Mestranda em Economia do Desenvolvimento pelo Programa de … · defesa nacional e o PIB. 2...
Transcript of Mestranda em Economia do Desenvolvimento pelo Programa de … · defesa nacional e o PIB. 2...
IX Encontro Nacional da Associação de Estudos em Defesa
Florianópolis, 6-8 de julho de 2016
ECONOMIA DA DEFESA: UMA ANÁLISE DE CAUSALIDADE ENTRE GASTOS E
PIB
Cássia Heloisa Ternus
Mestranda em Economia do Desenvolvimento pelo Programa de Pós-Graduação em
Economia do Desenvolvimento da Pontifícia Universidade Católica do Rio Grande do
Sul – PUCRS. E-mail: [email protected]
Gustavo Inácio de Moraes
Professor do PPGE-PUCRS. Email: [email protected]
Essa pesquisa conta com o apoio financeiro do Instituto Pandiá Calógeras – Edital
Álvaro Alberto
RESUMO: Com a crescente complexidade entre as relações internacionais ou mesmo
com os conflitos internos cada vez mais presentes a economia da defesa vem
ganhando espaço e notoriedade. Neste sentido, este trabalho tem como objetivo
analisar a causalidade existente entre os gastos com defesa – aérea, naval e terrestre
– e o crescimento do PIB. Estimou-se um modelo VAR com um lag de defasagem, de
modo que o teste de cointegração de Johansen indicou que as séries analisadas
cointegram, não há evidência de autocorrelação e os resíduos possuem distribuição
normal. Os resultados apontam que PIB causa gastos em defesa naval e terrestre no
sentido de Granger, há bicausalidade de Granger entre os gastos com defesa aérea e
naval, além de defesa terrestre causar no sentido de Granger defesa aérea.
Palavras-Chave: Economia da Defesa. Atividade Econômica. Orçamento
Público. Análise de Causalidade.
1 INTRODUÇÃO
Os gastos com defesa nacional constituem uma parcela relativamente pequena
do orçamento federal, porém, de grande importância estratégica. Em 2012, de acordo
com o Ministério da Defesa, certa de 70% das despesas eram com pessoal, 14% com
custeio e apenas 12,3% com investimento. O Decreto nº 6.703, de 18 de dezembro de
2008 aprovou a Estratégia Nacional da Defesa que tem como base: reorganizar as
Forças Armadas, reestruturar a indústria brasileira de material de defesa, e, também, a
política de composição dos efetivos das Forças Armadas (Ministério da Defesa, 2008).
Sabe-se que a indústria de defesa brasileira ainda é incipiente frente ao tamanho de
seu território, lugar que ocupa no cenário internacional e recursos naturais – pré-sal –
que são cobiçados por parte do mundo.
Neste sentido, Veríssimo (2005) salienta que no passado a defesa focava
muito no vetor militar, atualmente os componentes não militares tendem a assumir um
papel mais importante e decisivo. Para tanto, a economia da defesa vem assumindo
um papel muito importante para compreender as relações inter setoriais de um país
dentro e fora dele. As mudanças globais cada vez mais aceleradas e o aumento dos
conflitos econômicos, sociais e religiosos ao redor do mundo construíram uma série de
ameaças impossíveis de combater com armas tradicionais. Assim, a logica da defesa
nacional visa a necessidade de proteção de todas as vulnerabilidade nacionais, pois
todas são capazes de colocar em risco a segurança do Estado.
Sobre o caso brasileiro, Dagnino (2008) conclui que é necessário revitalizar a
indústria da defesa no Brasil e destaca dois aspectos relevantes deste contexto. O
primeiro, refere-se a importância de revisar a visão do impacto econômico e
tecnológico da produção e P&D militares. O segundo aspecto refere-se a necessidade
de melhorar a avaliação dos custos e benefícios da revitalização da indústria de
defesa brasileira com foco no cenário internacional. Por fim, o autor chama atenção
para a necessidade de investir mais no setor de defesa do país, atualmente,
aproximadamente 2% do PIB é empregado neste setor, sendo que grande parte é
para pagamento de pessoal – aposentadorias e pessoal ativo – e pequena parcela é
investida em tecnologia, o que tem sido a tendência internacional para acompanhar os
avanços da sociedade.
