPG

-0.179401

0.256030

-0.700700

0.4887

LPA

-0.054709

0.107714

-0.507906

0.6151

0.558514

0.440030

1.269263

0.2138

LFG

4.127682

4.418739

0.934131

0.3575

LFFLEX

0.007767

0.089130

0.087145

0.9311

@SEAS(2)

-0.017724

0.032825

-0.539955

0.5931

@SEAS(3)

0.081269

0.032948

2.466592

0.0194

@SEAS(4)

0.075337

0.036277

2.076736

0.0462

@SEAS(5)

0.052226

0.040398

1.292788

0.2056

@SEAS(6)

-0.001593

0.037046

-0.043001

0.9660

@SEAS(7)

0.023892

0.037436

0.638216

0.5280

@SEAS(8)

0.086793

0.037988

2.284728

0.0293

@SEAS(9)

0.049442

0.041191

1.200314

0.2391

@SEAS(10)

0.037640

0.037690

0.998666

0.3257

@SEAS(11)

-0.042920

0.048080

-0.892681

0.3789

@SEAS(12)

0.059982

0.102386

0.585836

0.5622

@TREND

-0.018377

0.012767

-1.439451

0.1600

R-squared

0.739746

Mean dependent var

18.73746

Adjusted R-squared

0.597027

S.D. dependent var

0.072171

S.E. of regression

0.045814

Akaike info criterion

-3.051585

Sum squared resid

0.065067

Schwarz criterion

-2.356630

Log likelihood

92.76383

F-statistic

5.183211

Durbin-Watson stat

1.614143

Prob(F-statistic)

0.000038

d. Teste de Estabilidade

ii. Teste de Chow

Dados insuficientes para a realização deste teste.

iii. RESET de Ramsey – fitted terms: 1

: a regressão original foi corretamente especificada

Ramsey RESET Test:

F-statistic

0.040952

Probability

0.840997

Log likelihood ratio

0.066842

Probability

0.795991

140

Logo, não é possível rejeitar a hipótese de que a regressão foi corretamente especificada.

e. Teste de Correlação Serial - Teste Breusch-Godfrey (BG) – Duas Defasagens





= 



1

+ 



2

+ 



: 

= 0, 

= 0

Breusch-Godfrey Serial Correlation LM Test:

F-statistic

0.472356

Probability

0.628245

Obs*R-squared

1.545877

Probability

0.461654

Segundo o teste Breusch-Godfrey, não é possível rejeitar a hipótese nula.

l. Teste de Co-Integração de Durbin-Watson

: = 0 => as séries são co-integradas

O valor crítico estimado com base em Mackinnon (1992) é 











, sendo os valores de

β obtidos no artigo de Mackinnon, e T o tamanho da amostra.

São seis as séries temporais não-estacionárias para qual a hipótese nula de co-integração

está sendo testada. Considerando 10% de significância o valor crítico é:

 = 4.6999 +

(16.445)

(0)

= 5.035512

A estatística de Durbin-Watson é igual a 2.158, ou seja, está acima do valor crítico, o que

implica que a hipótese nula de co-integração não pode ser rejeitada, sugerindo a existência

de uma relação de longo prazo estável entre estas variáveis.

É possível que no curto prazo haja desequilíbrios, sendo este termo de erro utilizado para

ligar o comportamento de curto e de longo prazo entre as séries estudas. Este procedimento

é denominado Mecanismo de Correção de Erro e é realizado em seguida.

(2) 



= 

+ 





+ 





+ 





+ 

(





) + 

(





) +



+ 

+ 

+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 



1

+ 



141

Dependent Variable: D(LCG)

Method: Least Squares

Sample(adjusted): 2004:01 2007:12

Included observations: 48 after adjusting endpoints

Variable

Coefficient

Std. Error

t-Statistic

Prob.

-0.115497

0.098877

-1.168082

0.2520

D(LPG)

0.050930

0.269595

0.188912

0.8514

D(LPA)

-0.237972

0.115475

-2.060806

0.0481

D(LY)

0.228083

0.368511

0.618930

0.5406

D(LFG)

-4.221891

15.30620

-0.275829

0.7846

D(LFFLEX)

0.100327

0.299174

0.335347

0.7397

@SEAS(2)

0.106326

0.085921

1.237484

0.2255

@SEAS(3)

0.224073

0.090981

2.462849

0.0197

@SEAS(4)

0.118044

0.080573

1.465053

0.1533

@SEAS(5)

0.090251

0.086560

1.042643

0.3054

@SEAS(6)

0.074357

0.103324

0.719652

0.4773

@SEAS(7)

0.152263

0.088762

1.715405

0.0966

@SEAS(8)

0.192589

0.085362

2.256143

0.0315

@SEAS(9)

0.084084

0.085991

0.977820

0.3360

@SEAS(10)

0.126616

0.093990

1.347124

0.1880

@SEAS(11)

0.087683

0.126950

0.690694

0.4951

@SEAS(12)

0.269490

0.138982

1.939022

0.0620

ERRO(-1)

-0.819348

0.168991

-4.848471

0.0000

R-squared

0.877420

Mean dependent var

0.000631

Adjusted R-squared

0.807958

S.D. dependent var

0.095590

S.E. of regression

0.041890

Akaike info criterion

-3.227534

Sum squared resid

0.052644

Schwarz criterion

-2.525833

Log likelihood

95.46081

F-statistic

12.63168

Durbin-Watson stat

1.983171

Prob(F-statistic)

0.000000

Tabela A.5 - Elasticidades-preço da demanda por gasolina C no Paraná

Curto Prazo

0.050930

Longo Prazo

-0.179401

A partir da análise dos resultados obtidos, três aspectos chamam atenção. Primeiro, a

grande diferença entre as elasticidades-preço da demanda por gasolina C no curto e no

longo prazo. Em seguida, tem-se que o sinal positivo da elasticidade de curto prazo contrário

ao esperado pela teoria econômica, e, finalmente, a não significância estatística das

elasticidades-preço tanto no curto quanto no longo prazo.

142

As questões apontadas aqui podem indicar a existência de um problema na especificação do

modelo. Assim, seguindo os procedimentos adotados nos demais estados, o teste de

Hausman é realizado considerando.

m. Teste de Hausman

Para realizar este teste considere que o Preço Real da Gasolina e a Renda Real por

Trabalhador são variáveis exógenas, enquanto as demais variáveis são endógenas.

(1) 





= 

+ 







+ 





+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 



(2) 





= 

+ 







+ 





+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 



(3) 





= 

+ 







+ 





+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 



Cabe notar que a tendência foi retirada do modelo. A inclusão da tendência no modelo de

regressão só se justifica no caso de séries temporais estacionárias em tendência.

De posse dos valores estimados, a seguinte regressão é estimada via Mínimos Quadrados

Ordinários:

(4) 



= 

+ 





+ 





+ 





+ 





+ 

ln 



+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 

+ 

+ 

+



+ 







+ 









+ 









+ 



Dependent Variable: LCG

Method: Least Squares

Sample(adjusted): 2003:12 2007:12

Included observations: 49 after adjusting endpoints

Variable

Coefficient

Std. Error

t-Statistic

Prob.

