Um ambiente de negócios favorável torna um país campeão?

UM AMBIENTE DE NEGÓCIOS FAVORÁVEL TORNA UM PAÍS CAMPEÃO? Um estudo sobre a relação entre as regulamentações dos negócios e o desempenho nos Jogos Olímpicos Thales Veneziani Ribeiro Paoli do Carmo Mateus Proença Morais 22 de junho de 2016

Resumo Este trabalho procura estimar o efeito do ambiente de negócios de cada país no seu desempenho nos Jogos Olímpicos. Para isso, esse estudo propõe uma regressão de “cross-section”, com uma amostra de 82 países, os quais não só participaram das Olimpíadas de verão de 2012 e obtiveram ao menos uma medalha, como também havia a disponibilidade dos erros. A variável dependente utilizada é um índice desempenho gerado a partir da ponderação das medalhas de ouro, prata e bronze conquistadas por cada país nos jogos de 2012. Os resultados obtidos nos levam a crer que um ambiente econômico inclusivo tem efeito positivo e significante no desempenho olímpico dos países. Palavras-chave: Cross-section, Olimpíadas, ambiente de negócios, doing business.

1

1. Introdução Neste paper, fazemos o simples questionamento sobre quão bemsucedido um país é nos Jogos Olímpicos dado o seu ambiente de negócios. A grande maioria dos modelos de previsão de medalhas ou desempenho nas Olimpíadas de verão consideram o desempenho por esporte participante, tendo como output o número de medalhas individuais na modalidade. Nós, em contrapartida, seguiremos uma metodologia distinta: generalizaremos os esportes individuais e levaremos em conta o desempenho da nação como um todo. Para responder essas perguntas, partimos da hipótese de que um bom ambiente de negócios acarreta maior desenvolvimento de um país e, consequentemente, aumentam a magnitude dos gastos do governo com Esporte e Lazer e os investimentos do setor privado nessa área, por meio de patrocínios. Por sua vez, o foco do trabalho será no setor privado, afinal, é o maior beneficiário da qualidade das regulamentações dos negócios. Segundo Cruz (2014), somente no primeiro ano das construções da infraestrutura dos Jogos Olímpicos do Rio, os investimentos privados já haviam superado os investimentos públicos. A indústria esportiva certamente possui significante impacto na economia de um país, uma vez que gera melhorias sejam sociais ou econômicas por meio do aumento da empregabilidade, das receitas e do consumo. Ressaltando a nossa motivação inicial, é fácil ver que a esfera esportiva é um setor composto e inteiramente ligada ao ambiente de negócios: o setor privado bem integrado contribui para o setor hoteleiro, turístico e para a indústria têxtil, por exemplo. Assume-se, portanto, que quanto maior a qualidade do setor privado, mais lucrativo se torna o mercado esportivo. Assim, mais investimentos serão direcionados para esse setor, tanto privados quanto estatais. Dessa forma, no contexto das Olimpíadas e da sua importância na conjuntura tanto socioeconômica quanto política, esse trabalho se compromete a analisar empiricamente a relação entre a particularidade do “business environment” de cada país no seu respectivo desempenho final no quadro de medalhas. A fim de realizar nossos objetivos, estimaremos por uma regressão de “cross-section”, contendo uma amostra de 82 países no ano de 2012, 2

controlando para a qualidade do ambiente de negócios de cada nação. O diferencial desse estudo, entre outras razões, consiste na inclusão da variável OverallDTF – que será explicada posteriormente – como variável de interesse no modelo. Ademais, as outras variáveis aplicadas foram baseadas nos resultados de trabalhos anteriores, o que acreditamos que servirão para controlar de forma mais eficiente o efeito da variável que pretendemos estudar. De modo geral, esse estudo foi dividido em sete seções. Após essa breve introdução, o trabalho seguirá pela revisão bibliográfica já presente sobre o assunto; depois será indicada a metodologia aplicada e a apresentação do modelo, seguida pela descrição dos dados obtidos análise descritiva univariada e multivariada desses; na quinta seção, serão apresentadas as hipóteses assumidas para o modelo; na sexta, serão expostos os resultados e as análises deles. E a última seção trará a conclusão do estudo.