Sobre a relação entre crescimento econômico e gastos com defesa, Aizenman
e Glick (2003) concluíram que o crescimento cai com níveis mais elevados de gastos
militares e que as despesas militares na presença de ameaças aumentam o
crescimento. Araujo Junior e Shikida (2015) apresentam que o impacto dos gastos
militares sobre o crescimento econômico tem sido alvo de questionamento desde os
anos 70, sendo que estas questões ainda não se encerraram e possuem um vasto
campo para estudos. Como limitações que podem comprometer os resultados de
pesquisas econômicas na área, os autores destacam: má especificação do modelo
econométrico, definição do conceito de ameaças ou instabilidades políticas, uma vez
que países podem não apresentar problemas com o resto do mundo, mas possuírem
conflitos internos, e, por fim, a questão institucional a sua influência sobre o
desenvolvimento econômico.
Ainda, sobre a causalidade entre gastos públicos no Brasil e crescimento
econômico, Gadelha (2011), analisando dados entre 1980 e 2008, evidenciou que os
investimos públicos eram importantes não somente para enfrentar os efeitos adversos
da crise financeira internacional, mas também para estimular o crescimento econômico
interno. Neste sentido, pode-se esperar que haja causalidade entre os gastos com
defesa nacional e o PIB.
2 METODOLOGIA
O método utilizado neste artigo será a estimação via modelo de vetores
autorregressivos (VAR) e também será empregado o teste de causalidade de Granger.
Conforme Cavalcanti (2010) a popularidade destes modelos ocorre pelo fato de que os
mesmos permitem analisar as interrelações entre diversas variáveis a partir de um
conjunto mínimo de restrições de identificação. Desta forma, é possível identificar o
componente “exógeno” de cada variável, garantindo a estimação do efeito de uma
mudança nesta variável sobre as demais.
Um modelo VAR pode ser entendido como um modelo ARMA para cada
componente com uma especialidade diferente: simultaneidade nas variáveis
correspondendo a equações simultâneas. O uso de modelos VAR ao invés de
equações simultâneas consiste no fato de que não se pode fazer distinção entre quais
variáveis são endógenas e quais exógenas, porém, deve-se garantir que as variáveis
sejam estacionárias. Para estimar um modelo VAR é necessário que as variáveis
sejam endógenas, não identificáveis, a série deve ser estacionária e o erro deve ser
um ruído branco (SIMS, 1980).
De acordo com Cavalcanti (2010), o modelo VAR na forma estrutural é dado
por:
⌈1 𝑏12
𝑏21 1⌉ ⌈
𝑍𝑡
𝑋𝑡⌉ = ⌈
𝑦11 𝑦12
𝑦21 𝑦22⌉ ⌈
𝑍𝑡−1
𝑋𝑡−1⌉ + ⌈
𝜀1,𝑡
𝜀2,𝑡⌉ (1)
Onde 𝜀1,𝑡 e 𝜀2,𝑡 são ruído branco. Dada a dificuldade de estimar o modelo VAR via
Ordinary Least Square (OLS) é possível transformar o modelo em um sistema mais
compacto, conhecido como forma reduzida. Esta pode ser expressa pela seguinte
equação:
⌈𝑍𝑡
𝑋𝑡⌉ = ⌈
𝑐11 𝑐12
𝑐21 𝑐22⌉ ⌈
𝑍𝑡−1
𝑋𝑡−1⌉ + ⌈
𝑢1,𝑡
𝑢2,𝑡⌉ (2)
Na estimação de modelos por OLS, quando aplicados a séries de tempo que
não são estacionarias, há a perda de propriedades estáticas que são importantes para
estimação, tornando inválida a inferência estatística. Com o objetivo de evitar este tipo
de problema, é possível transformar uma série não-estacionária numa série
estacionária, considerando a primeira diferença ou os retornos da mesma. A
identificação de estacionariedade da série pode ser feita através de análise gráfica ou
de testes, evitando assim regressões espúrias na análise. (MOREIRA,2011).
