Opinião e Análise

Ana Frazão

Como já se viu ao longo da presente série, realizar uma Análise de Impacto Regulatório (AIR) bem feita é algo bastante complexo e que requer diversos cuidados. Mesmo que se parta da premissa da possibilidade de quantificação de todas as variáveis em jogo – o que já se viu não ser possível -, os desafios para isso costumam ser tão grandes que dificilmente conseguem ser superados de forma exitosa.
<a href="https://conteudo.jota.info/poder-contato"><img class="size-medium wp-image-292717 aligncenter" src="https://www.jota.info/wp-content/uploads/2021/01/jota-pro-poder.jpg" alt="" width="688" height="688" /></a>
Não é sem razão que o Laboratório de Regulação Econômica da UERJ, em seu relatório Análise de Impacto Regulatório: Panorama Geral<a href="applewebdata://FA192D6E-2FA7-42F6-9490-40B5215A84D7#_ftn1" name="_ftnref1">[1]</a>, concluiu no sentido de que, mesmo no plano internacional, o cenário é pessimista para as AIRs:
“Ao mesmo tempo, a dificuldade em quantificar custos e benefícios – especialmente estes últimos - torna a prática da AIR de difícil execução. A literatura internacional apresenta, de modo geral, um cenário pessimista com relação à avaliação de impactos. Hahn e Dudley (2007), analisando as regulações da agência de proteção ambiental dos Estados Unidos (EPA), concluíram que mais de 70% das análises da amostra não forneceram qualquer informação quantitativa sobre os benefícios líquidos. Ellig, McLaughlin e Morrall (2012) chegaram à conclusão similar, indicando que a qualidade das grandes regulações (major regulations) promulgadas entre 2008-2010 é baixa, sendo alguns tipos ainda piores, como as regulações orçamentárias e as de fim de mandato. A experiência europeia é similar, sendo a AIR considerada ação simbólica (Radaelli, 2010) – ou seja, uma política que confere aspecto de mudança, mas, na prática, preserva o status quo. Mais otimista são os resultados de Cecot et al (2008), que observaram uma melhora na qualidade das análises ao longo do tempo, e de acordo com o impacto potencial (i.e., AIRs com custos potenciais mais elevados também apresentam melhores análises)” (grifos nossos)
Como se pode observar, o diagnóstico do relatório confirma vários dos riscos anteriormente já apontados, especialmente o de que, a pretexto de se apresentarem como instrumentos de inovação, as AIRs acabem se tornando meras ações simbólicas, que criem a aparência de mudança, mas na prática preservem o status quo. Mais preocupante ainda é o risco de tais análises ocultarem, sob o simulacro da tecnicidade, decisões que são substancialmente políticas.
Além das dificuldades inerentes à quantificação, é importante lembrar que a interpretação é fundamental para a compreensão dos resultados das AIRs. Nesse ponto, os desafios são ainda maiores, pois não é simples encontrar relações de causalidade em assuntos humanos complexos e sujeitos a diversas variáveis, ainda mais quando se quer usar esse instrumental para embasar predições de médio e longo prazo.
Não se pode esquecer que o que as análises quantitativas costumam revelar são correlações ou outras associações entre variáveis, mas não propriamente causalidades. Daí por que existe uma limitação natural para a utilização das AIRs como fontes de diagnósticos de relações de causa e efeito, inclusive para o fim de predizer impactos de alternativas regulatórias.
Na verdade, ao se adentrar mais profundamente nas discussões atuais sobre o que pode ser considerada uma relação causal - como propõe, dentre outros autores, Judea Pearl<a href="applewebdata://FA192D6E-2FA7-42F6-9490-40B5215A84D7#_ftn2" name="_ftnref2">[2]</a> -, observa-se como é difícil o percurso para a demonstração da causalidade nos assuntos humanos, o que envolve diversas etapas e reflexões normalmente não abarcadas em análises quantitativas.