2. Revisão bibliográfica Visto a sede brasileira do evento e a influência político-econômica dos Jogos Olímpicos de verão, não faltam variedades de estudos sobre os impactos dos indicadores de cada país no seu desempenho esportivo. A vasta maioria dos artigos publicados se baseia na análise empírica dos fatores, sem especificação de variável de interesse, que possam influenciar o sucesso olímpico, ou seja, sem um cerne definido. Praticamente todas as bibliografias analisadas apontam a população como medidor principal na previsão desse sucesso. Há um consenso entre eles que países mais populosos possuem maior probabilidade de obter atletas mais talentosos e, consequentemente, maior chance de ganharem medalhas. No entanto, todos acreditam que a população ceteris paribus não é suficiente para demonstrar o sucesso, afinal países como a Índia, Indonésia e Bangladesh deveriam obter muito mais medalhas do que retratam os resultados (Bernard; Busse, 2004). Ao lado da variável populacional, também aparece um outro possível medidor de desempenho: o PIB e PIB per capita. Celik e Gius (2014), assim como outros autores, partem do pressuposto que países mais ricos tem mais recursos para investir em programas esportivos e, assim, conquistar mais

3

medalhas. O PIB, nesse caso, serviria como um medidor de recursos disponíveis. Dada a existência de anomalias, a exemplo do sucesso de Cuba relativo a países mais ricos e populosos, diversos autores ressaltaram a importância de outras variáveis explicativas no modelo. Uma delas é uma dummy que representa seu passado socialista. Xun Bian (2005) argumenta que países do antigo bloco comunista desempenhavam melhor nos esportes durante a Guerra Fria porque os governos afunilavam recursos no setor esportivo, uma vez que ganhar medalhas era uma forma de demonstração de poder. Ainda que essas nações tenham deixado essa orientação política, o autor conclui que a variável sozinha explica muito mais que o PIB e a população. Estudos nacionais sobre o assunto são bastante restritos. Entretanto, Neto e Bertussi (2015) tenta explicar, assim como a maioria dos autores estrangeiros, os fatores socioeconômicos e políticos que influenciam no sucesso olímpico. Por usa vez, o diferencial do seu trabalho foi a inclusão da variável autocracia. Com ela, eles tentam responder à pergunta “Como pode a performance indiana ser tão inferior à performance cubana? ”, afinal governos mais autocráticos são reconhecidos por buscar mais vitórias e medalhas olímpicas. A exemplo disso, são os atletas chineses que são tirados de suas famílias para tornar os treinamentos mais efetivos. Ademais, os autores também incluíram a variável inflação, a fim de representar a estabilidade econômica do país. Um país economicamente estável dá mais confiança para o setor privado, gerando mais investimentos que, possivelmente, podem ir para os esportes. Sob outra perspectiva, Johnson (2004) não só analisa a participação e o número de medalhas conquistados por cada país nos Jogos Olímpicos de verão, como compara com o respectivo desempenho nos Jogos de inverno. Para esse estudo, o autor toma duas variáveis independentes inéditas até então: país-sede e vizinhança. Para ele, uma nação que sedeia os Jogos e os seus vizinhos sejam beneficiados pelos custos de transporte. Além disso, os atletas não sofrem tanto com as mudanças climáticas, logo, são capazes de “produzir” um número maior de medalhas. Apesar de haver consonância entre os autores quanto à escolha das variáveis independentes, muitos diferem quando se trata da variável 4

dependente. Afinal, o que representa “sucesso” nas Olimpíadas? Uma medalha de ouro para os portugueses vale muito mais que uma medalha de ouro para os americanos, por exemplo. A fim de responder esse questionamento, autores como Bernard e Busse (2004) utilizam o share de medalhas conquistadas de um país; Xun Bian (2005) indica que o sucesso está correlacionado com a soma total de medalhas, independente se for de ouro, prata ou bronze; já Neto e Bertussi (2015), consideram que o sucesso real consiste em estimar somente o número de medalhas de ouro, e, por fim, Moosa e Smith (2004) procuraram responder a pergunta baseados em todas essas hipóteses: utilizaram a soma ponderada das medalhas conquistadas por cada nação. Lendo todos esses estudos, vimos que há dificuldade entre os pesquisadores e economistas em definir os indicadores de um bom desempenho olímpico. Logo, a fim de contribuirmos para essa discussão, replicaremos algumas das análises já feitas por esses autores, aplicando algumas variáveis previamente utilizadas, mas teremos como foco algo que ainda não fora discutido: o efeito do ambiente de negócios no sucesso olímpico. Para isso, tomaremos um método distinto, adicionando novas variáveis ao modelo, que será discutido na próxima seção.