Para auxiliar no processo de investigação das séries, Moreira (2011) salienta
que se pode utilizar os testes de raízes unitárias com o intuito de identificar se a série
é estacionária ou não-estacionária. Caso a série analisada seja não-estacionária é
possível diferenciá-la com o número de defasagens ótimas, mesmo perdendo
informação por meio deste processo ele garante inferência estatística. Assim, o
número de diferenças necessárias para transformar 𝑌𝑡 numa série estacionária
corresponde ao número de raízes unitárias presentes no processo gerador de 𝑌𝑡.
Como determinar um lag – número de defasagens nas séries – consiste em
transformar a série original deve-se ter cuidado com os dois extremos. Com o
comprimento da defasagem muito curto é possível que se tenha autocorrelação entre
os termos do erro o que incorre em ineficiência dos estimadores. Por outro lado, uma
dimensão muito grande do lag requer a utilização de um grande número de
parâmetros, aumentando a complexidade da estimação e conduzindo a ineficiência
(MOREIRA, 2011). Para verificar a presença de raízes unitárias serão utilizados os
testes de Dickey-Fuller Aumentado e o teste de Phillips-Perron. Já para identificar a
presença de cointegração será usado o teste de Johansen. Por fim, como critérios de
escolha da defasagem ótima serão analisados os valores encontrados para Schwarz
(SC), Hannan-Quinn (HQ) e Akaike (AIC), tendo como desempate o critério de
Schwarz (SC).
Determinado o número do lag ótimo para estimação do modelo, é possível
verificar a direção dos efeitos através do teste de causalidade de Granger. Conforme
Moreira (2011, p.30) a causalidade de Granger “implica correlação entre os valores
presentes de uma variável e os valores passados de outras variáveis, não significa
que mudanças numa variável impliquem mudanças numa outra variável”. Assim, uma
variável 𝑦𝑡 causa outra 𝑥𝑡 no sentido de Granger quando os valores defasados de Y
fornecem maior precisão à previsão.
A relação da causalidade de Granger entre as variáveis pode ocorrer de duas
formas: unidirecional e bidirecional. Na primeira os valores defasados são diferentes
de zero, enquanto na segunda ambas possuem valores defasados diferentes de zero
se houver efeito causal, por exemplo: 𝑦𝑡−1 ≠ 0 e 𝑥𝑡−1 = 0. Assim, para haver uma
relação causal, os coeficientes estimados devem ser diferentes de zero e significativas
estatisticamente (GRANGER, 1969).
2.1 Dados
Os dados utilizados para elaboração deste trabalho foram obtidos no site do
Tesouro Nacional, no que compreende a execução orçamentária por função e
subfunção. Os mesmos referem-se aos gastos do governo com a defesa nacional,
subdividios em três áreas: defesa aérea, defesa naval e defesa terrestre. Além destes
gastos utilizou-se a série histórica do Produto Interno Bruto (PIB) para avaliar se existe
alguma causalidade no sentido de Granger entre os gastos de defesa e o incremento
no PIB.
Como se trata de dados de valores monetários inflacionou-se as séries para
que fosse possível fazer inferência a partir das estimativas. Além disso, para o PIB
utilizou-se o valor acumulado dos últimos doze meses. As séries são mensais, com
início em janeiro de 2013 e fim em outubro de 2015, correspondendo a 154 meses. O
software utilizado para obtenção dos resultados foi o Stata. A seguir serão
apresentados os resultados das estimações e testes realizados para as séries citadas.
3 RESULTADOS
Nesta seção serão apresentados os resultados para estimação do modelo
VAR, incluindo os testes de raízes unitárias para verificar a presença de
estacionariedade nas séries, teste de cointegração de Johansen, teste de
aucorrelação das séries, teste do multiplicador de lagrange e, por fim, o teste de
causalidade de Granger. Inicialmente, realizou-se o teste de raiz unitária para
identificar o número de defasagem ótima de cada série. A Figura 1 mostra os
resultados para o teste de Dicky-Fuller Aumentado, neste o critério de decisão
consiste em comparar a estatística calculada com a estatística crítica, sendo a
calculada maior que a crítica, rejeita-se a hipótese nula de a série ser não
estacionária.
