Corso di Econometria B Prof. Luca Stanca

Transcript

1 Corso di Econometria B Prof. Luca Stanca o Marco Bianchi 2647 Gianluca Capuano Alessandro Nella 57994

2 La dinamica degli investimenti pubblici e privati in Italia dal 196 al 22 La nostra relazione si propone di studiare la dinamica degli investimenti in Italia dal 196 al 22. Gli investimenti privati, sebbene rappresentino una quota relativamente modesta del PIL, intorno al 18%, hanno un impatto rilevante sulla domanda aggregata. Le oscillazioni degli investimenti sono infatti più marcate di quelle dei consumi. Inoltre la dinamica degli investimenti incide anche sull offerta aggregata di lungo periodo. Ci proponiamo di analizzare il fenomeno sia attraverso un modello ARIMA, sia attraverso un modello VAR che include oltre alla funzione di investimento privato anche la funzione di investimento pubblico in infrastrutture ed il tasso di interesse reale. Includiamo nell analisi la funzione di investimento pubblico per studiare gli effetti di quest ultimo sugli investimenti privati. In base all ipotesi neoclassica di investimento, gli investimenti pubblici in infrastrutture aumentano la produttività del capitale privato così da indurre le imprese ad aumentare il loro stock di capitale (effetto crowding in). Infine consideriamo anche l effetto del tasso di interesse reale come suggerito dalla teoria Keynesiana e gli eventuali effetti di spiazzamento (crowding out). 1. Introduzione La dinamica degli investimenti pubblici e privati a partire dai primi anni 8 subisce un significativo incremento dovuto all accresciuta spesa pubblica e ad una politica monetaria accomodante. Agli inizi degli anni 9 il deficit pubblico italiano aveva raggiunto livelli preoccupanti, il fabbisogno pubblico veniva finanziato in parte facendo ricorso alle anticipazioni operate dalla Banca d Italia sul c/c di Tesoreria ed in parte grazie all intervento della banca centrale sul mercato secondario dei titoli di Stato. Tra gli effetti di questa manovra si è registrato un incremento della base monetaria che ha aggravato le difficoltà sul mercato dei cambi. L Italia partecipava allo Sistema Monetario Europeo che prevedeva bande di oscillazioni del tasso di cambio del 6% fino al 199, anno in cui si è passati alla banda ristretta del 2,25%. Lo SME prevedeva inoltre un intervento coordinato delle banche centrali in caso di allontanamento dalla parità centrale del tasso di cambio. L impossibilità di sostenere il cambio ha costretto l Italia ad uscire dallo SME. Per fronteggiare il deficit di bilancio sono state necessarie drastiche misure di politica economica. Tra i provvedimenti adottati, vi è stato anche il taglio degli investimenti pubblici. Per analizzare la dinamica degli investimenti utilizzeremo delle serie storiche annuali dal 196 al 22.

3 Inv. Pubblico (GIN) GDP 2. I Dati Inv. Privato (PIN) Tasso d interesse (ILT) Deflatore (DGD)

4 Denominazione delle serie storiche in esame: IT GOVERNMENT INVESTMENT IN REAL TERMS GIN IT GROSS DOMESTIC PRODUCT IN REAL TERMS AT MARKET PRICES GDP IT PRIVATE FIXED INVESTMENT EXCL.STOCKBUILDING IN REAL TERMS PIN IT INTEREST RATE, LONG-TERM ILT IT IMPLICIT PRICE DEFLATOR OF THE GROSS DOMESTIC PRODUCT DGD 3. L investimento privato Da una prima analisi dei dati degli investimenti privati (PIN) in livelli, si nota un andamento crescente conseguente all aumento delle dimensioni dell economia italiana. La serie storica risulta pertanto non stazionaria PIN Per renderla stazionaria è stato sufficiente differenziarla rispetto ai logaritmi. ADF Test Statistic % Critical Value* % Critical Value % Critical Value Analizzando il correlogramma della serie così ottenuta si nota la presenza di autocorrelazione significativa sino al terzo ritardo e di correlazione parziale significativo sino a secondo ritardo.

5 Per analizzare la dinamica del fenomeno identifichiamo un modello ARMA(2,3). Il correlogramma dei residui non presente valori significativi dell autocorrelazione e della correlazione parziale.