3. Metodologia e modelo Uma grande variedade de modelos já foi previamente testada na literatura, porém ainda existem diversas variáveis que não foram alvo de estudos, além de ser bastante restritas as pesquisas com enfoque diferenciado e específico. Neste contexto, investigamos o papel do ambiente de negócios no desempenho olímpico, utilizando blocos de variáveis divididas em política, economia e sociedade, a fim de controlar para nossa variável que pretendemos estudar. Realizamos nossa análise para o período dos Jogos Olímpicos do ano de 2012, incluindo apenas os 82 países que conquistaram pelo menos uma medalha e obtemos o seguinte modelo: 𝑌𝑖 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝛽3 𝑋3 + 𝛽4 𝑋4 + 𝛽5 𝑋5 + 𝛽6 𝑋6 + 𝛽7 𝑋7 + 𝛽8 𝑋8 + 𝛽9 𝑋9 + 𝜀𝑖 Em que:

5

𝒀𝒊 : OlympicIndex(12)

𝑿𝟓 : CPIScore

𝑿𝟏 : OverallDTF

𝑋6 : UrbanPop

𝑿𝟐 : DGPpc

𝑋7 : GenderInequalityIndex

𝑿𝟑 : OverallEconomicFreedom

𝑋8 : HostNeighbor

𝑿𝟒 : DemocracyIndex

𝑋9 : SocialistBackground

Foram realizadas quatro regressões em nosso estudo, para analisar os respectivos impactos do ambiente de negócios no sucesso esportivo e obter o efeito puro dessa variável; primeiramente, apenas regredimos a variável dependente na nossa variável de interesse; na segunda, incluímos o bloco de variáveis relacionadas com a política de cada país; na terceira, adicionamos o bloco econômico, e, por fim, incluímos as variáveis de teor social. No contexto político, as variáveis independentes são dadas pelo índice de democracia (DemoracyIndex), índice de corrupção (CPIScore) e as dummies

para

países

soviéticos

(SocialistBackground).

No

contexto

econômico, empregamos o PIB per capita (GDPpc) e o índice de liberdade econômica (OverallEF). Finalmente, no contexto social, utilizamos a população urbana (UrbanPop), índice de desigualdade de gênero (GenderInequalityIndex) e a dummy para país-sede ou vizinho deste (HostNeighbor). Como ressaltado na seção anterior, existe uma grande discussão sobre o melhor indicador para o sucesso olímpico de uma nação. Dito isso, seguimos a metodologia de Moosa e Smith (2004), que empregam uma ponderação do total de medalhas conquistada. Dessa forma, acreditamos que o valor de uma medalha não seja arbitrário. A exemplo disso, julgamos injusto que um país que tenha ganhado 4 medalhas de ouro, 3 de prata e 3 de bronze seja considerado mais bem-sucedido que outro que conquistou 3 de ouro, 10 de prata e 4 de bronze. Portanto, uma ponderação desconsideraria essas injustiças. Para medir a variável que estamos interessados em estudar, a qualidade do ambiente para negócios de um país, utilizamos o índice geral de distância à fronteira do relatório Doing Business 2012, do Banco Mundial. Optamos por um índice geral, pois ele é capaz de resumir todas os tópicos analisados no relatório, onde estão inclusos começar um negócio, obtenção de alvarás de construção, obtenção de eletricidade, registro de propriedade, obtenção de crédito, proteção de investidores menores, pagamento de impostos, comércio 6

exterior, cumprimento de contratos e resolução de insolvência. Dessa maneira, julgamos que esse índice seja a melhor maneira de traduzir a qualidade de ambiente para os negócios de cada país em apenas uma variável. Para as variáveis de controle, tivemos que encontrar variáveis que devem estar correlacionadas – segundo a teoria econômica – tanto com a variável dependente, quanto com a de interesse. Logo, usamos o nível de democracia e autoritarismo de um país, proveniente do Economist Intelligence Unit, que mede o estado de democracia de 167 países. Esse índice é baseado em 60 indicadores, que medem o pluralismo, a liberdade civil e a cultura política. A variável foi escolhida porque um governo mais democrático oferece mais incentivos às empresas, enquanto outros mais autoritários acabam não dando espaço para os investidores. Olhando para o desempenho esportivo, vemos que um governo autoritário tende a demonstrar sua força nas Olimpíadas, como forma de propaganda e de validar seu regime perante os concorrentes. Seguindo essa linha, a dummy representando o passado socialista tem razão semelhante pela qual escolhemos: antigos países socialistas tendem a herdar algumas particularidades do seu regime, que acabava prejudicando o ambiente empresarial devido à ausência de uma cultura capitalista. Em geral, o regime socialista não atrai muitas empresas, logo, não favorece o ambiente de negócios ali presente. Além disso, essas nações tendem a herdar a cultura de demonstração de força nos esportes, da época em que eram socialistas. Analisando a corrupção, optamos pelo índice gerado pelo relatório Corruption Perceptions Index 2012, do portal Transparency International. A variável foi incluída porque a corrupção afeta diretamente os negócios de um país e indiretamente o seu desempenho olímpico. Um país corrupto desincentiva o setor privado, uma vez que empresários não tem confiança suficiente tanto nos governantes quando nos pagadores. Pela ótica das Olimpíadas, um governo corrupto tem menos dinheiro para investir em esporte e lazer ou desvia grande parte do capital destinado a tal, reduzindo a qualidade dos ambientes de treinamento dos atletas, o que reduzem as chances de ganhos de medalhas. Optamos também por empregar o PIB per capita dos países do ano de 2012 ao invés do PIB. Acreditamos que este reflita de melhor forma o 7