Figura 1: Teste Dickey- Fuller Aumentado – Defesa aérea
Fonte: Resultados do Modelo
Conforme a Figura 1, a série de gastos com defesa aérea é estacionária em
nível, ou seja, o valor calculado é maior que o valor crítico, não precisando ser usado
nenhum lag de defasagem para torna-la estacionária. A Figura 2 exibe o resultado
para os gastos com defesa naval.
Figura 2: Teste Dickey- Fuller Aumentado – Defesa naval
Fonte: Resultados do Modelo
MacKinnon approximate p-value for Z(t) = 0.0000
Z(t) -13.104 -3.492 -2.886 -2.576
Statistic Value Value Value
Test 1% Critical 5% Critical 10% Critical
Interpolated Dickey-Fuller
Dickey-Fuller test for unit root Number of obs = 153
. dfuller defesa_aerea, lags(0)
MacKinnon approximate p-value for Z(t) = 0.0000
Z(t) -11.271 -3.492 -2.886 -2.576
Statistic Value Value Value
Test 1% Critical 5% Critical 10% Critical
Interpolated Dickey-Fuller
Dickey-Fuller test for unit root Number of obs = 153
. dfuller defesa_naval, lags(0)
Da mesma forma que o observado com os gastos em defesa aérea, a série
para defesa naval é estacionária em nível e não necessita incluir nenhuma ordem de
defasagem para ser utilizada na regressão com modelos VAR. A Figura 3 apresenta
os resultados para os gastos com defesa terrestre.
Figura 3: Teste Dickey- Fuller Aumentado – Defesa terrestre
Fonte: Resultados do Modelo
Para a defesa naval os resultados indicaram a necessidade de estimar com um
lag de defasagem para tornar a série estacionária. Por fim, apresenta-se para
presença de raiz unitária da série do PIB.
Figura 4: Teste Dickey- Fuller Aumentado – PIB
Fonte: Resultados do Modelo
Os resultados para a série do PIB apontam que é necessário incluir quatro lags
de defasagem na série para que a mesma se torne estacionária. Outro teste utilizado
para verificar a presença de raiz unitária é o teste de Phillips-Perron, o mesmo tem
como hipótese nula a presença de raiz unitária e série não estacionária e como
hipótese alternativa a estacionariedade da série e ausência de raiz unitária. A Figura 5
expõe os resultados para o teste de Phillips-Perron sobre a série de defesa aérea.
MacKinnon approximate p-value for Z(t) = 0.0000
Z(t) -7.121 -3.493 -2.887 -2.577
Statistic Value Value Value
Test 1% Critical 5% Critical 10% Critical
Interpolated Dickey-Fuller
Augmented Dickey-Fuller test for unit root Number of obs = 152
. dfuller defesa_terrestre, lags(1)
MacKinnon approximate p-value for Z(t) = 0.0228
Z(t) -3.154 -3.494 -2.887 -2.577
Statistic Value Value Value
Test 1% Critical 5% Critical 10% Critical
Interpolated Dickey-Fuller
Augmented Dickey-Fuller test for unit root Number of obs = 149
. dfuller pib, lags(4)
Figura 5: Teste Phillips-Perron – Defesa aérea
Fonte: Resultados do Modelo
Os valores calculados são superiores que as estatísticas críticas, então, rejeita-
se a hipótese nula e há presença de raiz unitária, logo, a série é estacionária.
Figura 6: Teste Phillips-Perron – Defesa naval
Fonte: Resultados do Modelo
Novamente, assim como o resultado encontrado para o teste de Dickey-Fuller
Aumentado, rejeita-se a hipótese nula e não há presença de raiz unitária, dessa forma,
a série é estacionária em nível. A Figura 7 apresenta os resultados para os gastos
com defesa terrestre.
