Primeira vez aqui? Seja bem vindo e cheque o FAQ!
x

Explorando a base de dados do artigo "Subsidies and the African Green Revolution"

0 votos
45 visitas
perguntada Mai 19 em Economia por João Coutinho (21 pontos)  

Neste trabalho eu faço a replicação de alguns resultados do artigo "Subsidies and the African Green Revolution: Direct Effectsand Social Network Spillovers of Randomized Input Subsidies in Mozambique" publicado no American Economic Journal: Applied Economics, 2021, 13(2): 206–229.

Autores: Michael Carter, Rachid Laajaj e Dean Yang.

A replicação dos resultados foi feita através do programa R.

Link: https://doi.org/10.1257/app.20190396

Compartilhe

1 Resposta

0 votos
respondida Mai 20 por João Coutinho (21 pontos)  

Motivação

A escolha deste paper para replicação foi feita por duas principais razões;
a primeira é que tenho bastante interesse no método utilizado para estimação, o RCT, ou randomized controlled trials, que possui características capazes de mitigar principalmente viés de seleção através da randomização dos candidatos;
a segunda razão é que o aumento da renda em países de renda baixa é um dos aspectos que mais atrai a minha atenção dentro da literatura de economia.

O paper produz resultados que amparam essas duas razões. Isso porque utiliza o método citado para mostrar que o uso de uma política pública, a introdução de voucher provisório para desconto em produtos agrícolas, aumenta a produtividade do campo durante e depois do programa. E também porque o aumento da produtividade de uma maneira geral é bom para o crescimento da economia de um país, mesmo que o paper não aborde isso diretamente.

Além disso, os autores argumentam que as tecnologias subsidiadas pelo programa foram responsáveis por aumentar fortemente a produtividade no campos dos países da América do Sul e Ásia, enquanto nos países que não as adotaram, a produtividade estagnou, em especial na África subsaariana.

No gráfico abaixo retirado do paper podemos perceber este processo. Nas linhas verde e vermelha vemos que a produtividade aumentou levemente ao longo de 60 anos na África subsaariana, enquanto na linha preta vemos como a diferença de produtividade no campo aumentou ao longo do período, o que mostra um aumento de produtividade muito grande dos países da América do Sul e Ásia. Os autores argumentam também que boa parte deste aumento veio do uso de tecnologias como sementes melhoradas e agrotóxicos químicos.
A imagem será apresentada aqui.

Por conta disso, eu tentei replicar os resultados obtidos pelos autores.

Base Econômica e revisão de literatura

Os autores argumentam que falhas de mercado informacionais podem ser remediadas por subsídios às tecnologias pois possibilitam um primeiro contato com novas técnicas e aprender ao fazer (Learn-by-doing). Além disso, como informação é um bem não rival, pode facilmente ter efeitos positivos (spill-over effects) também para famílias que não receberam diretamente acesso ao programa, pois elas teriam contato com famílias que tiveram e consequentemente com acesso à informação, o que ampliaria ainda mais os ganhos sociais de um programa com o uso de subsídios.
Via de regra o uso desses subsídios deve de caráter temporário, porém, em casos persistência do hábito por viés de valorização do presente, medidas permanentes podem ser consideradas (Duflo, Kremer e Robinson 2011).
Vale ressaltar que nem sempre intervenções com subsídios são as melhores, como por exemplo em situações em que o risco de adotar tecnologias é muito alto ou inacessível financeiramente (Karlan et. al. 2014).

Desta forma, a intervenção com políticas públicas de subsídios está justificada tanto teoricamente, por suprir as falhar de mercado, quanto empiricamente, visto que o resultado do estudo mostra que o uso de subsídios foi capaz de aumentar a produção.

Detalhamento da base de dados

O programa estudado é chamado de "Programa de suporte aos produtores" e foi implementado no Moçambique. Este programa teve financiamento da União Europeia, foi administrado pelo setor de agricultura e alimentação das Nações Unidas e implementado pelo ministério da agricultura de Moçambique.

O programa de suporte aos produtores proveu um subsídio único e temporário durante a temporada de plantio à 25000 pequenos produtores de milho em cinco províncias diferentes. O subsídio consistia em um desconto de 73% nos pacotes de fertilizante químico (50kg de ureia e 50kg de NPK 12-24-12) e de sementes melhoradas (12,5kg).