desenvolvimento de um país, visto que a Índia, por exemplo, apresenta um alto PIB, mas ainda configura como um país emergente. Portanto, o PIB per capita tende a ser um melhor indicador para o grau de desenvolvimento de um país e é esperado que, com maior desenvolvimento, melhores serão as condições para os empresários desenvolverem seus negócios e melhor será a disponibilidade de melhores instituições de treinamento para os atletas olímpicos e, consequentemente, que o país obtenha melhores resultados. Consideramos também que a liberdade econômica está relacionada com ambas as variáveis, uma vez que uma nação mais livre possui uma legislação mais favorável ao comércio, o que acaba por baratear a sua manutenção. Assim, resta uma quantidade de capital maior para investir em outros setores, bem como o esportivo. Com o aumento dos investimentos no setor, melhores serão as condições de treinamentos dos atletas e maiores as chances de conquistar medalhas nos Jogos Olímpicos. O índice foi retirado do score geral obtido pelas análises dos tópicos estudados no relatório de 2012 fornecido pelo portal Heritage. Analisando o contexto social, pressupomos que as empresas se instalem e se desenvolvam de forma mais eficiente em ambientes mais urbanizados, uma vez que o sistema de transporte é melhor integrado que em áreas rurais, o que incentiva a atividade empresarial. De forma análoga, um ambiente mais urbanizado atrai mais investimentos para os esportes, além existirem melhores centros de treinamento. Assim, consideramos que a porcentagem da população em áreas urbanas, obtida pelo Banco Mundial, seja uma boa medida de urbanização. Ainda nessa linha, incluímos uma variável de desigualdade de gênero, retirada do relatório Human Development Reports de 2012, das Nações Unidas. O índice utilizado é uma ponderação de cinco tópicos referentes à essa desigualdade, como a taxa de mortalidade maternal, taxa de fertilidade das adolescentes, share feminino de assentos no parlamento, participação de mulheres com pelo menos a educação secundária e no mercado de trabalho. Assim, assumimos que empresas não se desenvolvem bem em um ambiente machista, por exemplo. Uma cultura patriarcal não explora o potencial de todos os trabalhadores disponíveis e acaba os afastando de carreiras socialmente “inaceitáveis”. Dessa maneira, profissões como esporte acabam sendo 8

relegadas nesses países. Além disso, muitas mulheres acabam deixando de ter seu potencial esportivo explorado, acarretando em uma redução no ganho de medalhas. Países como os EUA tem conquistado grande parte de suas medalhas por mulheres, enquanto países como o Irã, pouco conquista. Por fim, a inclusão da variável dummy para países-sede ou países que fazem fronteira com ele se deu pela razão de que o anfitrião traz oportunidades de melhora no ambiente de negócios devido ao aumento no turismo e projeção internacional. Ou seja, vemos um “efeito contágio”, pois os países vizinhos podem ser beneficiados tanto nas olímpiadas, por menos desgaste com transporte e familiaridade com o ambiente, quanto no que se refere ao contágio de boas maneiras do setor privado. Todas as variáveis incluídas no modelo, para obter o efeito puro da variável de ambiente de negócios, foram escolhidas com base na sua disponibilidade para o período de tempo e os países da amostra, bem como o seu uso e relevância percebidos em estudos anteriores. Tendo em vista a natureza dos dados desta pesquisa e os objetivos inerentes a ela, realizamos a estimação do modelo, em que incluímos separadamente os blocos de variáveis citados acima. A principal vantagem deste método é que podemos estudar os impactos parciais desses blocos na nossa variável de controle.

4. Dados 4.1. Descrição das variáveis analisadas 4.1.1. Variável dependente Como explicitado na seção anterior, empregaremos a soma ponderada das medalhas conquistadas nos Jogos Olímpicos de 2012. Dessa maneira, a nossa variável dependente do país 𝑖 segue a seguinte equação: 𝑂𝑙𝑦𝑚𝑝𝑖𝑐𝐼𝑛𝑑𝑒𝑥 (12)𝑖 = 5 ∗ 𝐺𝑜𝑙𝑑 (12)𝑖 + 2 ∗ 𝑆𝑖𝑙𝑣𝑒𝑟 (12)𝑖 + 𝐵𝑟𝑜𝑛𝑧𝑒 (12)𝑖 Assim, consideramos a ponderação proposta por Moosa e Smith (2004), em que dão peso 5 para as medalhas de ouro, peso 2 para as medalhas de prata e peso 1 para as de bronze. 4.1.2. Variáveis independentes

9

Como foi explicitado anteriormente, desejamos avaliar o impacto do ambiente de negócios no desempenho olímpico dos países. Porém, nossa variável escolhida para avaliar tal impacto é sabidamente endógena. Assim, fez-se necessária a inclusão de outras variáveis de controle no modelo na tentativa de resolver tal problema. Abaixo, descreveremos cada uma das variáveis inclusas que imaginamos serem correlacionadas tanto com a variável de interesse quanto com Olympic_Index (12). 