MacKinnon approximate p-value for Z(t) = 0.0000
Z(t) -13.309 -3.492 -2.886 -2.576
Z(rho) -145.625 -19.977 -13.806 -11.071
Statistic Value Value Value
Test 1% Critical 5% Critical 10% Critical
Interpolated Dickey-Fuller
Newey-West lags = 4
Phillips-Perron test for unit root Number of obs = 153
. pperron defesa_aerea
MacKinnon approximate p-value for Z(t) = 0.0000
Z(t) -11.278 -3.492 -2.886 -2.576
Z(rho) -140.655 -19.977 -13.806 -11.071
Statistic Value Value Value
Test 1% Critical 5% Critical 10% Critical
Interpolated Dickey-Fuller
Newey-West lags = 4
Phillips-Perron test for unit root Number of obs = 153
. pperron defesa_naval
Figura 7: Teste Phillips-Perron – Defesa terrestre
Fonte: Resultados do Modelo
As estatísticas calculadas novamente foram superiores aos valores críticos nos
níveis de 1%, 5% e 10%, mostrando que a série é estacionária e não há presença de
raiz unitária. Por fim, a Figura 8 mostra o teste de Phillips-Perron pra a série do PIB.
Figura 8: Teste Phillips-Perron – PIB
Fonte: Resultados do Modelo
Diferente do resultado obtido no teste de Dickey-Fuller Aumentado, todas as
séries para o teste de Phillips-Perron apresentam estatística calculada superior as
estatísticas dos valores críticos, este resultado indica para rejeição da hipótese nula de
que há raiz unitária de modo que pode-se dizer que as séries são estacionárias.
Analisadas as séries individualmente, estimou-se um modelo VAR com todas as séries
com o objetivo identificar a ordem de defasagem conjunta.
MacKinnon approximate p-value for Z(t) = 0.0000
Z(t) -10.238 -3.492 -2.886 -2.576
Z(rho) -130.355 -19.977 -13.806 -11.071
Statistic Value Value Value
Test 1% Critical 5% Critical 10% Critical
Interpolated Dickey-Fuller
Newey-West lags = 4
Phillips-Perron test for unit root Number of obs = 153
. pperron defesa_terrestre
MacKinnon approximate p-value for Z(t) = 0.0000
Z(t) -9.304 -3.492 -2.886 -2.576
Z(rho) -125.703 -19.977 -13.806 -11.071
Statistic Value Value Value
Test 1% Critical 5% Critical 10% Critical
Interpolated Dickey-Fuller
Newey-West lags = 4
Phillips-Perron test for unit root Number of obs = 153
. pperron pib
Figura 9: Estimação do modelo VAR
Fonte: Resultados do Modelo
Conforme a Figura 9, o número de lag ótimo é 1 pelos critérios de Hanna-Quin
e Schwarz assim, para o teste de co-integração de Johansen, utilizou-se a mesma
ordem de integração (1) e os resultados são expostos na Figura 10.
Figura 10: Teste de Cointegração de Johansen
Fonte: Resultados do Modelo
De acordo com a estatística traço é possível observar que as séries
cointegram, dado que existem ao menos três vetores de cointegração, ou seja, existe
uma relação de longo prazo entre as séries analisadas. Dessa forma, é possível
Exogenous: _cons
Endogenous: pib defesa_aerea defesa_naval defesa_terrestre
4 -12633.2 15.366 16 0.498 4.2e+68 169.35 169.904 170.715
3 -12640.9 28.973* 16 0.024 3.7e+68 169.239 169.663 170.283
2 -12655.4 35.346 16 0.004 3.6e+68* 169.219* 169.512 169.941
1 -12673.1 98.824 16 0.000 3.7e+68 169.241 169.404* 169.643*
0 -12722.5 5.8e+68 169.687 169.719 169.767
lag LL LR df p FPE AIC HQIC SBIC
Sample: 2003m5 - 2015m10 Number of obs = 150
Selection-order criteria
. varsoc pib defesa_aerea defesa_naval defesa_terrestre
4 36 -12821.581 0.11733
3 35 -12831.066 0.17217 18.9706 3.76
2 32 -12845.427 0.32549 47.6915 15.41
1 27 -12875.354 0.42851 107.5451 29.68
0 20 -12917.876 . 192.5894 47.21
rank parms LL eigenvalue statistic value
maximum trace critical
5%
Sample: 2003m3 - 2015m10 Lags = 2
Trend: constant Number of obs = 152
Johansen tests for cointegration
. vecrank pib defesa_aerea defesa_naval defesa_terrestre
estimar um modelo VAR, pois há cointegração. O número de lag ótimo do modelo é
um e os resultados desta estimação podem ser verificados no Anexo 1.
