quinta-feira, 27 de abril de 2017

Perda de potência da política monetária no Brasil: evidência empírica com o R



A perda de potência da política monetária no Brasil foi um dos temas abordados por esse blog no passado. Naquela oportunidade, analisamos a evolução da participação do crédito livre e do direcionado em relação ao total das operações desde 2007. De fato, o segundo começou a ganhar espaço a partir de outubro de 2008, coincidindo com o início da fase mais aguda da crise financeira internacional, fruto da estratégia deliberada por parte do governo de incentivar a economia mesmo após a superação da turbulência. Contudo, a mera avaliação das estatísticas não nos permite concluir que a política monetária se encontra obstruída no nosso país por conta desse recrudescimento.


O objetivo do presente artigo é replicar o exercício feito com o R pelo pessoal da página “Análise Macro”, que tem por base a ideia do artigo de Ricardo de Menezes Barboza, publicado na Revista de Economia Política sob o título: “Taxa de juros e mecanismos de transmissão da política monetária no Brasil”. Aqui, utilizaremos uma série histórica mais ampla, entre janeiro de 2001 e março de 2017, de modo a tornar os resultados mais robustos. É importante lembrar que as estatísticas de crédito sofreram revisão metodológica em 2007. Para promover o encadeamento entre as antigas e as novas, tomamos as variações daquelas para calcular o seu nível com base no primeiro valor da metodologia mais recente (março de 2007). As duas séries do crédito (colunas 4 e 5 do nosso arquivo) foram ponderadas pelo acumulado em 12 meses da série mensal do PIB do Banco Central. A terceira variável de interesse é a Taxa SELIC (coluna 6 do arquivo).


Os primeiros passos no R envolvem a leitura do arquivo, a transformação dos dados em série temporal e a criação das variáveis que serão objeto do nosso estudo. Seguem as linhas do código:


dados <- read.csv2('SELIC_Crédito.csv',dec=',')

dados <- dados[,-1]

dados <- ts(dados,start=c(2000,07),freq=12)

livrepib <- dados[,4]

dirpib <- dados[,5]

selic <- dados [,6]



O primeiro passo foi calcular a correlação entre as séries, ou seja, entre o crédito livre e o direcionado com a SELIC. O sinal esperado é negativo: dado que a taxa básica de juros da economia serve como balizador do custo do crédito, aumentos na primeira devem provocar redução na segunda, e vice-versa. Os comandos e os resultados estão descritos abaixo:


cor.test(selic, livrepib)

cor.test(selic,dirpib)



A correlação é de -0,832 no primeiro caso e de -0,509 no segundo, confirmando nossa expectativa. Todavia, cálculos de correlação não nos permitem inferir quaisquer relações de causalidade. Para investigarmos esse tema, recorremos ao teste de Causalidade de Granger. Sabe-se que o teste é sensível a escolha dos lags. Portanto, devemos adotar um critério que nos permita escolhê-los de maneira adequada. Utilizamos, aqui, a função varselect do pacote vars, conforme código abaixo.


library(vars)



modelo1 <- data.frame(selic,livrepib)

modelo2 <- data.frame(selic,dirpib)



VARselect(modelo1, lag.max = 12, type=c("both"),season=NULL)

VARselect(modelo2, lag.max = 12, type=c("both"),season=NULL)



As defasagens relevantes para análise são 7 no primeiro caso (2 dos quatro critérios de seleção apontam essa quantidade) e 3 no segundo (os quatro critérios de seleção acusam esse valor). Para executar o teste em si, usamos os seguintes comandos, que visam captar todas as direções possíveis de causalidade entre as variáveis.


grangertest(selic ~ livrepib,order=7,data=modelo1)

grangertest(livrepib ~ selic, order=7,data=modelo1)



grangertest(selic ~ dirpib,order=3,data=modelo2)

grangertest(dirpib ~ selic, order=3,data=modelo2)



Os resultados são:


SELIC não Granger-causa o crédito livre: p-valor = 0,01545

(hipótese nula rejeitada, ou seja, SELIC Granger-causa o crédito livre)



Crédito livre não Granger-causa SELIC: p-valor = 0,04553

(hipótese nula rejeitada, ou seja, crédito livre Granger-causa SELIC)



SELIC não Granger-causa o crédito direcionado: p-valor = 0,4772

(hipótese nula não pode ser rejeitada, ou seja, SELIC não Granger-causa crédito direcionado)



Crédito direcionado não Granger-causa SELIC: p-valor = 0,02408

(hipótese nula rejeitada, ou seja, crédito direcionado Granger-causa SELIC)



No caso do crédito livre há uma dupla relação de causalidade com a Taxa SELIC. A política monetária afeta o crédito determinado pelas forças de mercado (relação esperada a priori). Da mesma forma, o total das operações de crédito dessas instituições é relevante no que tange às decisões da taxa básica de juros da economia, pois podem afetam tanto o hiato do produto (diferença entre o PIB efetivo e o potencial) quanto o desvio da inflação efetiva com relação à meta.


O crédito direcionado também Granger-causa a SELIC, uma vez que seus efeitos, assim como o crédito livre, também influenciam o lado real e o monetário da economia e, consequentemente, também são levados em consideração pelo Banco Central nas decisões de política monetária. 


Entretanto, as evidências apontam que a Taxa SELIC não Granger-causa o crédito direcionado. Ou seja, há uma obstrução da política monetária que a torna menos potente. Em situações como essa, assim como já mencionamos em outra oportunidade, os movimentos dos juros precisam ser mais exacerbados para que os objetivos de política sejam alcançados, o que introduz maior volatilidade à economia.

Os resultados são muito parecidos aos obtidos pelo pessoal da Análise Macro, e reforçam a tese de obstrução da política monetária. A criação da TLP, que substituirá a TJLP e será determinada com base nos fundamentos de mercado, é uma excelente medida para resolver esse problema.

Fonte: BCB.

Código das séries no SGS do Bacen:

Crédito livre (série antiga):12130.
Crédito livre (série atual): 20542.
Crédito direcionado (série antiga): 7524.
Crédito direcionado (série atual): 20593.

Nenhum comentário:

Postar um comentário