143

-11364.14

10067.19

-1.128829

0.2685

LPG

-4029.315

4433.936

-0.908744

0.3712

LPA

-0.044427

0.113961

-0.389841

0.6996

2404.586

2454.187

0.979789

0.3356

LFG

4.369113

4.666056

0.936361

0.3571

LFFLEX

0.007635

0.094702

0.080624

0.9363

@SEAS(2)

-28.90635

25.89766

-1.116176

0.2738

@SEAS(3)

36.49621

38.01303

0.960098

0.3452

@SEAS(4)

70.67720

102.9974

0.686204

0.4982

@SEAS(5)

208.8230

234.6667

0.889871

0.3811

@SEAS(6)

303.1334

431.9597

0.701763

0.4886

@SEAS(7)

402.9512

439.7658

0.916286

0.3673

@SEAS(8)

390.5357

421.6852

0.926131

0.3623

@SEAS(9)

376.8706

414.1295

0.910031

0.3706

@SEAS(10)

279.3349

341.3486

0.818327

0.4201

@SEAS(11)

-83.34287

368.4074

-0.226225

0.8227

@SEAS(12)

-493.5207

582.6468

-0.847032

0.4042

@TREND

-0.019677

0.013440

-1.464081

0.1543

LPA_FITTED

3458.640

2932.823

1.179287

0.2482

LFG_FITTED

171.8477

305.6725

0.562196

0.5785

LFFLEX_FITTED

57.59328

291.6759

0.197456

0.8449

R-squared

0.754284

Mean dependent var

18.73746

Adjusted R-squared

0.578772

S.D. dependent var

0.072171

S.E. of regression

0.046840

Akaike info criterion

-2.986614

Sum squared resid

0.061433

Schwarz criterion

-2.175834

Log likelihood

94.17205

F-statistic

4.297626

Durbin-Watson stat

1.693610

Prob(F-statistic)

0.000233

a. Teste F

Redundant Variables: LPA_FITTED LFG_FITTED

LFFLEX_FITTED

F-statistic

0.552184

Probability

0.650899

Log likelihood ratio

2.816451

Probability

0.420799

Com base no teste F, as variáveis Preço Real do Álcool Hidratado, da Frota de Automóveis a

Gasolina e de Automóveis Flex-Fuel podem ser tratadas como exógenas.

144

6. Rio Grande do Sul

a. Análise Gráfica das Séries

Aparentemente, existe um comportamento sazonal nas séries Consumo de Gasolina e Renda

Real por Trabalhador, de forma que 11 dummies sazonais são inclusas no modelo a fim da

captar tais movimentos.

18.6

18.7

18.8

18.9

19.0

19.1

19.2

2001 2002 2003 2004 2005 2006 2007 2008

LCG

2001 2002 2003 2004 2005 2006 2007 2008

LFFLEX

14.70

14.75

14.80

14.85

14.90

2001 2002 2003 2004 2005 2006 2007 2008

LFG

0.4

0.5

0.6

0.7

0.8

0.9

1.0

1.1

1.2

2001 2002 2003 2004 2005 2006 2007 2008

LPA

0.92

0.96

1.00

1.04

1.08

1.12

1.16

1.20

1.24

1.28

2001 2002 2003 2004 2005 2006 2007 2008

LPG

4.0

4.1

4.2

4.3

4.4

4.5

4.6

4.7

2001 2002 2003 2004 2005 2006 2007 2008

145

b. Análise do Correlograma

Consumo de Gasolina Comum

Série não-estacionária

Preço Real da Gasolina Comum

Série não-estacionária

Preço Real do Álcool Hidratado

Série não-estacionária

Renda Real por Trabalhador

Série não-estacionária

Frota de Automóveis à gasolina

Série não-estacionária

Frota de Automóveis Flex-Fuel

Série não-estacionária

A partir dos resultados encontrados, as séries Preço Real da Gasolina C, do Álcool Hidratado,

da Frota de Automóveis a Gasolina e Flex-Fuel podem ser descritas por um processo auto-

regressivo de primeira ordem AR(1). A série Renda Real por Trabalhador parece ser gerada

por um processo AR(13), uma vez que as defasagens 1, 12 e 13 são estatisticamente

diferentes de zero. Já, a série Consumo de Gasolina C é, aparentemente, descrita por um

processo auto-regressivo de décima segunda ordem.

A determinação da ordem de integração dos processos auto-regressivos foi feita com base

nos coeficientes da função de correlação parcial.

c. Teste de Raiz Unitária

Dickey-Fuller Aumentado

: contém uma raiz unitária

Modelo

Defasagem

(Crit. Schwarz)

Estatística

ADF

Valor

Crítico 10%

Hipótese

Nula

LCg

Constante e

tendência

-9.072

-3.154

Rejeita

LFflex

Constante e

tendência

-1.944

-3.204

Aceita

LFg

Constante e

tendência

-3.058

-3.184

Aceita

LPg

Constante e

tendência

-2.033

-3.156

Aceita

LPa

Constante

-2.433

-2.584

Aceita

Constante e

tendência

-2.682

-3.159

Aceita

146

Phillips-Perron

: contém uma raiz unitária

Modelo

Estatística PP

Valor Crítico

10%

Hipótese

Nula

LCg

Constante e

tendência

-9.423

-3.154

Rejeita

LFflex

Constante

-13.028

-2.599

Rejeita

LFg

Constante e

tendência

-3.362

-3.183

Rejeita

LPg

Constante e

tendência

-1.924

-3.156

Aceita

LPa

Passeio

aleatório puro

-0.777

-1.614

Aceita

Constante e

tendência

-5.693

-3.154

Rejeita

Os resultados obtidos, a partir dos dois testes de raiz unitária, sugerem que a série Consumo

de Gasolina C é estacionária em torno de uma tendência determinística. Logo, a tendência é

adicionada ao modelo.

Apesar de alguns testes divergirem, os resultados da análise conjunta das três abordagens

indicam que as séries não são estacionárias.

Optou-se, inicialmente, por não transformá-las em séries estacionárias devido à perda de

informação, uma vez que o tamanho da amostra é pequeno.

Posto isso, o modelo estimado é:

(1) 



= 

+ 





+ 





+ 





+ 





+ 

ln 



+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 

+ 

+ 

+



+ 



i. Regressão via Mínimos Quadrados Ordinários

Dependent Variable: LCG

Method: Least Squares

Sample(adjusted): 2003:12 2007:12

Included observations: 49 after adjusting endpoints

147

Variable

Coefficient

Std. Error

t-Statistic

Prob.