6 Il modello che descrive l andamento degli investimenti privati in Italia è dunque un A- RIMA(2,1,3) Estimation Command: ===================== LS DLOG(PIN) C AR(1) AR(2) MA(1) MA(2) MA(3) Estimation Equation: ===================== DLOG(PIN) = C(1) + [AR(1)=C(2),AR(2)=C(3),MA(1)=C(4),MA(2)=C(5),MA(3)=C(6),BACKCAST =1963] Substituted Coefficients: ===================== DLOG(PIN) = [AR(1)= ,AR(2)= ,MA(1)= ,MA(2)= ,MA(3)= ,BACKCAST=1963] Ottenuto il modello ne testiamo l efficacia previsionale. Restringiamo il campione per la stima dal 196 al Con il modello così ottenuto, che continua a soddisfare il controllo diagnostico, stimiamo i valori per gli anni dal 2 al 22 ed otteniamo delle previsioni soddisfacenti PIN PINF +

7 4. L investimento pubblico Analizzando l andamento degli investimenti pubblici (GIN) notiamo un andamento crescente e abbastanza regolare sino al Dal 1992, a seguito della modifica della politica economica necessaria a contrastare il crescente deficit pubblico, si verifica un crollo degli investimenti pubblici che tornano a risalire solo nel L entità dello shock del 1992 e il radicale e duraturo cambiamento della politica economica italiana ci inducono a pensare ad un break strutturale GIN Differenziando la serie in esame otteniamo una serie stazionaria con un margine di confidenza prossimo all 1% del test ADF. Non otteniamo un margine dell 1% come per la serie degli investimenti privati per effetto dello shock del ADF Test Statistic % Critical Value* % Critical Value % Critical Value Analizzando il correlogramma della serie così ottenuta si nota la presenza di autocorrelazione e di correlazione parziale significative rispettivamente fino al terzo ed al secondo ritardo.

8 Stimiamo dunque un modello ARMA(2,3). Analizzando il correlogramma dei residui, notiamo residui parzialmente correlati al 13 ritardo. Proviamo dunque a modificare il modello considerando un ARIMA(2,1,2); infatti, con modelli misti la funzione di correlazione parziale può portare a sovrastimare il numero dei ritardi. Il correlogramma dei residui non presenta valori significativi dell autocorrelazione e della correlazione parziale.

9 Il modello che descrive l andamento degli investimenti pubblici in Italia è dunque un ARIMA(2,1,2). Estimation Command: ===================== LS DLOG(GIN) C AR(1) AR(2) MA(1) MA(2) Estimation Equation: ===================== DLOG(GIN) = C(1) + [AR(1)=C(2),AR(2)=C(3),MA(1)=C(4),MA(2)=C(5),BACKCAST=1963] Substituted Coefficients: ===================== DLOG(GIN) = [AR(1)= ,AR(2)= ,MA(1)= ,MA(2)= ,BACKCAST=1963] Con il modello così ottenuto verifichiamo l efficacia previsionale. Stimiamo il campione dal 196 al Il modello risultante continua a soddisfare il controllo diagnostico. Calcoliamo le previsioni per gli anni dal 2 al 22 ed otteniamo dei valori che rispecchiano l andamento reale del fenomeno.

10 GIN GINF 5. Il modello VAR Per un analisi più approfondita della dinamica degli investimenti privati, abbiamo deciso di ricorrere ad un modello VAR. Il modello VAR offre numerosi vantaggi rispetto ai modelli strutturali per gli investimenti pubblici e privati; come evidenziato da Chirinko (1993) in un ampia review dei modelli d investimento, l analisi empirica dei dati non ha portato ad identificare un modello strutturale robusto per la funzione di investimento privato. Il problema è ancora più accentuato per gli investimenti pubblici, dove la letteratura sia teorica che empirica è più limitata. Un modello VAR quindi consente di studiare la dinamica dei fenomeni in esame senza la necessità di formulare un preciso modello strutturale. Inoltre il modello VAR riconosce esplicitamente l endogenità dell investimento pubblico a differenza della maggior parte dei modelli strutturali che lo considerano esogeno. In presenza di un incremento della spesa pubblica per investimenti dovremmo aspettarci nell immediato una riduzione degli investimenti privati per via dell effetto Keynesiano di spiazzamento. L entità dell effetto dipende tra l altro anche dall apertura o meno dell economia ai mercati internazionali dei capitali e dal fatto di comportarsi o meno come price taker all interno di essi. Secondo Aschauer (1989b), che ha analizzato l economia americana con un modello strutturale, all effetto crowding out segue un effetto crowding in. Infatti gli investimenti pubblici se produttivi, dovrebbero aumentare la produttività del capitale privato così da indurre i privati ad aumentare la loro quota di investimento.