OverallDTF: Variável de interesse. Mede as boas práticas de negócios através de uma média de 31 indicadores do relatório do Banco Mundial. Procura captar a “distância da fronteira” de um país, ou seja, as dificuldades impostas a quem deseja negociar no país. Assume valores entre 0 e 100, em que 0 é a o pior ambiente de negócios possível e 100 o melhor;



GDPpc: Variável que mede o produto interno bruto dividido pela população, ambas datadas em 2012. Os dados foram calculados com base nos dólares americanos do mesmo ano;



OverallEconomicFreedom: Variável que assume valores entre 0 a 100 e mede quão abertas são as fronteiras de um país, quanto a economia. Avalia a burocracia existente na legislação que possa restringir o fluxo de capital. Quanto mais próximo de 100, maior a liberdade;



DemoracyIndex: Índice que mede o quão democrático um país é, variando de 0 a 10. Quanto mais próximo de 0, a variável revela um governo extremamente autoritário, enquanto mais próximo de 10, uma democracia plena;



CPIScore: Variável usada para medir percepção da população sobre os níveis de corrupção de um país. Corrupção, segundo o TI, é o uso de poder público para fins privados. O score assume valores entre 100 (livre de corrupção) e 0 (extremamente corrupto);



UrbanPop: Variável empregada para medir a urbanização de um país. Determina a porcentagem da população da nação analisada que reside em regiões urbanas;



GenderInequalityIndex: Variável que mede o nível de desigualdade entre homens e mulheres. Assume valores entre 0 e 1, em que os países com 10

menor desigualdade apresentam valores mais próximos a 0, enquanto outros menos desenvolvidos socialmente, mais próximos a 1; 

HostNeighbor: Variável dummy que indica se o país é sede das olímpiadas (Reino Unido) ou faz fronteira com ele. Assume valor 1 se país-sede/fronteiriço ou 0, caso contrário;



SocialistBackground: Variável dummy que indica se o país passou por um passado socialista em sua história. Assume valor 1 caso um governo socialista tenha gerido o país ou 0, caso contrário. 4.2. Análise descritiva 4.2.1. Univariada Como ressaltado na seção metodológica, consideramos apenas os 82

países que conquistaram pelo menos uma medalha nos Jogos Olímpicos de 2012. A tabela abaixo apresenta um sumário das características de nossas variáveis:

Além disso, apresentamos, no anexo, as distribuições amostrais de cada uma das variáveis aplicadas no modelo. 4.2.2. Multivariada Já para realizar uma análise multivariada das observações, montamos a seguinte matriz de correlação:

11

Essa tabela se mostra relevante para justificar a inclusão das variáveis que não estamos interessados ao modelo. Usamos a matriz para corroborar nossas hipóteses provenientes da teoria econômica. Como elas estão correlacionadas tanto ao OverallDTF quanto ao OlympicIndex(12), elas causariam – ou agravariam – a endogeneidade no modelo, caso fossem omitidas de nossa regressão. Pela

tabela,

observamos

que

praticamente

todas

as

variáveis

apresentam correlação positiva com o ganho de medalhas, com exceção do índice de desigualdade de gênero. Enfatizando a correlação da nossa variável de controle na variável dependente, vemos uma correlação positiva, como já era de se esperar. Aparentemente, a qualidade do ambiente de negócios está negativamente correlacionada com o passado socialista e, ao mesmo tempo apresenta correlação positiva com o ganho de medalhas, o que entra em consonância com as nossas hipóteses e com a bibliografia estudada. Também podemos inferir que existe uma relação mais forte das variáveis de controle com a variável de interesse do que com o desempenho olímpico em geral, o que é plausível, afinal, sabemos que existem inúmeros outros fatores que o influenciam. Tomando o índice de democracia, por exemplo, vemos uma fraca correlação positiva entre elas, que pode ser explicada pelo fato de tanto os países democráticos quanto os autoritários obterem bons resultados nos Jogos por razões antagônicas já citadas. No entanto, essas variáveis que possuem baixas correlação com o desempenho final no evento, como a variável dummy que indica se um país teve um passado socialista, não significa necessariamente que seu efeito seja insignificante no nosso modelo. Pode ser que, ao rodarmos a regressão, concluamos que o fato de um país ter herdado características socialistas tenha um grande efeito na variável dependente, ceteris paribus.