190.2752

144.1309

1.320155

0.1964

LPG

-0.645851

0.230753

-2.798887

0.0087

LPA

0.176240

0.109075

1.615764

0.1163

0.706373

0.378007

1.868678

0.0711

LFG

-11.97111

9.980659

-1.199431

0.2394

LFFLEX

0.182811

0.160731

1.137372

0.2641

@SEAS(2)

-0.032939

0.037105

-0.887727

0.3815

@SEAS(3)

0.091551

0.040267

2.273575

0.0301

@SEAS(4)

0.023673

0.045599

0.519148

0.6073

@SEAS(5)

0.042562

0.042466

1.002259

0.3240

@SEAS(6)

0.018076

0.042879

0.421571

0.6762

@SEAS(7)

0.028877

0.035377

0.816253

0.4206

@SEAS(8)

0.038881

0.032343

1.202133

0.2384

@SEAS(9)

0.023138

0.037439

0.618017

0.5411

@SEAS(10)

0.045424

0.035783

1.269428

0.2137

@SEAS(11)

-0.045394

0.034428

-1.318514

0.1970

@SEAS(12)

-0.010637

0.094905

-0.112082

0.9115

@TREND

0.023844

0.021149

1.127441

0.2682

R-squared

0.783438

Mean dependent var

18.89862

Adjusted R-squared

0.664678

S.D. dependent var

0.072936

S.E. of regression

0.042235

Akaike info criterion

-3.214276

Sum squared resid

0.055298

Schwarz criterion

-2.519321

Log likelihood

96.74976

F-statistic

6.596817

Durbin-Watson stat

2.612612

Prob(F-statistic)

0.000003

f. Teste de Estabilidade

ii. Teste de Chow

Dados insuficientes para a realização deste teste.

iii. RESET de Ramsey – fitted terms: 1

: a regressão original foi corretamente especificada

Ramsey RESET Test:

F-statistic

0.922237

Probability

0.344565

Log likelihood ratio

1.483631

Probability

0.223207

Logo, não é possível rejeitar a hipótese de que a regressão foi corretamente especificada.

g. Teste de Correlação Serial - Teste Breusch-Godfrey (BG) – Duas Defasagens





= 



1

+ 



2

+ 



148

: 

= 0, 

= 0

Breusch-Godfrey Serial Correlation LM Test:

F-statistic

4.252072

Probability

0.024023

Obs*R-squared

11.11085

Probability

0.003866

Segundo o teste Breusch-Godfrey, a hipótese nula é rejeitada. A fim de eliminar a correlação

serial de segunda ordem, as defasagens das séries são adicionadas. A escolha da defasagem

foi baseada na função de correlação parcial.

Entretanto, não foi possível eliminar a autocorrelação de segunda ordem acrescentando

apenas as defasagens indicadas no correlograma. Para eliminar a correlação serial de

segunda ordem foi preciso adicionar a variável dependente defasada duas vezes.

A adição da série Consumo de Gasolina defasada duas vezes eliminou a autocorrelação de

segunda ordem, mas vale mencionar que a variável dependente defasada uma vez foi

mantida a fim de eliminar a correlação serial de primeira ordem. Desta forma, como

resultado final, o modelo estimado, no caso do Rio Grande do Sul, é um modelo dinâmico

(2) 



= 

+ 





1

+ 





2

+ 





+ 





+ 





+ 







ln 



+ 

+ 

+ 

+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 



149

i. Regressão via Mínimos Quadrados Ordinários

Dependent Variable: LCG

Method: Least Squares

Sample(adjusted): 2003:12 2007:12

Included observations: 49 after adjusting endpoints

Variable

Coefficient

Std. Error

t-Statistic

Prob.

174.5931

126.6076

1.379010

0.1784

LCG(-1)

-0.492185

0.153666

-3.202953

0.0033

LCG(-2)

-0.336454

0.153583

-2.190699

0.0367

LPG

-0.994188

0.230050

-4.321614

0.0002

LPA

0.210331

0.096505

2.179470

0.0376

0.365164

0.347041

1.052221

0.3014

LFG

-9.688533

8.785218

-1.102822

0.2792

LFFLEX

0.155472

0.141308

1.100237

0.2803

@SEAS(2)

-0.065264

0.044272

-1.474152

0.1512

@SEAS(3)

-0.041387

0.054663

-0.757124

0.4551

@SEAS(4)

-0.072840

0.049283

-1.477984

0.1502

@SEAS(5)

-0.056799

0.050740

-1.119421

0.2721

@SEAS(6)

-0.084201

0.048829

-1.724383

0.0953

@SEAS(7)

-0.064014

0.043545

-1.470059

0.1523

@SEAS(8)

-0.045669

0.038585

-1.183609

0.2462

@SEAS(9)

-0.044859

0.039725

-1.129257

0.2680

@SEAS(10)

-0.029183

0.041166

-0.708901

0.4840

@SEAS(11)

-0.097004

0.035140

-2.760544

0.0099

@SEAS(12)

0.000956

0.084867

0.011262

0.9911

@TREND

0.019343

0.018607

1.039529

0.3071

R-squared

0.844031

Mean dependent var

18.89862

Adjusted R-squared

0.741845

S.D. dependent var

0.072936

S.E. of regression

0.037058

Akaike info criterion

-3.460866

Sum squared resid

0.039825

Schwarz criterion

-2.688694

Log likelihood

104.7912

F-statistic

8.259724

Durbin-Watson stat

2.132239

Prob(F-statistic)

0.000000

h. Teste de Estabilidade

iv. Teste de Chow

Dados insuficientes para a realização deste teste.

v. RESET de Ramsey – fitted terms: 1

: a regressão original foi corretamente especificada

Ramsey RESET Test:

F-statistic

1.379718

Probability

0.250042

Log likelihood ratio

2.356903

Probability

0.124730

150

Logo, não é possível rejeitar a hipótese de que a regressão foi corretamente especificada.

i. Teste de Correlação Serial - Teste Breusch-Godfrey (BG) – Duas Defasagens





= 



1

+ 



2

+ 



: 

= 0, 

= 0

Breusch-Godfrey Serial Correlation LM Test:

F-statistic

1.623250

Probability

0.215922

Obs*R-squared

5.259402

Probability

0.072100

Segundo o teste Breusch-Godfrey, não é possível rejeitar a hipótese nula, de forma que não

há indício de correlação de segunda ordem neste modelo.

Tabela A.6.1 - Elasticidades-preço da demanda por gasolina C no Rio Grande do

Sul

Curto Prazo

-0.994188

Longo Prazo

-0.543671

A partir da análise dos resultados obtidos, três aspectos chamam atenção. Primeiro, a

grande diferença entre as elasticidades-preço da demanda por gasolina C no curto e no

longo prazo. Em seguida, a menor elasticidade de longo prazo e, por fim, há, principalmente,

a alta elasticidade-preço da demanda por gasolina C no curto-prazo.

As questões apontadas aqui podem indicar a existência de um problema na especificação do

modelo. Assim, seguindo os procedimentos adotados nos demais estados, o teste de

Hausman é realizado considerando.

n. Teste de Hausman

Para realizar este teste considere que o Preço Real da Gasolina e a Renda Real por

Trabalhador são variáveis exógenas, enquanto as demais variáveis são endógenas.

(1) 





= 

+ 







+ 





+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 



151

(2) 





= 

+ 







+ 





+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 



(3) 





= 

+ 







+ 





+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 



Cabe notar que a tendência foi retirada do modelo. A inclusão da tendência no modelo de

regressão só se justifica no caso de séries temporais estacionárias em tendência.

De posse dos valores estimados, a seguinte regressão é estimada via Mínimos Quadrados

Ordinários:

(4) 



= 

+ 





+ 





+ 





+ 





+ 

ln 



+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 

+ 

+ 

+



+ 







+ 









+ 









+ 



Dependent Variable: LCG

Method: Least Squares

Sample(adjusted): 2003:12 2007:12

Included observations: 49 after adjusting endpoints

Variable

Coefficient

Std. Error

t-Statistic

Prob.