Para testar a presença se autocorrelação nas séries, utilizou-se os testes de
multiplicador de Lagrange (LM) e os resultados podem ser conferidos na Figura 11.
Figura 11: Teste LM para autocorrelação
Fonte: Resultados do Modelo
O teste de multiplicador de Lagrange (LM) verifica a presença de
autocorrelação nos resíduos do modelo VAR, a hipótese nula é que não existe
autocorrelação enquanto que a alternativa é a presença de autocorrelação. Dado a
estatística crítica do chi2 ser maior do que seu valor calculado, aceita-se a hipótese de
não existência de autocorrelação. Ainda, para verificar a distribuição dos resíduos
utilizou-se o teste Jarque-Bera, como mostra a Figura 12.
Figura 12: Teste Jarque-Bera
Fonte: Resultados do Modelo
O teste de Jarque-Bera assume como hipótese nula a distribuição normal dos
resíduos e, de acordo com o teste, é possível observar que os resíduos possuem
distribuição normal. Após a estimação do modelo VAR e verificado que não existe
H0: no autocorrelation at lag order
2 25.3971 16 0.06312
1 30.2349 16 0.01682
lag chi2 df Prob > chi2
Lagrange-multiplier test
. varlmar
ALL 1683.602 8 0.00000
defesa_terrestre 94.311 2 0.00000
defesa_naval 354.262 2 0.00000
defesa_aerea 1029.483 2 0.00000
pib 205.546 2 0.00000
Equation chi2 df Prob > chi2
Jarque-Bera test
. varnorm, jbera
autocorrelação entre as séries bem como que os resíduos possuem uma distribuição
normal, pode-se analisar alguns aspectos a partir da estimação.
Os coeficientes dos modelos VAR não fornecem informações muito uteis para
serem interpretados, mas, o modelo em si permite três análises: causalidade,
decomposição da variância e função impulso resposta. Como o objetivo deste trabalho
é analisar se existe causalidade entre gastos com defesa aérea, naval, terrestre e PIB
utilizou-se apenas o teste de causalidade de Granger, o mesmo pode ser conferido na
Figura 13.
Figura 13: Teste Causalidade de Granger
Fonte: Resultados do Modelo
Para analisar os resultados do teste de causalidade de Granger é necessário
verificar quais são estisticamente significativos. Nesse sentido, tem-se que PIB causa
gastos com defesa naval no sentido de Granger, porém, defesa naval não causa PIB.
Na sequência, PIB causa gastos com defesa terrestre no sentido de Granger, mas, o
contrário não é verdadeiro, existe apenas uma causalidade unidirecional. Defesa
aérea causa no sentido de Granger defesa naval e defesa naval causa defesa aérea
.
defesa_terrestre ALL 23.896 3 0.000
defesa_terrestre defesa_naval 1.7659 1 0.184
defesa_terrestre defesa_aerea 20.399 1 0.000
defesa_terrestre pib 2.058 1 0.151
defesa_naval ALL 16.76 3 0.001
defesa_naval defesa_terrestre .00836 1 0.927
defesa_naval defesa_aerea 14.489 1 0.000
defesa_naval pib .01492 1 0.903
defesa_aerea ALL 11.148 3 0.011
defesa_aerea defesa_terrestre .24642 1 0.620
defesa_aerea defesa_naval 6.3295 1 0.012
defesa_aerea pib .54515 1 0.460
pib ALL 6.7161 3 0.082
pib defesa_terrestre 4.0867 1 0.043
pib defesa_naval 4.7769 1 0.029
pib defesa_aerea .0081 1 0.928
Equation Excluded chi2 df Prob > chi2
Granger causality Wald tests
. vargranger
no sentido de Granger, assim, tem-se uma causalidade bidirecional. Por fim, entre os
resultados significativos, defesa terrestre causa no sentido de Granger defesa aérea.