11 Voss (22) ha studiato lo stesso fenomeno per l economia USA e per quella canadese attraverso un modello VAR ottenendo risultatiti opposti, non si verifica alcun effetto crowding in, mentre l effetto crowding out è più marcato nel caso degli Stati Uniti. Costruiamo quindi un modello VAR che contiene oltre alla funzione di investimento privato anche il tasso di interesse reale. Per studiare il fenomeno dobbiamo innanzi tutto rendere stazionarie le serie degli investimenti privati e pubblici, le differenziamo entrambe rispetto ai logaritmi e le moltiplichiamo per 1 per facilitarne l analisi DPINPER

12 DGINPER ottenendo delle serie stazionarie con un intervallo di confidenza dell 1% REALE

13 Per il tasso di interesse reale, abbiamo calcolato la differenza tra quello nominale e la variazione percentuale del deflatore del PIL, approssimata mediante i logaritmi. La serie così ottenuta risulta non stazionaria, anche in questo caso, ricorrendo alle differenze prime si ottiene una serie stazionaria DREALE Andiamo quindi a stimare il modello così costruito per cercare il numero ottimale di ritardi. Ritardi Akaike Information Criterion Non è possibile stimare il modello oltre i 9 ritardi data la numerosità del campione. L indice di Akaike assume valore minimo in corrispondenza di 9 ritardi, anche gli altri test diagnostici ci inducono a considerare 9 ritardi. Stimiamo il modello: Sample(adjusted): Included observations: 32 after adjusting endpoints

14 Standard errors & t-statistics in parentheses DGINPER DPINPER DREALE DGINPER(-1) (.3642) (.3396) (.2337) (3.6526) ( ) ( ) DGINPER(-2) (.57192) (.63285) (.4362) (.4542) ( ) ( ) DGINPER(-3) (.3921) (.43178) (.29761) ( ) ( ) ( ) DGINPER(-4) (.24153) (.26727) (.18421) (.33745) ( ) (1.184) DGINPER(-5) (.24145) (.26718) (.18415) (.67259) ( ) (.92162) DGINPER(-6) (.14648) (.1629) (.11172) (3.246) (2.8836) (.9783) DGINPER(-7) (.13957) (.15444) (.1645) ( ) (.91768) ( ) DGINPER(-8) (.16847) (.18642) (.12849) ( ) ( ) ( ) DGINPER(-9) (.1437) (.159) (.1959) (3.284) (1.589) ( ) DPINPER(-1) (.2959) (.32155) (.22163) (.79859) (-.9569) ( ) DPINPER(-2) (.37232) (.41199) (.28396) ( ) ( ) ( ) DPINPER(-3) (.42567) (.4711) (.32465) ( ) ( ) (.42341) DPINPER(-4) (.24468) (.2774) (.18661)

15 (2.3393) (.47294) (.39397) DPINPER(-5) (.2593) (.28662) (.19755) ( ) ( ) ( ) DPINPER(-6) (.49389) (.54651) (.37668) ( ) ( ) (-.211) DPINPER(-7) (.26418) (.29232) (.2148) (.48385) (-.7991) (-1.119) DPINPER(-8) (.32321) (.35765) (.24651) ( ) ( ) ( ) DPINPER(-9) (.3288) (.36383) (.2577) (-.4879) ( ) (-.6723) DREALE(-1) (.64444) (.7139) (.4915) ( ) ( ) ( ) DREALE(-2) (.57791) (.63948) (.4476) (.6371) (1.217) ( ) DREALE(-3) (.84747) (.93775) (.64635) ( ) ( ) (.6113) DREALE(-4) (.6317) (.66743) (.463) (-.4426) (.7464) ( ) DREALE(-5) (1.9229) (1.2865) (.8337) ( ) ( ) (.39865) DREALE(-6) (.54752) (.6585) (.41759) ( ) ( ) ( ) DREALE(-7) (.75842) (.83922) (.57843) (-.4913) ( ) (.56199) DREALE(-8) (.4981) (.5516) (.37982)

16 (.5827) (2.4745) ( ) DREALE(-9) (.47721) (.5285) (.36396) ( ) ( ) (.22461) C (3.72) ( ) ( ) ( ) (3.9738) ( ) R-squared Adj. R-squared Sum sq. resids S.E. equation Log likelihood Akaike AIC Schwarz SC Mean dependent S.D. dependent Determinant Residual Covariance.3651 Log Likelihood Akaike Information Criteria Schwarz Criteria Stimato il modello, ad una prima analisi delle t-statistics dei coefficienti notiamo valori significati per i coefficienti che legano le variabili ai propri ritardi, come era logico attendersi dai modelli ARIMA stimati in precedenza. Con il modello così ottenuto analizziamo le risposte agli impulsi; per ordinare le variabili utilizziamo la matrice delle correlazioni, DREALE DGINPER DPINPER DREALE DGINPER DPINPER che ci porta ad ordinarle nel seguente modo: DGINPER, DREALE, DPINPER L ordinamento peraltro coincide con quello suggerito dalla teoria economica