-25652.49

28819.91

-0.890096

0.3810

LPG

2584.825

4701.697

0.549764

0.5868

LPA

0.169406

0.116136

1.458686

0.1558

6414.185

7009.293

0.915097

0.3680

LFG

-12.63996

10.43483

-1.211323

0.2359

LFFLEX

0.192937

0.167503

1.151844

0.2591

@SEAS(2)

380.1126

420.9488

0.902990

0.3742

@SEAS(3)

507.8771

557.7310

0.910613

0.3703

@SEAS(4)

599.0061

651.8494

0.918933

0.3660

@SEAS(5)

552.4122

601.8813

0.917809

0.3666

@SEAS(6)

454.4083

496.2751

0.915638

0.3677

@SEAS(7)

169.9469

259.0438

0.656055

0.5171

@SEAS(8)

58.92129

194.0578

0.303628

0.7637

@SEAS(9)

236.3356

325.2049

0.726728

0.4734

@SEAS(10)

210.8925

280.1926

0.752670

0.4579

@SEAS(11)

-265.8424

329.3762

-0.807109

0.4264

@SEAS(12)

-1583.841

1741.638

-0.909397

0.3709

@TREND

0.025328

0.022137

1.144172

0.2622

152

LPA_FITTED

-474.2406

2432.763

-0.194939

0.8468

LFG_FITTED

-83.14345

319.0994

-0.260557

0.7963

LFFLEX_FITTED

-276.1306

300.6264

-0.918518

0.3662

R-squared

0.789869

Mean dependent var

18.89862

Adjusted R-squared

0.639776

S.D. dependent var

0.072936

S.E. of regression

0.043775

Akaike info criterion

-3.121975

Sum squared resid

0.053655

Schwarz criterion

-2.311195

Log likelihood

97.48838

F-statistic

5.262517

Durbin-Watson stat

2.586390

Prob(F-statistic)

0.000038

a. Teste F

Redundant Variables: LPA_FITTED LFG_FITTED LFFLEX_FITTED

F-statistic

0.285666

Probability

0.835319

Log likelihood ratio

1.477251

Probability

0.687531

Com base no teste F, as variáveis Preço Real do Álcool Hidratado, da Frota de Automóveis a

Gasolina e de Automóveis Flex-Fuel podem ser tratadas como exógenas.

Apesar de, aparentemente, o modelo (2) não apresentar problemas, a elasticidade-preço da

demanda de curto prazo muito alta gera desconfianças quanto aos parâmetros estimados.

Sendo assim, um modelo mais parcimonioso foi especificado. Neste modelo, as séries

referentes às frotas são excluídas, uma vez que em todos os modelos regredidos seus

coeficientes são estatisticamente zero.

(5) 



= 

+ 





+ 





+ 





+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 

+



i. Regressão via Mínimos Quadrados Ordinários

Dependent Variable: LCG

Method: Least Squares

Sample(adjusted): 2001:07 2008:12

Included observations: 90 after adjusting endpoints

Variable

Coefficient

Std. Error

t-Statistic

Prob.

17.72114

0.809872

21.88141

0.0000

LPG

-0.589293

0.136194

-4.326866

0.0000

LPA

0.077553

0.067175

1.154495

0.2520

153

0.434670

0.199615

2.177540

0.0326

@SEAS(2)

-0.071648

0.024242

-2.955557

0.0042

@SEAS(3)

0.011757

0.025704

0.457398

0.6487

@SEAS(4)

-0.016368

0.027459

-0.596101

0.5529

@SEAS(5)

-0.000941

0.026054

-0.036133

0.9713

@SEAS(6)

-0.044344

0.025598

-1.732340

0.0874

@SEAS(7)

-0.020349

0.022299

-0.912562

0.3644

@SEAS(8)

-0.003567

0.022393

-0.159297

0.8739

@SEAS(9)

-0.016871

0.023231

-0.726222

0.4700

@SEAS(10)

0.026765

0.023210

1.153154

0.2526

@SEAS(11)

-0.067339

0.024224

-2.779798

0.0069

@SEAS(12)

0.022897

0.054553

0.419717

0.6759

@TREND

-0.001144

0.000717

-1.594587

0.1151

R-squared

0.786251

Mean dependent var

18.89322

Adjusted R-squared

0.742923

S.D. dependent var

0.082250

S.E. of regression

0.041703

Akaike info criterion

-3.356672

Sum squared resid

0.128697

Schwarz criterion

-2.912262

Log likelihood

167.0503

F-statistic

18.14669

Durbin-Watson stat

2.235433

Prob(F-statistic)

0.000000

a. Teste de Estabilidade RESET de Ramsey - fitted terms: 1

: a regressão original foi corretamente especificada

Ramsey RESET Test:

F-statistic

0.822732

Probability

0.367367

Log likelihood ratio

1.008654

Probability

0.315225

Logo, não é possível rejeitar a hipótese de que a regressão foi corretamente especificada.

b. Teste de Correlação Serial - Teste Breusch-Godfrey (BG) – Duas Defasagens





= 



1

+ 



2

+ 



: 

= 0, 

= 0

Breusch-Godfrey Serial Correlation LM Test:

F-statistic

0.768158

Probability

0.467630

Obs*R-squared

1.880275

Probability

0.390574

Segundo o teste Breusch-Godfrey, não é possível rejeitar a hipótese nula, de forma que não

há indício de correlação de segunda ordem neste modelo.

c. Teste de Co-Integração de Durbin-Watson

154

: = 0 => as séries são co-integradas

O valor crítico estimado com base em Mackinnon (1992) é 











, sendo os valores de

β obtidos no artigo de Mackinnon, e T o tamanho da amostra.

São quatro as séries temporais não-estacionárias para qual a hipótese nula de co-integração

está sendo testada. Considerando 10% de significância o valor crítico é:

= 4.1474 +

(11.165)

(9.88)

= 4.27267

A estatística de Durbin-Watson é igual a 2.235, ou seja, está acima do valor crítico, o que

implica que a hipótese nula de co-integração não pode ser rejeitada, sugerindo a existência

de uma relação de longo prazo estável entre estas variáveis.

É possível que no curto prazo haja desequilíbrios, sendo este termo de erro utilizado para

ligar o comportamento de curto e de longo prazo entre as séries estudas. Este procedimento

é denominado Mecanismo de Correção de Erro e é realizado em seguida.

(6) 



= 

+ 





+ 





+ 





+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 

+ 

+





1

+ 



1

+ 



Dependent Variable: D(LCG)

Method: Least Squares

Sample(adjusted): 2001:08 2008:12

Included observations: 89 after adjusting endpoints

Variable

Coefficient

Std. Error

t-Statistic

Prob.