5. Hipóteses 5.1. Modelo linear Para facilitar, supomos que os dados em 𝑦1 , … , 𝑦𝑛 foram gerados pelo modelo linear:

12

𝑦𝑖 = 𝑋𝛽 + 𝜀 Em que,

𝑦1 1 ⋮ 𝑦𝑖 = [ ] ; 𝑋 = [ ⋮ 𝑦𝑛 1

𝑋21 ⋮ 𝑋2𝑛

𝜀1 𝛽1 𝑋𝑘1 ⋮ ];𝛽 = [ ⋮ ];𝜀 = [ ⋮ ] 𝜀𝑛 ⋯ 𝑋𝑘𝑛 𝛽𝑛

⋯

5.2. Exogeneidade Além disso, assumimos que as 𝑛 perturbações ε1 , 𝜀2 , … , 𝜀𝑛 , geradas pelo modelo, são variáveis aleatórias com média 0. Logo,

𝐸[𝜀𝑖 |𝑋] = 𝐸[𝜀𝑖 ] = 0 5.3. Condição de estabilidade Para substituir a hipótese dos regressores fixos, supomos que a seguinte série converge para um número real maior que 0. Isso é necessário para que as propriedades de MQO (consistência e variância assintótica) possam ser verificadas. Assim,

𝑋′𝑋 𝑝 lim ( )=𝑄 𝑛 em que Q é uma matriz simétrica e definida. 5.4. Condição de ortogonalidade Por outro lado, não será possível assumir que as variáveis explicativas utilizadas no modelo não estão correlacionadas com o erro. Dessa maneira não podemos garantir a condição de exogeneidade. Sabemos que existem várias outras variáveis relacionadas tanto com o sucesso olímpico quanto com a qualidade do ambiente de negócios, que não foram incluídas no modelo. Simultaneamente, não encontramos boas variáveis instrumentais ou proxies para corrigir tal problema, bem como o investimento em esporte e lazer, que está altamente correlacionado com ambas as variáveis. Variáveis como estas são bastante restritas e dificilmente são divulgadas por todos os países da nossa amostra. Enfim, sabemos que existe a endogeneidade no modelo. No entanto, acreditamos que a inclusão das variáveis de controle contribuiria para reduzir o viés gerado por esse problema, assim como a inconsistência dos estimadores.

13

Logo, por enquanto, assumimos que controlar por essas variáveis nos aproxima do seguinte pressuposto:

1 𝑝 lim ( 𝑋 ′ 𝜀) = 0 𝑛 5.5. Sem correlação Ademais, assumimos que todos os pares de perturbações (𝜀𝑖 , 𝜀𝑗 ) não são correlacionados. Ou seja, a inexistência de correlação serial ou independência implica que os erros associados a uma observação são não correlacionados com o de outra. Portanto,

𝐸[𝜀𝑖 𝜀𝑗 |𝑋] = 0 5.6. Homoscedasticidade Outra hipótese principal para a regressão de MQO é a de homoscedasticidade. Ou seja, que as variâncias das 𝑛 perturbações ε1 , 𝜀2 , … , 𝜀𝑛 existem e são todas iguais. Logo:

𝐸[𝜀𝑖2 |𝑋] = 𝜎 2 e 𝑣𝑎𝑟(𝜀|𝑋) = σ2 Para detectar a existência desse problema, plotamos os resíduos para

300

analisar graficamente: United States

200

China

100

United Kingdom

0

Australia Japan Korea, Rep. Hungary Brazil Italy Ukraine JamaicaSpain Germany Uganda Romania Ethiopia India Czech Republic Kazakhstan New Zealand France Colombia Canada Botswana Kenya Mongolia Gabon Poland Trinidad Mexico and Tobago Bahamas, The Afghanistan Lithuania Turkey Algeria South Africa Bahrain Grenada Croatia Cyprus Egypt, Dominican Arab Rep. Republic Tajikistan Venezuela, RB Uzbekistan Azerbaijan Indonesia Bulgaria Iran, Islamic Rep. Switzerland Guatemala Argentina Serbia Morocco Estonia Cuba Georgia Netherlands Moldova Tunisia Montenegro Kuwait Slovak Republic Sweden Thailand Slovenia Denmark Greece Belarus Qatar Belgium Finland Malaysia Portugal Puerto Latvia Rico Saudi Arabia Singapore Norway Armenia Ireland