17 Response to One S.D. Innovations ± 2 S.E. 3 Response of DGINPER to DGINPER 3 Response of DGINPER to DPINPER 3 Response of DGINPER to DREALE Response of DPINPER to DGINPER 2 Response of DPINPER to DPINPER 2 Response of DPINPER to DREALE Response of DREALE to DGINPER 1.5 Response of DREALE to DPINPER 1.5 Response of DREALE to DREALE Analizziamo ora individualmente le risposte ad impulso più interessanti DPINPER a DGINPER: si verifica un effetto crowding in limitato che tende ad esaurirsi rapidamente per dar luogo ad un effetto crowding out. Entrambi gli effetti si estinguono dopo il sesto ritardo DPINPER a DREALE: gli investimenti privati rispondono in modo molto negativo ad un aumento del tasso di interesse, tuttavia, a partire dal quarto ritardo si nota un leggero incremento. Una possibile spiegazione del fenomeno è che a seguito di una riduzione degli investimenti, lo stock di capitale si riduce fino ad un punto in cui è necessario reintegrarlo. DGINPER a DREALE: in corrispondenza di un aumento del tasso d interesse si verifica una pesante riduzione degli investimenti pubblici. Si può ipotizzare che a causa dell alto tasso d indebitamento dell Italia, maggiori tassi d interesse comportano maggiore spesa per gli stessi e la necessità di tagliare la spesa pubblica per contenere il deficit di bilancio. DGINPER a DGINPER: in presenza di uno shock positivo, per quattro anni i valori degli investimenti pubblici si mantengono sopra la media

18 DPINPER a DPINPER: si verifica un effetto simile al precedente, anche se più limitato in ampiezza e durata Analizzando la scomposizione delle varianze notiamo che la variabilità delle tre variabili in esame è prevalentemente endogena Variance Decomposition Percent DGINPER variance due to DGINPER 1 Percent DGINPER variance due to DPINPER 1 Percent DGINPER variance due to DREALE Percent DPINPER variance due to DGINPER 7 Percent DPINPER variance due to DPINPER 7 Percent DPINPER variance due to DREALE Percent DREALE variance due to DGINPER 8 Percent DREALE variance due to DPINPER 8 Percent DREALE variance due to DREALE Eseguiamo il test di causalità di Granger, Null Hypothesis: Obs F-Statistic Probability DGINPER does not Granger Cause DPINPER DPINPER does not Granger Cause DGINPER DREALE does not Granger Cause DPINPER DPINPER does not Granger Cause DREALE DREALE does not Granger Cause DGINPER DGINPER does not Granger Cause DREALE che indica la presenza di causalità alla Granger tra DREALE e DPINPER. Non possiamo invece respingere l ipotesi nulla secondo la quale DGINPER non causa DPINPER Il modello VAR presentato sembra quindi respingere l ipotesi di crowding in causata dall investimento pubblico.

19 6. Conclusioni Il modello presentato esclude la presenza di un effetto crowding in duraturo nel caso dell Italia. Tale conclusione coincide con quella di Voss (22) ottenuta per gli Stati Uniti e il Canada e contrasta con quella di Aschauer (1989b) che mediante un modello strutturale riscontra un significativo effetto di crowding in per gli Stati Uniti. Tra i possibili fattori che possono influenzare gli effetti degli investimenti pubblici su quelli privati bisogna considerare anche la qualità dei primi. Si può ipotizzare per esempio che la mancanza dell effetto crowding in per l Italia dipenda da investimenti pubblici non sempre ottimali sotto il profilo della produttività. Un ulteriore elemento importante che potrebbe determinare la dinamica degli investimenti privati sono le aspettative degli imprenditori. Purtroppo non è stato possibile reperire dei dati idonei per questo tipo di analisi, gli unici dati disponibili hanno periodicità trimestrale e partono dal 1988.

20 Riferimenti Aschauer, D.A., 1989a. Is public expenditure productive? J. Monetary Econ. 23, Aschauer, D.A., 1989b. Does public capital crowd out private capital? J. Monetary E- con. 24, Chirinko, R.S., Business fixed investment spending: a critical survey of modelling strategies, empirical results, and policy implications. J. Econ. Lit. 31, Voss, G.M., 22. Public and private investment in the United States and Canada. Economic Modelling 19,