Estes resultados são apresentados, de forma resumida, na tabela abaixo.
Tabela 1: Causalidade de Granger estimada a partir de um VAR
Causalidade Interpretação
PIB Defesa Naval Crescimento do PIB causa gastos com
defesa naval
PIB Defesa Terrestre Crescimento do PIB causa gastos com
defesa naval
Defesa aérea Defesa naval Gastos com defesa aérea causam gastos
com defesa naval e gastos com defesa
naval causam gastos com defesa aérea
Defesa terrestre Defesa aérea Gastos com defesa terrestre causam
gastos com defesa aérea.
Fonte: Resultados do Modelo
Conforme as informações da Tabela 1, crescimento do PIB causa gastos em
defesa nacional, mas não nos três segmentos, de modo que não causa no sentido de
Granger os gastos em defesa aérea. Os resultados encontrados para o teste de
causalidade de Granger apontam que não necessariamente os gastos em defesa
nacional causam uns aos outros, mas que existe uma relação entre alguns deles.
Além disso, esperava-se que o crescimento do PIB fosse causar gastos com defesa, o
que de fato ocorreu para defesa terrestre e naval. Sobre o fato de gastos com defesa
causar PIB os resultados corroboram com o encontrado por Aizenman e Glick (2003)
que o crescimento cai com níveis mais elevados de gastos militares, incorrendo que
gastos não causam crescimento. Ainda, os resultados divergem do proposto por
Gadelha (2011) no que se refere aos gastos públicos causarem crescimento
econômico.
4 CONSIDERAÇÕES FINAIS
Este artigo analisou a relação existente entre gastos de defesa nacional,
fragmentadas entre defesa aérea, defesa naval e defesa terrestre, com o crescimento
do PIB, para tanto, utilizou-se séries mensais de janeiro de 2003 a outubro de 2015. A
indústria da defesa brasileira necessita ainda de muitos avanços e investimento,
principalmente em tecnologia, dado seu amplo território e potencial natural. Para
verificar se existe causalidade entre gastos com defesa e crescimento do PIB, utilizou-
se o teste de causalidade de Granger.
Os resultados apontam que PIB causa gastos com defesa terrestre e defesa
naval, o que se mostra relevante para a defesa interna de um país, pois implica dizer
que o crescimento do PIB incorre em investimento nestes dois segmentos da defesa
nacional. Mesmo assim, não se pode analisar o tamanho deste impacto, apenas a
direção desses efeitos, desse modo não se pode garantir que esta relação causal seja
suficiente para garantir a segurança interna.
Por fim, como sugestão para próximos estudos, considera-se relevante
prosseguir na análise e utilizar, a partir deste modelo, a decomposição da variância
para demonstrar quanto dos erros de previsão é explicado por casa variável em
análise. Além disso, também se pode utilizar a função impulso resposta para verificar a
duração que os choques em determinada variável levam para se propagar no tempo e
se o efeito é positivo ou negativo.
REFERÊNCIAS
AIZEMAN,Joshua; GLICK, Reuven. Despesas militares, ameaças e
crescimento. Jornal do Comércio Internacional e Desenvolvimento Econômico, v.
15, n. 2, p.129-155, 2006.
ARAUJO JUNIOR, Ari Francisco de; SHIKIDA, Cláudio D.. Gastos Militares,
Ameaças Externas e Crescimento Econômico. Disponível em:
<http://www.ceaee.ibmecmg.br/wp/wp44.pdf>. Acesso em: 06 dez. 2015
CAVALCANTI, Marco A. F. H.. Identificação de modelos VAR e causalidade de
Granger: uma nota de advertência. Econ. Apl. [online]. 2010, vol.14, n.2, pp. 251-
260. ISSN 1413-8050.
DAGNINO, Renato Peixoto. Em que a Economia de Defesa pode ajudar nas decisões
sobre a revitalização da Indústria de Defesa brasileira? Oikos (Rio de Janeiro), v. 1,
p. 113-137, 2008.