-0.001291

0.004450

-0.290165

0.7725

D(LPG)

-0.577913

0.183386

-3.151352

0.0024

D(LPA)

0.027558

0.105738

0.260628

0.7951

D(LY)

0.526467

0.209493

2.513053

0.0142

D(@SEAS(2))

-0.000560

0.055960

-0.010015

0.9920

155

D(@SEAS(3))

0.066446

0.066956

0.992382

0.3243

D(@SEAS(4))

-0.017734

0.071069

-0.249527

0.8037

D(@SEAS(5))

0.008832

0.074328

0.118822

0.9057

D(@SEAS(6))

-0.004251

0.072279

-0.058816

0.9533

D(@SEAS(7))

0.042105

0.070929

0.593624

0.5546

D(@SEAS(8))

0.021294

0.062939

0.338335

0.7361

D(@SEAS(9))

0.005036

0.062344

0.080776

0.9358

D(@SEAS(10))

0.017360

0.064536

0.269003

0.7887

D(@SEAS(11))

-0.027187

0.063618

-0.427352

0.6704

D(@SEAS(12))

0.073081

0.044016

1.660322

0.1011

ERRO(-1)

-1.105404

0.124686

-8.865498

0.0000

R-squared

0.858500

Mean dependent var

0.004040

Adjusted R-squared

0.829425

S.D. dependent var

0.100191

S.E. of regression

0.041380

Akaike info criterion

-3.370683

Sum squared resid

0.124996

Schwarz criterion

-2.923288

Log likelihood

165.9954

F-statistic

29.52682

Durbin-Watson stat

1.924172

Prob(F-statistic)

0.000000

Tabela A.6.2 - Elasticidades-preço da demanda por gasolina C no Rio Grande do

Sul

Curto Prazo

-0.577913

Longo Prazo

-0.589293

156

7. Mato Grosso do Sul

a. Análise Gráfica das Séries

Aparentemente, existe um comportamento sazonal nas séries Consumo de Gasolina e Renda

Real por Trabalhador, de forma que 11 dummies sazonais são inclusas no modelo a fim da

captar tais movimentos.

16.8

16.9

17.0

17.1

17.2

17.3

17.4

2001 2002 2003 2004 2005 2006 2007 2008

LCG

9.6

10.0

10.4

10.8

11.2

11.6

2001 2002 2003 2004 2005 2006 2007 2008

LFFLEX

12.90

12.95

13.00

13.05

13.10

13.15

13.20

13.25

2001 2002 2003 2004 2005 2006 2007 2008

LFG

0.4

0.5

0.6

0.7

0.8

0.9

1.0

1.1

2001 2002 2003 2004 2005 2006 2007 2008

LPA

0.96

1.00

1.04

1.08

1.12

1.16

1.20

1.24

1.28

2001 2002 2003 2004 2005 2006 2007 2008

LPG

4.0

4.1

4.2

4.3

4.4

4.5

4.6

4.7

2001 2002 2003 2004 2005 2006 2007 2008

157

b. Análise do Correlograma

Consumo de Gasolina Comum

Série não-estacionária

Preço Real da Gasolina Comum

Série não-estacionária

Preço Real do Álcool Hidratado

Série não-estacionária

Renda Real por Trabalhador

Série não-estacionária

Frota de Automóveis à gasolina

Série não-estacionária

Frota de Automóveis Flex-Fuel

Série não-estacionária

A partir dos resultados encontrados, as séries Preço Real da Gasolina C, do Álcool Hidratado,

da Frota de Automóveis a Gasolina e Flex-Fuel podem ser descritas por um processo auto-

regressivo de primeira ordem AR(1). A série Renda Real por Trabalhador parece ser gerada

por um processo AR(13), uma vez que as defasagens 1,11, 12 e 13 são estatisticamente

diferentes de zero. Já, a série Consumo de Gasolina C é, aparentemente, descrita por um

processo auto-regressivo de décima segunda ordem.

A determinação da ordem de integração dos processos auto-regressivos foi feita com base

nos coeficientes da função de correlação parcial.

c. Teste de Raiz Unitária

Dickey-Fuller Aumentado

: contém uma raiz unitária

Modelo

Defasagem

(Crit. Schwarz)

Estatística

ADF

Valor

Crítico 10%

Hipótese

Nula

LCg

Constante e

tendência

-1.844

-3.158

Aceita

LFflex

Constante e

tendência

-3.860

-3.268

Rejeita

LFg

Constante e

tendência

-1.135

-3.185

Aceita

LPg

Passeio

aleatório puro

-1.101

-1.614

Aceita

LPa

Constante

-3.267

-2.584

Rejeita

Constante e

tendência

-2.866

-3.159

Aceita

158

Phillips-Perron

: contém uma raiz unitária

Modelo

Estatística PP

Valor Crítico

10%

Hipótese

Nula

LCg

Constante e

tendência

-8.504

-3.154

Rejeita

LFflex

Constante

-10.401

-2.614

Rejeita

LFg

Constante e

tendência

-1.208

-3.184

Aceita

LPg

Passeio

aleatório puro

-1.249

-1.614

Aceita

LPa

Constante

-2.506

-2.584

Aceita

Constante e

tendência

-5.330

-3.154

Rejeita

Os resultados obtidos, a partir dos dois testes de raiz unitária, sugerem que a série Frota de

Automóveis Flex-Fuel é estacionária em torno de uma tendência determinística. Logo, a

tendência é adicionada ao modelo.

Apesar de alguns testes divergirem, os resultados da análise conjunta das três abordagens

indicam que as séries não são estacionárias.

Optou-se, inicialmente, por não transformá-las em séries estacionárias devido à perda de

informação, uma vez que o tamanho da amostra é pequeno.

Posto isso, o modelo estimado é:

(1) 



= 

+ 





+ 





+ 





+ 





+ 

ln 



+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 

+ 

+ 

+



+ 



i. Regressão via Mínimos Quadrados Ordinários

Dependent Variable: LCG

Method: Least Squares

Sample(adjusted): 2006:02 2008:12

Included observations: 35 after adjusting endpoints

Variable

Coefficient

Std. Error

t-Statistic

Prob.

159

30.63711

49.61641

0.617479

0.5451

LPG

-0.383007

0.426813

-0.897365

0.3821

LPA

0.241703

0.273135

0.884922

0.3885

0.120855

0.578313

0.208978

0.8369

LFG

-1.034081

3.836514

-0.269537

0.7908

LFFLEX

-0.153709

0.264717

-0.580654

0.5691

@SEAS(2)

-0.052192

0.036235

-1.440406

0.1679

@SEAS(3)

0.038311

0.040236

0.952173

0.3544

@SEAS(4)

0.008932

0.043651

0.204618

0.8403

@SEAS(5)

0.029052

0.037565

0.773381

0.4499

@SEAS(6)

-0.028021

0.035844

-0.781757

0.4451

@SEAS(7)

0.042227

0.036764

1.148585

0.2666

@SEAS(8)

0.068616

0.037929

1.809042

0.0882

@SEAS(9)

0.068905

0.039653

1.737685

0.1003

@SEAS(10)

0.083174

0.037585

2.212953

0.0409

@SEAS(11)

-0.024404

0.093696

-0.260455

0.7976

@SEAS(12)

0.118866

0.169726

0.700339

0.4932

@TREND

0.017776

0.032636

0.544694

0.5930

R-squared

0.900266

Mean dependent var

17.14272

Adjusted R-squared

0.800532

S.D. dependent var

0.083109

S.E. of regression

0.037118

Akaike info criterion

-3.442987

Sum squared resid

0.023422

Schwarz criterion

-2.643093

Log likelihood

78.25227

F-statistic

9.026675

Durbin-Watson stat

2.268205

Prob(F-statistic)

0.000019

d. Teste de Estabilidade

ii. Teste de Chow

Dados insuficientes para a realização deste teste.

iii. RESET de Ramsey – fitted terms: 1

: a regressão original foi corretamente especificada

Ramsey RESET Test:

F-statistic

1.150621

Probability

0.299332

Log likelihood ratio

2.430598

Probability

0.118987

Logo, não é possível rejeitar a hipótese de que a regressão foi corretamente especificada.

e. Teste de Correlação Serial - Teste Breusch-Godfrey (BG) – Duas Defasagens





= 



1

+ 



2

+ 



: 

= 0, 

= 0

160

Breusch-Godfrey Serial Correlation LM Test:

F-statistic

0.280928

Probability

0.758969

Obs*R-squared

1.263663

Probability

0.531617

De acordo com o teste Breusch-Godfrey, a hipótese nula é aceita.

f. Teste de Co-Integração de Durbin-Watson

: = 0 => as séries são co-integradas

O valor crítico estimado com base em Mackinnon (1992) é 











, sendo os valores de

β obtidos no artigo de Mackinnon, e T o tamanho da amostra.