Os produtores estudados pelo RCT foram randomizados em uma província específica (Manica) na região central de Moçambique. Indivíduos eram elegíveis ao voucher, e apenas um indivíduo por família era permitido. Este indivíduo deveria ter as seguintes características: Área produtiva de 0,5 à 5 hectares de milho; ser interessado na modernização dos métodos de produção e em agricultura comercial; ter acesso à extensão agrícola e ao mercado de insumos e produtos; ser capaz e disposto a pagar pelos 27% restantes dos pacotes. A amostra contém 247 produtores tratados e 267 produtores no grupo de controle.

Abaixo vemos uma tabela com algumas estatísticas descritivas da amostra.
A imagem será apresentada aqui.

Com isso, percebemos que os autores foram os responsáveis pela criação da base de dados, sendo que eles a disponibilizam no site em que o paper está locado. Desta forma, eu utilizei a base por eles disponibilizada na tentativa de replicação dos resultados.

Especificação do modelo

Eu estimei a equação a seguir, no qual o objetivo é captar os efeitos de intenções de tratar (ITT) e os efeitos de spillover
A imagem será apresentada aqui.

Para as 5 variáveis de resultado
1. Uso de fertilizantes no milho
2. Uso de sementes melhoradas de milho
3. Produção de milho
4. Consumo
5. Expectativa da produção futura

Sendo \(y_{ct}\) o resultado de uma das variáveis de resultado para a família i, na localidade c e no tempo t.
Onde \(Treat_{ic}\) é a dummy do grupo de tratamento que toma valor 1 quando a família recebeu o voucher; \(During_t\) e \(After_t\) são variáveis dummy que tomam valor 1 durante o período do subsídio (2010-2011) ou depois (2011-2012, 2012-2013); \(SocialTreat_{ic}\) é uma dummy que toma valor 1 quando a família tem mais contatos com outras famílias que receberam o voucher do que a mediana (2 ou mais).
O vetor de controles \(X_{ict}\) inclui dummies de tempo e variáveis indicadoras para 1, 2, 3, 4 ou 5 ou mais contatos com participantes do estudo. Ela serve para controlar e analisar as variáveis de controle para atribuir causalidade de ter dois ou mais contatos com receptores do voucher.
Por fim, \(\theta_c\) são os efeitos fixos de localidade e \(\epsilon\) é o termo de erro com média zero. Os desvios padrão foram agrupados por família.
Os coeficientes de interesse são os impactos diretos no grupo de tratamento durante \(\alpha_{During}\) e depois \(\alpha_{After}\) do término do subsídio; e os efeitos spillover de ser mais conectado \(\sigma_{During}\) durante e \(\sigma_{After}\) depois do término do subsídio.
Vale ressaltar também que todos os parâmetros foram log transformados para que a compreensão seja mais fácil.

Resultados Econométricos

Nesta seção irei apresentar os resultados por mim estimados dos coeficientes de interesse.

Observe que vouchdur é equivalente à (\alpha{During}\), vouchafter é equivalente à \(\alpha_{After}\), sn2subdur é equivalente à \(\sigma_{During}\), e sn2upsub_aft é equivalente à \(\sigma_{After}\).

Primeiro a regressão para o uso de fertilizantes de milho
A imagem será apresentada aqui.

Agora a regressão para o uso de sementes melhoradas
A imagem será apresentada aqui.

A regressão para a produção
A imagem será apresentada aqui.

A regressão para o consumo
A imagem será apresentada aqui.

E por fim para a expectativa
A imagem será apresentada aqui.

Percebemos com esse resultado que o impacto direto durante o programa é percebido tanto no uso de fertilizante quanto no uso de sementes e também no aumento da produção, todos com variáveis significativas, porém quando olhamos para o consumo e a expectativa do futuro são resultados menos claros, apesar de terem o sinal positivo.

Podemos notar também resultados do impacto direto depois do programa, que foram significativos e positivos tanto para o uso de fertilizantes quanto para a produção.

Podemos notar também resultados de spillover, isto é, para famílias com mais interações sociais, que durante, mas principalmente depois do programa terminar tiveram aumento em sua produção, o que corrobora a teoria de que há falhas de mercado informacionais.

Por fim, analisando os resultados para consumo, podemos notar que houve pouca variação e não significativa tanto direta quanto indiretamente; e também é interessante que as expectativas com a produção para o grupo tratado parece ser maior do que para o grupo de controle, especialmente para o grupo com mais interações sociais.