DE BRITO GADELHA, Sérgio Ricardo. Política fiscal anticíclica, crise financeira
internacional e crescimento econômico no Brasil. Brazilian Journal of Political
Economy/Revista de Economia Política, v. 31, n. 5, 2011.
Granger, C. (1969), ‘Investigating causal relations by econometric models and cross-
spectral methods’, Econometrica 37, 424–438.
MINISTÉRIO DA DEFESA. Estratégia Nacional de Defesa. Disponível em:
<http://www.defesa.gov.br/projetosweb/estrategia/arquivos/estrategia_defesa_nacional
_portugues.pdf>. Acesso em: 07 dez. 2015.
MOREIRA, Bernardo Aboim de Barros Celorico. Modelização de empréstimos
bancários de empresas não financeiras na zona euro: Uma abordagem
VAR/VECM. 2011. 87 f. Dissertação (Mestrado) - Curso de Matemática Financeira,
Departamento de Métodos Quantitativos, Universidade de Lisboa, Lisboa, 2011.
Sims, C. (1980), ‘Macroeconomics and reality’, Econometrica 48, 1–48.
VERÍSSIMO, Henrique. Economia e Defesa. A Defesa Económica como Componente
da Defesa Nacional. Nação e Defesa, Lisboa, v. 3, n. 110, p.167-190, abr. 2005.
ANEXO 1
defesa_terrestre 5 3.1e+08 0.1696 31.24536 0.0000
defesa_naval 5 3.7e+08 0.1055 18.04026 0.0012
defesa_aerea 5 5.3e+08 0.0718 11.83042 0.0187
pib 5 1.4e+09 0.1369 24.26449 0.0001
Equation Parms RMSE R-sq chi2 P>chi2
Det(Sigma_ml) = 2.74e+68 SBIC = 169.5933
FPE = 3.56e+68 HQIC = 169.3581
Log likelihood = -12923.58 AIC = 169.1972
Sample: 2003m2 - 2015m10 No. of obs = 153
Vector autoregression
. var pib defesa_aerea defesa_naval defesa_terrestre, lags(1/1)
_cons 3.24e+09 3.70e+08 8.76 0.000 2.52e+09 3.97e+09
L1. -1.409985 .6974722 -2.02 0.043 -2.777005 -.0429642
defesa_terrestre
L1. 1.468791 .6720239 2.19 0.029 .1516483 2.785933
defesa_naval
L1. .0377739 .4197461 0.09 0.928 -.7849132 .8604611
defesa_aerea
L1. .2666593 .0777701 3.43 0.001 .1142327 .4190858
pib
pib
Coef. Std. Err. z P>|z| [95% Conf. Interval]
_cons 4.50e+08 1.42e+08 3.17 0.002 1.72e+08 7.28e+08
L1. .1327623 .2674446 0.50 0.620 -.3914196 .6569441
defesa_terrestre
L1. .6483022 .2576865 2.52 0.012 .1432459 1.153358
defesa_naval
L1. -.5174226 .160951 -3.21 0.001 -.8328808 -.2019645
defesa_aerea
L1. -.0220179 .0298208 -0.74 0.460 -.0804656 .0364298
pib
defesa_aerea
_cons 2.53e+08 9.76e+07 2.59 0.010 6.13e+07 4.44e+08
L1. -.0168193 .1839751 -0.09 0.927 -.3774039 .3437652
defesa_terrestre
L1. .6147534 .1772625 3.47 0.001 .2673253 .9621815
defesa_naval
L1. -.4214437 .1107181 -3.81 0.000 -.6384473 -.2044402
defesa_aerea
L1. -.0025058 .0205137 -0.12 0.903 -.042712 .0377004
pib
defesa_naval
_cons 2.84e+08 8.19e+07 3.47 0.001 1.24e+08 4.45e+08
L1. .5708975 .1543124 3.70 0.000 .2684509 .8733442
defesa_terrestre
L1. .197582 .148682 1.33 0.184 -.0938295 .4889935
defesa_naval
L1. -.4194306 .0928668 -4.52 0.000 -.6014462 -.237415
defesa_aerea
L1. -.0246835 .0172063 -1.43 0.151 -.0584071 .0090402
pib
defesa_terrestre