Mesmo com a introdução do auxílio imprescindível da estatística, é preciso lembrar também das próprias limitações desta, como alerta Darrell Huff<a href="applewebdata://FA192D6E-2FA7-42F6-9490-40B5215A84D7#_ftn3" name="_ftnref3">[3]</a>:
“A linguagem secreta da estatística, tão atraente em uma cultura voltada para fatos, é empregada para apelar, inflar, confundir e levar a simplificações exageradas. Métodos e termos estatísticos são necessários para relatar dados de tendências sociais e econômicas, condições de negócios, pesquisas de opinião e censos. No entanto, sem redatores que usem as palavras com honestidade e conhecimento, e sem leitores que saibam o que elas significam, o resultado só pode ser um absurdo semântico”.
Daí o cuidado que se deve ter com o que Darrell Huff chama de “estatística corrompida”, o que pode decorrer de inúmeras estratégias, tais como amostras pequenas ou com tendenciosidade embutida, médias bem escolhidas – que podem ocultar as desproporções entre os extremos da amostragem –, dentre inúmeras outras “técnicas”.
É por essa razão que é fundamental a análise atenta dos aspectos básicos de aferição da idoneidade da estatística: (i) quem a apresenta, (ii) quais são as fontes, (iii) como a informação foi obtida, (iv) o que pode estar faltando na análise, dentre outros aspectos. Todos esses cuidados devem se juntar ao esforço indispensável para se distinguir correlação de causalidade, uma vez que mesmo altas correlações podem não ter nenhum significado do ponto de vista causal.
<blockquote class="jota-article__eye">Tais aspectos mostram claramente que as mesmas limitações da racionalidade que justificam a utilização das estatísticas nos assuntos humanos podem ser utilizadas para deturpar e corromper as estatísticas, da parte de quem as elabora e as difunde.</blockquote>
Igualmente se pode verificar que as limitações da racionalidade humana podem fazer com que as estatísticas sejam indevidamente compreendidas pelos seus destinatários, tanto naquilo que pretendem demonstrar, como naquilo que muitas vezes procuram ocultar. Com efeito, não é raro que uma estatística seja utilizada para encobrir a realidade, destacando apenas um panorama parcial, normalmente a favor daquele a quem a estatística aproveita, a partir do qual se procura apresentar uma solução para o todo.
Assim, as metodologias quantitativas e estatísticas, apesar de serem importantes para a compreensão dos fenômenos humanos, precisam ser submetidas à criterioso escrutínio, a fim de verificar que aspecto da realidade é por elas retratado e se foi retratado de forma aceitável e com um mínimo de rigor científico.
Sob essa perspectiva, não deve haver qualquer presunção de veracidade ou mesmo de superioridade científica de tais metodologias, simplesmente porque apresentam números. Da mesma forma que Shakespeare, no Mercador de Veneza, mencionava que o diabo pode citar as escrituras sagradas para seus propósitos, assim também pode acontecer com os números, como foi brilhantemente sintetizado por Gregg Easterbrook: “Torture numbers, and they’ll confess to anything.”
É por essas razões que não procede o argumento de que é melhor alguma análise quantitativa ou algum número do que nada. Trata-se de mais uma equivocada conclusão que potencializa, ainda mais, os estragos que podem decorrer de AIRs mal feitas.
Como bem aponta Aldred<a href="applewebdata://FA192D6E-2FA7-42F6-9490-40B5215A84D7#_ftn4" name="_ftnref4">[4]</a>, um número equivocado ou reducionista pode acionar diversos vieses e limitações de racionalidade, mais prejudicando do que ajudando na tomada de uma decisão acertada, já que as pessoas podem ser influenciadas por pontos de partida irrelevantes. Como exemplo, o autor cita a experiência com juízes alemães, que fixavam penas maiores ou menores conforme o resultado do lançamento arbitrário de dados antes do momento da decisão<a href="applewebdata://FA192D6E-2FA7-42F6-9490-40B5215A84D7#_ftn5" name="_ftnref5">[5]</a>.