São seis as séries temporais não-estacionárias para qual a hipótese nula de co-integração

está sendo testada. Considerando 10% de significância o valor crítico é:

= 4.6999 +

(16.445)

(0)

= 5.1697

A estatística de Durbin-Watson é igual a 2.268, ou seja, está acima do valor crítico, o que

implica que a hipótese nula de co-integração não pode ser rejeitada, sugerindo a existência

de uma relação de longo prazo estável entre estas variáveis.

É possível que no curto prazo haja desequilíbrios, sendo este termo de erro utilizado para

ligar o comportamento de curto e de longo prazo entre as séries estudas. Este procedimento

é denominado Mecanismo de Correção de Erro e é realizado em seguida.

(6) 



= 

+ 





+ 





+ 





+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 

+ 

+





1

+ 



1

+ 



Dependent Variable: D(LCG)

Method: Least Squares

Sample(adjusted): 2006:03 2008:12

161

Included observations: 34 after adjusting endpoints

Variable

Coefficient

Std. Error

t-Statistic

Prob.

0.001147

0.045595

0.025165

0.9802

D(LPG)

-0.356696

0.427716

-0.833957

0.4166

D(LPA)

0.309856

0.294910

1.050679

0.3090

D(LY)

-0.159869

0.456170

-0.350460

0.7306

D(LFG)

1.250918

6.609194

0.189269

0.8523

D(LFFLEX)

-0.057106

0.535754

-0.106590

0.9164

D(@SEAS(2))

0.200394

0.135530

1.478588

0.1587

D(@SEAS(3))

0.248754

0.134001

1.856360

0.0819

D(@SEAS(4))

0.175249

0.152471

1.149394

0.2673

D(@SEAS(5))

0.206786

0.154295

1.340196

0.1989

D(@SEAS(6))

0.179049

0.143096

1.251252

0.2288

D(@SEAS(7))

0.232216

0.141666

1.639181

0.1207

D(@SEAS(8))

0.157248

0.135986

1.156348

0.2645

D(@SEAS(9))

0.136526

0.144242

0.946506

0.3580

D(@SEAS(10))

0.137043

0.145408

0.942467

0.3600

D(@SEAS(11))

0.117017

0.134585

0.869460

0.3975

D(@SEAS(12))

0.180699

0.065466

2.760196

0.0139

ERRO(-1)

-1.091391

0.271069

-4.026244

0.0010

R-squared

0.916548

Mean dependent var

0.010542

Adjusted R-squared

0.827880

S.D. dependent var

0.088874

S.E. of regression

0.036872

Akaike info criterion

-3.457699

Sum squared resid

0.021752

Schwarz criterion

-2.649626

Log likelihood

76.78088

F-statistic

10.33685

Durbin-Watson stat

1.865737

Prob(F-statistic)

0.000012

Tabela A.6.2 - Elasticidades-preço da demanda por gasolina C no Rio Grande do

Sul

Curto Prazo

-0.356696

Longo Prazo

-0.383007

Contudo, estes dois parâmetros estimados não são estatisticamente significativos. Seguindo

o mesmo procedimento dos demais estados, o teste de exogeneidade de Hausman é feito.

g. Teste de Hausman

Para realizar este teste considere que o Preço Real da Gasolina e a Renda Real por

Trabalhador são variáveis exógenas, enquanto as demais variáveis são endógenas.

162

(1) 





= 

+ 







+ 





+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 



(2) 





= 

+ 







+ 





+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 



(3) 





= 

+ 







+ 





+ 

+ 

+ 

+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 



Cabe notar que a tendência foi retirada do modelo. A inclusão da tendência no modelo de

regressão só se justifica no caso de séries temporais estacionárias em tendência.

De posse dos valores estimados, a seguinte regressão é estimada via Mínimos Quadrados

Ordinários:

(4) 



= 

+ 





+ 





+ 





+ 





+ 

ln 



+ 

+ 

+



+ 

+ 

+ 

+ 

+ 

+ 

+ 

+ 

+



+ 







+ 









+ 









+ 



Dependent Variable: LCG

Method: Least Squares

Sample(adjusted): 2006:02 2008:12

Included observations: 35 after adjusting endpoints

Variable

Coefficient

Std. Error

t-Statistic

Prob.

918.8880

6237.188

0.147324

0.8850

LPG

-818.7622

3929.169

-0.208380

0.8379

LPA

0.234571

0.309197

0.758647

0.4606

-760.5392

2725.452

-0.279051

0.7843

LFG

-0.724553

4.281452

-0.169231

0.8680

LFFLEX

-0.145501

0.295691

-0.492071

0.6303

@SEAS(2)

13.49963

80.94085

0.166784

0.8699

@SEAS(3)

-28.60249

46.27283

-0.618127

0.5464

@SEAS(4)

-30.59249

46.91445

-0.652091

0.5249

@SEAS(5)

-2.139325

34.61653

-0.061801

0.9516

@SEAS(6)

26.21903

65.27456

0.401673

0.6940

@SEAS(7)

74.92287

180.2780

0.415596

0.6840

@SEAS(8)

65.10935

232.4009

0.280160

0.7835

163

@SEAS(9)

69.77686

262.3694

0.265949

0.7942

@SEAS(10)

70.95462

182.2563

0.389312

0.7029

@SEAS(11)

164.9097

377.9143

0.436368

0.6692

@SEAS(12)

245.0169

757.6908

0.323373

0.7512

@TREND

0.015100

0.036568

0.412946

0.6859

LPA_FITTED

1059.108

3257.245

0.325155

0.7499

LFG_FITTED

86.84832

364.0437

0.238566

0.8149

LFFLEX_FITTED

131.1194

322.3227

0.406795

0.6903

R-squared

0.903400

Mean dependent var

17.14272

Adjusted R-squared

0.765401

S.D. dependent var

0.083109

S.E. of regression

0.040254

Akaike info criterion

-3.303489

Sum squared resid

0.022686

Schwarz criterion

-2.370280

Log likelihood

78.81106

F-statistic

6.546402

Durbin-Watson stat

2.147289

Prob(F-statistic)

0.000408

b. Teste F

Redundant Variables: LPA_FITTED LFG_FITTED

LFFLEX_FITTED

F-statistic

0.151416

Probability

0.927050

Log likelihood ratio

1.117583

Probability

0.772831

Desta forma, as variáveis Preço Real do Álcool Hidratado, Frota de Automóveis a Gasolina e

de Automóveis Flex-Fuel podem ser tratadas como variáveis exógenas.