Podemos concluir, portanto, que o programa teve sim o impacto desejado de aumentar, em média, a produção de milho nas fazendas tratadas, assim como teve também efeitos spillover positivo mesmo para famílias não tratadas.

Código em R

Aplicando as bibliotecas

library("haven")
library(dplyr)
library(AER)
library(stargazer)
library(plm)
library(estimatr)
library(sandwich)

Baixando e tratando o dataframe

df.moz <- read_dta ("Moz1234panel.dta") %>% as.data.frame()

filtro<- df.moz$vouch_dur == "" | df.moz$vouch_aft == "" | df.moz$sn2_sub_dur == "" | df.moz$sn2up_sub_aft == "" | df.moz$nw_talkedagmoder == "" | df.moz$respid == ""   

df.moz<- df.moz[!filtro,]

rm(filtro)

Gerando as variáveis do modelo

outcome.fertilizer <- "lfertmaizr"

outcome.improvedmaizeseeds <- "limprovedseedsr"

outcome.maizeyield <- "lyieldr"

outcome.consumption <- "ldailyconsr"

outcome.expectedyield <- "lexp_yield_fertr"

variables <- c ("vouch_dur",
                "vouch_aft", 
                "sn2_sub_dur", 
                "sn2up_sub_aft",
                "factor(nw_talkedagmoder):factor(round)",
                "factor(vlgid_round)")

Gerando as equações

eq.fert <- as.formula(paste(outcome.fertilizer, paste(variables, collapse = " + "), sep = " ~ "))

eq.imp <- as.formula(paste(outcome.improvedmaizeseeds, paste(variables, collapse = " + "), sep = " ~ "))

eq.yield <- as.formula(paste(outcome.maizeyield, paste(variables, collapse = " + "), sep = " ~ "))

eq.con <- as.formula(paste(outcome.consumption, paste(variables, collapse = " + "), sep = " ~ "))

eq.exp <- as.formula(paste(outcome.expectedyield, paste(variables, collapse = " + "), sep = " ~ "))

Rodando o modelo

#fert
reg.fert <- lm(eq.fert, data=df.moz)

matrix.fert<- sandwich::vcovCL(reg.fert, cluster = ~ respid)

reg.fert.test <-lmtest::coeftest(reg.fert, vcov = matrix.fert, type = "HC1")

stargazer (reg.fert.test, title="Regression Results", align=TRUE, type="text", 
            omit = c("Constant","nw_talkedagmoder", "vlgid_round" ) ,
           dep.var.labels = "Fertilizante")

#imp
reg.imp <- lm(eq.imp, data=df.moz)

matrix.imp<- sandwich::vcovCL(reg.imp, cluster = ~ respid)

reg.imp <-lmtest::coeftest(reg.imp, vcov = matrix.imp, type = "HC1")

stargazer (reg.imp,  title="Regression Results", align=TRUE, type="text", 
           omit = c("Constant","nw_talkedagmoder", "vlgid_round"  ),
           dep.var.labels = "Sementes Melhoradas")


#yield
reg.yield <- lm(eq.yield, data=df.moz)

matrix.yield<- sandwich::vcovCL(reg.yield, cluster = ~ respid)

reg.yield <-lmtest::coeftest(reg.yield, vcov = matrix.yield, type = "HC1")

stargazer (reg.yield,  title="Regression Results", align=TRUE, type="text", 
           omit = c("Constant","nw_talkedagmoder", "vlgid_round"  ),
           dep.var.labels = "Produção")

#con
reg.con <- lm(eq.con, data=df.moz)

matrix.con<- sandwich::vcovCL(reg.con, cluster = ~ respid)

reg.con <-lmtest::coeftest(reg.con, vcov = matrix.con, type = "HC1")

stargazer (reg.con,  title="Regression Results", align=TRUE, type="text", 
           omit = c("Constant","nw_talkedagmoder", "vlgid_round"  ),
           dep.var.labels = "Consumo")

#exp
reg.exp <- lm(eq.exp, data=df.moz)

matrix.exp<- sandwich::vcovCL(reg.exp, cluster = ~ respid)

reg.exp <-lmtest::coeftest(reg.exp, vcov = matrix.yield, type = "HC1")

stargazer (reg.exp,  title="Regression Results", align=TRUE, type="text", 
           omit = c("Constant","nw_talkedagmoder", "vlgid_round"),
           dep.var.labels = "Produção Esperada com tecnologia")
...