Como explicar o fascínio da heterodoxia pelo controle de preços?

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

Qualquer estudante de graduação aprende nas aulas introdutórias de microeconomia que o mecanismo de preço funciona como um índice de escassez, sinalizando para consumidores e empresários o que está acontecendo com a oferta e com a demanda de um determinando bem ou serviço. Isso dito, eu confesso que ainda me surpreendo com o fascínio que alguns economistas alternativos brasileiros têm em relação ao controle de preços. Esse fascínio volta e meia ganha as páginas dos jornais, quando algum economista alternativo prega intervenção, por exemplo, na taxa de câmbio ou na taxa de juros. E provavelmente estará presente no próximo ano, em virtude das eleições presidenciais. Como entender esse quase fetiche, leitor, quando toda a evidência empírica disponível vai contra tal expediente?

Para ilustrar, uma vez mais, que controle de preços não funciona, podemos ver o efeito da interferência do governo Dilma Rousseff no setor elétrico, por meio da MP 579. O código abaixo pega a variação mensal dos preços de energia elétrica no SIDRA/IBGE.


library(sidrar)
library(ggplot2)
library(png)
library(grid)
library(scales)
library(gridExtra)
library(forecast)

tabela1 = get_sidra(api='/t/2938/n1/all/v/63/p/all/c315/7485,7627,7657/d/v63%202')

tabela2 = get_sidra(api='/t/1419/n1/all/v/63/p/all/c315/7485,7627,7657/d/v63%202')

energia1 = tabela1$Valor[tabela1$`Geral, grupo, subgrupo, item e subitem (Código)`==7485]

energia2 = tabela2$Valor[tabela2$`Geral, grupo, subgrupo, item e subitem (Código)`==7485]

energia = ts(c(energia1, energia2), start=c(2006,07), freq=12)

E abaixo um gráfico...

A MP 579 tinha por objetivo reduzir o custo da energia elétrica para consumidores residenciais e para a indústria. Para isso, propôs uma antecipação da renovação das concessões que venceriam entre 2015 e 2017, em troca de uma redução na tarifa para o consumidor. O efeito líquido está ilustrado na área hachurada do gráfico: a MP provocou uma deflação no preço da energia elétrica, que vigoraria até o início de 2014.

O problema parece ser mesmo simples, até mesmo para quem ainda está nos cursos introdutórios de microeconomia. A interferência no setor desincentivou a oferta, além de provocar um aumento da demanda por energia, gerando um enorme desequilíbrio, dado que o preço em questão não pôde ser alterado para refletir o novo equilíbrio. Quando finalmente o governo se deu conta do problema, o reajuste teve ser cavalar, chegando à casa de 60% no acumulado em 12 meses, para refletir o novo equilíbrio.

Esse tipo de coisa é de fato muito simples, controle de preço não funciona porque gera desequilíbrios cumulativos. Minha surpresa é que mesmo com o conjunto de evidências disponível, por que motivos alguns economistas alternativos continuam pregando esse tipo de coisa para resolver as ineficiências do país?

Se o objetivo é reduzir o custo da energia elétrica para o consumidor, o governo deve incentivar a apresentação de investimentos no setor, com um marco regulatório claro e previsível. Investimentos em energia elétrica, como em infraestrutura de modo geral, são caros e envolvem um tempo considerável de retorno. Para que ocorram, portanto, é preciso ter regras claras e imutáveis. A pior coisa que pode acontecer em um setor com essas características é ter regras que mudam a todo o tempo. Ninguém em sã consciência vai colocar o seu dinheiro nisso.

Mudar regras torna o ambiente imprevisível, afasta investimentos, reduzindo a oferta de bens e serviços. E não há coisa que sinalize mais mudanças de regras do que controle de preços...

[/et_pb_text][/et_pb_column][/et_pb_row][et_pb_row admin_label="row"][et_pb_column type="1_2"][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/11/datascience.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/" url_new_window="off" use_overlay="off" animation="left" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"] [/et_pb_image][/et_pb_column][et_pb_column type="1_2"][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/11/datascience2.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/introducao-a-estatistica/" url_new_window="off" use_overlay="off" animation="left" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"] [/et_pb_image][/et_pb_column][/et_pb_row][/et_pb_section]

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Retropolando a série do desemprego no Brasil

Nosso objetivo neste exercício será estender a taxa de desemprego fornecida pela Pesquisa de Nacional por Amostra de Domicílios Contínua (PNAD Contínua) através daquela fornecida pela Pesquisa Mensal de Emprego (PME). Serão construídas duas séries: uma normal, outra dessazonalizada. Faremos todo o exercício utilizando o Python.

Variáveis Instrumentais no R: qual o impacto do gasto de segurança no crime?

Diversos métodos econométricos têm como principal finalidade melhorar o processo de investigar o efeito de uma variável sobre a outra, e um importante método encontra-se no uso de Variáveis Instrumentais na análise de regressão linear. Mas como podemos utilizar essa ferramenta para auxiliar no estudo da avaliação de impacto?

Neste post, oferecemos uma breve introdução a esse importante método da área de inferência causal, acompanhado de um estudo de caso para uma compreensão mais aprofundada de sua aplicação. Os resultados foram obtidos por meio da implementação em R, como parte integrante do nosso curso sobre Avaliação de Políticas Públicas utilizando esta linguagem de programação.

Análise regional do mercado de trabalho com dados do CAGED usando Python

Os microdados dos CAGED fornecem informações detalhadas a nível de cidade, sexo, raça, nível de instrução, idade, salário e outras sobre os trabalhadores formais do Brasil, possibilitando ricas análises regionais de dados. Neste artigo mostramos como acessar, processar e analisar estes dados utilizando o Python.

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.