164

Anexo B – Matriz de Correlação

1. Ceará

LCG

LFFLEX

LFG

LPG

LPA

LCG

1.000000

0.693735

0.744911

-0.522941

-0.495260

0.729654

LFFLEX

0.693735

1.000000

0.963128

-0.440082

-0.449364

0.465255

LFG

0.744911

0.963128

1.000000

-0.389561

-0.361761

0.574518

LPG

-0.522941

-0.440082

-0.389561

1.000000

0.706362

-0.308225

LPA

-0.495260

-0.449364

-0.361761

0.706362

1.000000

-0.366551

0.729654

0.465255

0.574518

-0.308225

-0.366551

1.000000

2. Pernambuco

LCG

LFFLEX

LFG

LPA

LPG

LCG

1.000000

0.265912

0.580704

-0.283284

-0.376267

0.572185

LFFLEX

0.265912

1.000000

0.938770

0.124223

0.204552

0.445122

LFG

0.580704

0.938770

1.000000

-0.215914

-0.294862

0.499230

LPA

-0.283284

0.124223

-0.215914

1.000000

0.694160

-0.420960

LPG

-0.376267

0.204552

-0.294862

0.694160

1.000000

-0.262784

0.572185

0.445122

0.499230

-0.420960

-0.262784

1.000000

3. Sergipe

LCG

LFFLEX

LFG

LPA

LPG

LCG

1.000000

0.699415

0.793027

-0.204223

-0.491112

0.670569

LFFLEX

0.699415

1.000000

0.952396

0.262802

0.094444

0.505553

LFG

0.793027

0.952396

1.000000

0.000670

-0.192387

0.554846

LPA

-0.204223

0.262802

0.000670

1.000000

0.756383

-0.143016

LPG

-0.491112

0.094444

-0.192387

0.756383

1.000000

-0.243410

0.670569

0.505553

0.554846

-0.143016

-0.243410

1.000000

4. Rio de Janeiro

LCG

LFFLEX

LFG

LPA

LPG

LCG

1.000000

-0.563708

-0.207362

-0.140464

0.112724

-0.126855

LFFLEX

-0.563708

1.000000

-0.618085

0.223142

-0.019507

0.546028

LFG

-0.207362

-0.618085

1.000000

-0.197865

-0.660829

0.333668

LPA

-0.140464

0.223142

-0.197865

1.000000

0.706760

-0.024906

LPG

0.112724

-0.019507

-0.660829

0.706760

1.000000

-0.337882

-0.126855

0.546028

0.333668

-0.024906

-0.337882

1.000000

5. Paraná

LCG

LFFLEX

LFG

LPA

LPG

LCG

1.000000

0.197230

0.509458

-0.164450

-0.517370

0.398439

LFFLEX

0.197230

1.000000

0.985290

0.482334

0.468616

-0.023442

LFG

0.509458

0.985290

1.000000

0.087814

-0.120987

0.143150

LPA

-0.164450

0.482334

0.087814

1.000000

0.644077

-0.093427

LPG

-0.517370

0.468616

-0.120987

0.644077

1.000000

-0.107488

0.398439

-0.023442

0.143150

-0.093427

-0.107488

1.000000

165

6. Rio Grande do Sul

LCG

LFFLEX

LFG

LPA

LPG

LCG

1.000000

-0.029497

0.002973

-0.412401

-0.569610

0.701852

LFFLEX

-0.029497

1.000000

0.990636

0.389680

0.233773

0.446824

LFG

0.002973

0.990636

1.000000

0.306723

0.148977

0.475577

LPA

-0.412401

0.389680

0.306723

1.000000

0.769252

-0.235330

LPG

-0.569610

0.233773

0.148977

0.769252

1.000000

-0.452007

0.701852

0.446824

0.475577

-0.235330

-0.452007

1.000000

7. Mato Grosso do Sul

LCG

LFFLEX

LFG

LPA

LPG

LCG

1.000000

0.671012

0.628466

-0.515447

-0.553722

0.617053

LFFLEX

0.671012

1.000000

0.989429

-0.926756

-0.936044

0.507699

LFG

0.628466

0.989429

1.000000

-0.611642

-0.705382

0.407517

LPA

-0.515447

-0.926756

-0.611642

1.000000

0.784605

-0.251753

LPG

-0.553722

-0.936044

-0.705382

0.784605

1.000000

-0.209637

0.617053

0.507699

0.407517

-0.251753

-0.209637

1.000000

166

Anexo C – Painel Nacional

Para a estimação do modelo nacional o software utilizado foi o Stata 8.

Modelo Original:







= 

+ 







+ 







+ 





+ 







+ 

ln 





+ 

+ 



+ 

+ 

+ 

+ 

+ 

+ 

+ 



+ 

+ 

+ 



A estimação deste modelo foi realizada considerando a variável dependente Consumo de

Gasolina C defasada uma vez, ou seja, considerou-se um modelo dinâmico.







= 

+ 



1

+ 







+ 







+ 





+ 







+ 

ln 





+ 

+ 

+ 

+ 

+ 

+ 

+ 

+ 



+ 

+ 

+ 

+ 



No caso de dados em painel, este modelo deve ser estimado via Arellano e Bond.

Arellano-Bond dynamic panel-data estimation Number of obs = 354

Group variable (i): estado Number of groups = 7

Wald chi2(17) = 918.20

Time variable (t): mes Obs per group: min = 34

avg = 50.57143

max = 60

One-step results

------------------------------------------------------------------------------

D.lcg | Coef. Std. Err. z P>|z| [90% Conf. Interval]

-------------+----------------------------------------------------------------

lcg |

LD | -.1827871 .0596565 -3.06 0.002 -.2809134 -.0846609

lpg |

D1 | -.4597234 .0745478 -6.17 0.000 -.5823437 -.3371031

lpa |

D1 | .1568276 .033888 4.63 0.000 .1010867 .2125685

ly |

167

D1 | .0357118 .0712515 0.50 0.616 -.0814866 .1529102

lfg |

D1 | 1.815474 .2457397 7.39 0.000 1.411268 2.21968

lfflex |

D1 | -.0087581 .0103748 -0.84 0.399 -.0258231 .0083069

_Id_2 |

D1 | -.1012925 .0121206 -8.36 0.000 -.1212292 -.0813559

_Id_3 |

D1 | -.0253323 .0155029 -1.63 0.102 -.0508323 .0001677

_Id_4 |

D1 | -.0541055 .0118875 -4.55 0.000 -.0736587 -.0345523

_Id_5 |

D1 | -.0536022 .0134946 -3.97 0.000 -.0757989 -.0314055

_Id_6 |

D1 | -.0661436 .012938 -5.11 0.000 -.0874246 -.0448625

_Id_7 |

D1 | -.0481091 .0135881 -3.54 0.000 -.0704595 -.0257587

_Id_8 |

D1 | -.0073327 .012921 -0.57 0.570 -.0285859 .0139204

_Id_9 |

D1 | -.0076738 .0120086 -0.64 0.523 -.0274262 .0120786

_Id_10 |

D1 | .0027837 .0120807 0.23 0.818 -.0170872 .0226546

_Id_11 |

D1 | -.0442104 .0133705 -3.31 0.001 -.0662029 -.0222179

_Id_12 |

D1 | .0926078 .0223378 4.15 0.000 .0558655 .1293502

_cons | -.0046422 .0011976 -3.88 0.000 -.006612 -.0026723

------------------------------------------------------------------------------

Sargan test of over-identifying restrictions:

chi2(119) = 229.55 Prob > chi2 = 0.0000

Arellano-Bond test that average autocovariance in residuals of order 1 is 0:

H0: no autocorrelation z = -9.53 Pr > z = 0.0000

Arellano-Bond test that average autocovariance in residuals of order 2 is 0:

H0: no autocorrelation z = -3.28 Pr > z = 0.0010

Os testes indicam que há autocorrelação de primeira ordem como esperado, porém há

também correlação serial de segunda ordem. A fim de eliminar esta última acrescentou-se

ao modelo original a variável dependente defasada duas vezes.