-100

Residuals

Russian Federation

-20

0

20

40 Fitted values

60

80

Somente pelo gráfico, conseguimos inferir a heteroscedasticidade dos erros, devido à pouca de uniformidade na sua distribuição. Dessa maneira, realizaremos o teste de Breusch-Pagan para testar a hipótese nula de homoscedasticidade. O teste consiste, primeiramente, em fazer a regressão por MQO no modelo linear e encontrar os resíduos; posteriormente, fazemos uma outra 14

regressão, que busca relacionar as variáveis explicativas em nosso modelo com o quadrado dos resíduos. Assim, obtemos a seguinte regressão:

𝜀𝑖2 = 𝛿0 + 𝛿1 𝑋1 + ⋯ + 𝛿𝑘 𝑋𝑘 + 𝑤𝑖 Logo, testamos a hipótese nula: 𝛿1 𝐻0 : [ ⋮ ] = 0 𝛿𝑘 Para testar essa hipótese nula, podemos utilizar o teste de BreuschPagan e o teste de White. Assim, se o p-valor for muito pequeno, temos evidências para rejeitar 𝐻0 - homoscedasticidade. Vale ressaltar que esses testes são sensíveis às hipóteses do modelo.

Como havíamos predito pelo gráfico, o teste de Breusch-Pagan confirmou nosso resultado: temos muitas evidências para rejeitar 𝐻0 . Desse jeito, podemos afirmar que nosso modelo é definitivamente heteroscedástico. Agora, no nosso caso, continuaremos com as propriedades de não viés e consistência satisfeitas. Contudo, as estatísticas dos testes ficam prejudicadas, uma vez que o estimador de MQO não será BLUE. 5.7. Normalidade dos resíduos A normalidade dos resíduos é importante para validar os testes de hipóteses, ou seja, hipótese da normalidade garante que os p-valores para os testes t e F serão válidas, pois estes dependem da distribuição dos estimadores que, em última instância, dependem da distribuição dos erros. Por outro lado, a normalidade não garante que os estimadores da regressão serão não viesados. A regressão de MQO exige que os resíduos sejam 𝑖𝑖𝑑. Para isso, rodamos a regressão final no STATA, a fim de obter os seus resíduos. Abaixo, produzimos o gráfico de densidade de Kernel, comparando-a com uma curva normal.

15

.01 0

.005

Density

.015

Kernel density estimate

-100

0

100 Residuals

200

300

Kernel density estimate Normal density kernel = epanechnikov, bandwidth = 8.8504

Vemos que a densidade estimada dos nossos erros se afasta da distribuição normal. Assim, como a hipótese da normalidade dos resíduos não é satisfeita, as estatísticas de teste obtidas provavelmente serão prejudicadas.

6. Resultados Resolvemos analisar quatro regressões para separar o impacto de três grupos de variáveis. Fizemos um conjunto de regressões robustas: o primeiro modelo apresenta somente nossa variável de interesse, que já imaginávamos estar viesada. Encontramos um coeficiente de 0.896 que indica uma relação positiva entre OverallDTF e OlympicIndex(12). Depois, inserimos um bloco com variáveis políticas no nosso modelo e verificamos que o efeito marginal da variável estudada subiu para 0.977, mas este passa a não ser significativo a 10%. O terceiro grupo adicionado (econômico), por sua vez, aumentou o coeficiente para 2.247 – estatisticamente significativo a 10% - e o quarto modelo (social) diminui a magnitude desse coeficiente: 2.128. O aumento no efeito marginal indica que nosso parâmetro estava sendo subestimado por estar correlacionado com essas outras variáveis. O R² da regressão de 0,13 reflete que a especificação do modelo por estas variáveis não capta uma relação espúria, de modo que a estimativas dos parâmetros apresentam relevância econômica. Em última análise, estamos interessados principalmente no impacto da variável OverallDTF sobre o OlympicIndex(12). Vale ressaltar que as regressões por MQO Robusto tem como objetivo controlar a heteroscedasticidade observada, tal como reforçar as propriedades necessárias para que as estimações dos parâmetros sejam válidas, como 16

independência e ortogonalidade. Entretanto, como as estatísticas de teste são prejudicadas pela não normalidade dos erros, não é possível inferir se os pvalores dos testes foram comprometidos, sendo computados a mais ou a menos. Na tabela abaixo, apresentamos todas as regressões robustas realizadas, separadas pelos blocos indicados: Blocos de regressões (1) (2) (3) Simples + Político + Econômico OverallDTF 0.896* (1.74)

(4) + Social

0.977 (1.03)

2.247* (1.88)

2.128* (1.69)

-3.280 (-0.78)

-2.446 (-0.57)

-3.176 (-0.73)

CPIScore

0.276 (0.48)

0.133 (0.17)

0.0165 (0.02)

SocialistBackground

9.342 (0.69)

7.053 (0.52)

8.935 (0.62)

0.000276 (0.58)

0.000286 (0.59)

-2.017* (-1.72)

-2.011 (-1.64)

DemoracyIndex

GDPpc

OverallEconomicFreedom

UrbanPop

-0.0927 (-0.23)

GenderInequalityIndex

-22.85 (-0.42)

HostNeighbor

44.93* (1.83)

Constante -29.59 (-0.85) Número de observações 82 R2 ajustado 0.024

-31.10 (-0.70)

8.751 (0.18)

35.14 (0.51)

82 -0.001

82 0.014

82 0.026

Notas: *Significante ao nível de 10%; ** Significante ao nível de 5%; ***Significante ao nível de 1%.