Trata-se do chamado efeito âncora ou ancoragem, fartamente documentado na literatura sobre economia comportamental<a href="applewebdata://FA192D6E-2FA7-42F6-9490-40B5215A84D7#_ftn6" name="_ftnref6">[6]</a>, o que é potencializado por diversas das falhas do raciocínio estatístico já apontadas anteriormente. Dentre elas, Kahneman<a href="applewebdata://FA192D6E-2FA7-42F6-9490-40B5215A84D7#_ftn7" name="_ftnref7">[7]</a> destaca, por exemplo, as distorções decorrentes da lei dos pequenos números, que é a confiança exagerada em amostragens pequenas.
Tal aspecto realça ainda mais os equívocos da ideia de que somente é satisfatório o conhecimento que pode ser quantificado e os riscos de que, na tentativa de se quantificar tudo, sejam ignoradas coisas importantes - porque são difíceis ou impossíveis de serem quantificadas - ou sejam distorcidos ou mal representados os fatos que estamos querendo mensurar.
Consequentemente, é preciso superar essa idolatria insensata dos números, até porque pode ser melhor nenhum número do que um número claramente equivocado ou tendencioso, que pode atrapalhar ou até mesmo impedir outros tipos de análises e julgamentos. Em outras palavras, ou nos esforçamos para ter AIRs com qualidade e rigor metodológico, além de serem inclusivas do ponto de vista da participação social, ou é melhor não tê-las.
Ademais, os números sozinhos não são capazes de abarcar toda a complexidade dos fenômenos humanos, razão pela qual as análises quantitativas, apesar da sua inegável relevância, não substituem os julgamentos ou outros tipos de avaliações qualitativas. Tal ponto que será explorado no último artigo desta série, que será divulgado na próxima semana.
<hr />
O episódio 54 do podcast Sem Precedentes discute o julgamento da 2ª Turma do STF, que decidiu que Moro foi parcial em suas decisões no caso do tríplex do Guarujá contra Lula. Ouça:
https://www.youtube.com/watch?v=Xm3qid_RRA4
<hr />
<a href="applewebdata://FA192D6E-2FA7-42F6-9490-40B5215A84D7#_ftnref1" name="_ftn1">[1]</a> <a href="https://1b664b0f-ca91-4a83-ac3f-bc2c7fc2dd38.filesusr.com/ugd/dd1b35_577f9342d2a440268cee1479069e9aca.pdf" target="_blank" rel="noopener noreferrer">https://1b664b0f-ca91-4a83-ac3f-bc2c7fc2dd38.filesusr.com/ugd/dd1b35_577f9342d2a440268cee1479069e9aca.pdf</a>, p. 15.
<a href="applewebdata://FA192D6E-2FA7-42F6-9490-40B5215A84D7#_ftnref2" name="_ftn2">[2]</a> PEARL, Judea. The book of why. The new science of cause and effect. New York: Basic Books, 2018.
<a href="applewebdata://FA192D6E-2FA7-42F6-9490-40B5215A84D7#_ftnref3" name="_ftn3">[3]</a> HUFF, Darrell. Como mentir com estatística. Rio de Janeiro: Edições Financeiras S.A., 1968.
<a href="applewebdata://FA192D6E-2FA7-42F6-9490-40B5215A84D7#_ftnref4" name="_ftn4">[4]</a> ALDRED, Jonathan. Licence do be Bad. How Economics Corrupted Us. UK: Allen Lane/Penguim Books, 2019.
<a href="applewebdata://FA192D6E-2FA7-42F6-9490-40B5215A84D7#_ftnref5" name="_ftn5">[5]</a> Op.cit., p. 212.
<a href="applewebdata://FA192D6E-2FA7-42F6-9490-40B5215A84D7#_ftnref6" name="_ftn6">[6]</a> KAHNEMAN, Daniel. Rápido e Devagar. Duas formas de pensar. Tradução de Cassio Leite. São Paulo: Objetiva, 2011, Capítulo 11.
<a href="applewebdata://FA192D6E-2FA7-42F6-9490-40B5215A84D7#_ftnref7" name="_ftn7">[7]</a> Op.cit.

foto x pixabay

https://images.jota.info/wp-content/uploads/2021/09/copy-of-jota-logo-high-cmyk.jpeg

JOTA

Por que pode ser melhor não ter nenhum número do que ter um número equivocado ou tendencioso?

Perspectivas das Análises de Impacto Regulatório (AIRs) no Brasil

Por que pode ser melhor não ter nenhum número do que ter um número equivocado ou tendencioso?