= 

+ 





1

+ 





2

+ 







+ 







+ 





+ 







+ 

ln 





+ 

+ 

+ 

+ 

+ 

+ 



+ 

+ 

+ 

+ 

+ 

+ 



Arellano-Bond dynamic panel-data estimation Number of obs = 354

Group variable (i): estado Number of groups = 7

Wald chi2(18) = 994.62

Time variable (t): mes Obs per group: min = 34

avg = 50.57143

168

max = 60

One-step results

------------------------------------------------------------------------------

D.lcg | Coef. Std. Err. z P>|z| [90% Conf. Interval]

-------------+----------------------------------------------------------------

lcg |

LD | -.1490186 .0551348 -2.70 0.007 -.2397073 -.0583298

L2D | -.1074178 .0516221 -2.08 0.037 -.1923286 -.022507

lpg |

D1 | -.4475602 .0723772 -6.18 0.000 -.5666101 -.3285103

lpa |

D1 | .1448908 .0327783 4.42 0.000 .0909753 .1988063

ly |

D1 | .0159817 .0647475 0.25 0.805 -.0905185 .1224819

lfg |

D1 | 2.012843 .2350563 8.56 0.000 1.62621 2.399476

lfflex |

D1 | -.0101293 .0100619 -1.01 0.314 -.0266797 .006421

_Id_2 |

D1 | -.0822849 .0135632 -6.07 0.000 -.1045944 -.0599754

_Id_3 |

D1 | -.0175328 .0146985 -1.19 0.233 -.0417096 .0066441

_Id_4 |

D1 | -.0576198 .0120498 -4.78 0.000 -.07744 -.0377997

_Id_5 |

D1 | -.0457518 .0129553 -3.53 0.000 -.0670613 -.0244423

_Id_6 |

D1 | -.0633903 .0125325 -5.06 0.000 -.0840044 -.0427762

_Id_7 |

D1 | -.0434947 .0130651 -3.33 0.001 -.0649849 -.0220046

_Id_8 |

D1 | -.005443 .0125447 -0.43 0.664 -.0260772 .0151911

_Id_9 |

D1 | -.0056545 .0116332 -0.49 0.627 -.0247895 .0134804

_Id_10 |

D1 | .0096698 .0117943 0.82 0.412 -.0097301 .0290697

_Id_11 |

D1 | -.0362405 .0127609 -2.84 0.005 -.0572303 -.0152506

_Id_12 |

D1 | .107469 .0206791 5.20 0.000 .0734549 .1414831

_cons | -.0051797 .0011165 -4.64 0.000 -.0070161 -.0033433

------------------------------------------------------------------------------

Sargan test of over-identifying restrictions:

chi2(178) = 263.65 Prob > chi2 = 0.0000

Arellano-Bond test that average autocovariance in residuals of order 1 is 0:

H0: no autocorrelation z = -13.18 Pr > z = 0.0000

Arellano-Bond test that average autocovariance in residuals of order 2 is 0:

H0: no autocorrelation z = -2.78 Pr > z = 0.0054

Mesmo acrescentando a variável dependente defasada duas vezes não foi possível eliminar

a correlação serial de segunda ordem. Portanto, para eliminá-la, adicionou-se ao modelo a

variável dependente defasada três vezes e ainda considerou-se os regressores em nível

como instrumentos.

169







= 

+ 





1

+ 





2

+ 





3

+ 







+ 







+ 





+ 







+ 

ln 





+ 

+ 

+ 

+ 

+ 



+ 

+ 

+ 

+ 

+ 

+ 

+ 



Arellano-Bond dynamic panel-data estimation Number of obs = 354

Group variable (i): estado Number of groups = 7

Wald chi2(19) = 979.62

Time variable (t): mes Obs per group: min = 34

avg = 50.57143

max = 60

One-step results

------------------------------------------------------------------------------

D.lcg | Coef. Std. Err. z P>|z| [90% Conf. Interval]

-------------+----------------------------------------------------------------

lcg |

LD | -.1188787 .0552743 -2.15 0.031 -.2097969 -.0279605

L2D | -.1008464 .052659 -1.92 0.055 -.1874627 -.0142301

L3D | .1466409 .0536944 2.73 0.006 .0583214 .2349604

lpg |

D1 | -.5147584 .0736048 -6.99 0.000 -.6358275 -.3936892

lpa |

D1 | .1762694 .033909 5.20 0.000 .120494 .2320447

ly |

D1 | .0311502 .0700499 0.44 0.657 -.0840715 .146372

lfg |

D1 | 1.437583 .2632678 5.46 0.000 1.004546 1.87062

lfflex |

D1 | -.0100045 .0102679 -0.97 0.330 -.0268938 .0068848

_Id_2 |

D1 | -.0739572 .0136207 -5.43 0.000 -.0963613 -.0515531

_Id_3 |

D1 | -.0282557 .0156599 -1.80 0.071 -.0540139 -.0024976

_Id_4 |

D1 | -.0524092 .0122228 -4.29 0.000 -.072514 -.0323045

_Id_5 |

D1 | -.0286383 .0139615 -2.05 0.040 -.051603 -.0056736

_Id_6 |

D1 | -.0589008 .0125272 -4.70 0.000 -.0795061 -.0382955

_Id_7 |

D1 | -.0318414 .0133364 -2.39 0.017 -.0537778 -.0099051

_Id_8 |

D1 | .0043052 .0127568 0.34 0.736 -.0166779 .0252882

_Id_9 |

D1 | .0064658 .0120762 0.54 0.592 -.0133978 .0263295

_Id_10 |

D1 | .018691 .0119035 1.57 0.116 -.0008885 .0382705

_Id_11 |

D1 | -.0355596 .0129597 -2.74 0.006 -.0568764 -.0142428

_Id_12 |

D1 | .1085681 .0216604 5.01 0.000 .0729398 .1441963

_cons | -.0033417 .0012016 -2.78 0.005 -.0053181 -.0013653

------------------------------------------------------------------------------

Sargan test of over-identifying restrictions:

chi2(133) = 236.47 Prob > chi2 = 0.0000

Arellano-Bond test that average autocovariance in residuals of order 1 is 0:

H0: no autocorrelation z = -12.20 Pr > z = 0.0000

170

Arellano-Bond test that average autocovariance in residuals of order 2 is 0:

H0: no autocorrelation z = -1.17 Pr > z = 0.2401

A introdução da terceira defasagem da variável dependente eliminou a correlação serial de

segunda ordem. Resta saber agora se o modelo estimado está corretamente especificado.

Para tal, o estimou-se novamente via dois estágios. O teste de Sargan, apresentado abaixo,

indica que os instrumentos escolhidos são válidos e que o modelo está bem especificado.

i. Teste de Sargan:

: instrumentos válidos

Sargan test of over-identifying restrictions:

chi2(133) = 0.00 Prob > chi2 = 1.0000

Livros Grátis
( http://www.livrosgratis.com.br )
 
Milhares de Livros para Download:
 
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas

Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
 
 