17

7. Conclusão Em nossa análise, confirmamos a nossa hipótese inicial, ou seja, o impacto de um ambiente de negócios amigável tem efeito positivo no desempenho olímpico. Essa relação positiva foi estatisticamente positiva a 10% nos modelos simples e controlados para fatores econômicos e sociais. Isso permite inferir que essas variáveis de controle têm efeito sobre o ambiente de negócios, como previsto pelo relatório World Bank - Doing Business 2012 e a omissão delas geraria um viés de estimação desse parâmetro. Além disso, a subestimação da magnitude desse parâmetro no modelo simples sugere que esses outros fatores apresentem impactos negativos sobre o quadro de medalhas. É importante ressaltar que apesar de as estatísticas de teste estarem comprometidas, a significância estatística da variável de interesse em três modelos analisados sugere que, de fato, essa variável apresenta impacto no quadro de medalhas nos Jogos Olímpicos.

8. Referências HEIJI, C; DE BOER, P; HANS FRANSE, P; KLOEK, T; VAN DIJK, H. Econometric Methods With Applications in Business and Economics. Oxford University Press, 2004. 787 p. WOOLDRIDGE, Jeffrey M. Introdução à Econometria: Uma abordagem moderna. São Paulo: Thomsom, 2002. 684 p. GREENE, W. Econometric Analysis. Pearson, 2012. 1239 p. Business,

Doing.

"Doing

Business

2011:

Making

a

difference

for

entrepreneurs." Washington: The World Bank (2010). World Bank. Doing Business 2012: Doing Business in a More Transparent World. World Bank, 2011. BERTUSSI, Geovana; NETO, Edimilson. Do que é feito um país campeão? Belo Horizonte, 2015. BALL, Donald W. Olympic Games Competition: Structural Correlates of National Success. International Journal of Comparative Sociology, vol. 13, p. 186-200, 1972. 18

BARRO; Robert; LEE, Jong-Wha. A new data set of education attainment in the world, 1950- 2010. Journal of Developement Economics, vol. 104, p. 184-198, April, 2010. BERNARD, Andrew B.; BUSSE, Meghan R. Who wins the Olympic Games: Economic Resources and Medal Totals. The Review of Economics and Statistics, MIT Press, v. 86, n.1, p. 413-417, 2004. MOOSA, IMAD A.; SMITH, LEE. Economic Development Indicators as Determinants of Medal Winning at the Sidney Olympics: An Extreme Bounds Analysis. Australian Economic Papers. vol. 43, n. 3, p. 288-301, 2004.

9. Anexo 9.1. Distribuição amostral das variáveis Distribuição amostral de OverallDTF

.02

Density

0

0

.005

.01

.01

Density

.015

.03

.02

.04

.025

Distribuição amostral de OlympicIndex(12)

0

100 200 OlympicIndex (12)

300

40

Distribuição amostral de GDPpc

60 70 OverallDTF

80

90

0

.01

.02

Density

2.0e-05

.03

3.0e-05

.04

4.0e-05

Distribuição amostral de OverallEconomicFreedom

1.0e-05

0

20000

40000 60000 GDPpc

80000

100000

0

Density

50

30

40

50 60 OverallEconomicFreedom

70

80

19

2.5 .5

1

1.5

Density

.15

0

.05

.1

Density

.2

2

.25

Distribuição amostral DemocracyIndex

0

.4 GenderInequalityIndex

.6

.8

0

.2

2

4

6 DemoracyIndex

8

10

Distribuição amostral de HostNeighbor

4

0

2

.01

Density

Density

.02

6

.03

8

Distribuição amostral de CPIScore

20

40 CPIScore

60

80

0

0

0

.2

.4 .6 HostNeighbor

.8

1

Distribuição amostral de UrbanPop

4 Density

.01

0

20

40

60 UrbanPop

80

100

0

0

2

.005

Density

.015

6

.02

Distribuição amostral SocialistBackground

0

.2

.4 .6 SocialistBackground

.8

1

Distribuição amostral de GenderInequalityIndex

20