The Remittance Blueprint: Data-driven Intelligence for Sri Lanka

Resumo Técnico: O Plano Diretor de Remessas: Inteligência Baseada em Dados para o Sri Lanka

Definição do Problema
O Sri Lanka depende fortemente das remessas de trabalhadores, que constituem 6–9% do seu PIB e servem como um amortecedor crítico durante crises econômicas, como o incumprimento da dívida soberana de 2022. Apesar desta importância, a investigação existente sobre as remessas do Sri Lanka é amplamente descritiva ou baseia-se em métodos econométricos transversais que falham ao não ajustar a não estacionaridade ou integrar fatores macro-demográficos. Existe uma carência de análise de séries temporais de alta granularidade capaz de capturar choques macroeconômicos de curto prazo e a complexa interação entre condições domésticas, impulsionadores econômicos globais e padrões de migração. Este estudo aborda estas lacunas através do desenvolvimento de um quadro baseado em dados para analisar 32 anos de dados de migração e prever fluxos futuros para apoiar a sustentabilidade da dívida e a gestão de reservas.

Metodologia
O estudo emprega um quadro analítico abrangente e de múltiplos estágios, utilizando um conjunto de dados harmonizado de 384 observações mensais abrangendo o período de 1994–2025.

• Coleta e Pré-processamento de Dados: Os dados foram agregados a partir de oito fontes autoritativas, incluindo o Banco Central do Sri Lanka (CBSL), Banco Mundial, SLBFE, ILO e FRED. O conjunto de dados integra indicadores demográficos (gênero, níveis de qualificação, idade, duração do contrato), variáveis macroeconômicas domésticas (PIB, inflação, desemprego, salários) e fatores externos (taxas de câmbio, preços do petróleo Brent, PIB do país de destino). Os valores ausentes foram tratados via imputação hierárquica e interpolação, com cuidado específico para manter as observações do ano da crise de 2022 como quebras estruturais analiticamente significativas em vez de outliers.
• Análise Estatística e Econométrica:
  • Teste de Estacionaridade: Os testes Augmented Dickey-Fuller (ADF) e KPSS confirmaram que as séries primárias são integradas de ordem um, I(1), necessitando de diferenciação de primeira ordem.
  • Inferência Causal: O estudo utilizou testes de causalidade de Granger e de cointegração de Johansen para identificar relações de equilíbrio de longo prazo.
  • Modelo de Vetor de Correção de Erros (VECM): Um VECM foi especificado para modelar tanto a dinâmica de curto prazo quanto o equilíbrio de longo prazo, permitindo o cálculo de funções de resposta ao impulso (IRF) e decomposição da variância do erro de previsão (FEVD).
  • Detecção de Quebra Estrutural: Testes de Chow foram aplicados para identificar mudanças de regime em datas históricas (2018, 2020).
• Aprendizado de Máquina e Previsão:
  • Aprendizado Não Supervisionado: O agrupamento K-Means foi utilizado para detectar regimes macroeconômicos distintos.
  • Aprendizado Supervisionado: A Regressão Ridge foi empregada para a previsão, escolhida pela sua capacidade de lidar com a multicolinearidade e aplicar a regularização L2 para evitar o sobreajuste (overfitting) à volatilidade da crise de 2022.
  • Comparação de Baseline: O modelo de Regressão Ridge foi comparado com um modelo univariado SARIMA(2, 1, 0)(1, 0, 0)12 utilizando uma estratégia de validação Walk-Forward de janela expansiva.

Principais Contribuições

1. Construção de Dataset: Criação de um conjunto de dados de 32 anos e 384 meses, interpolando oito fontes de dados diversas, preenchendo a lacuna entre agregados anuais e granularidade mensal.
2. Integração Metodológica: Desenvolvimento de um quadro integrado que conecta tendências demográficas, impulsionadores macroeconômicos e padrões temporais utilizando inferência causal corrigida por estacionaridade (VECM) e aprendizado de máquina regularizado.
3. Análise de Quebra Estrutural: Identificação de três quebras estruturais históricas e a engenharia de atributos explícita do período da crise de 2022 para modelar regimes hiperinflacionários e de depreciação cambial.
4. Estrutura de Previsão: Implementação de um modelo de Regressão Ridge que supera significativamente as abordagens univariadas tradicionais, fornecendo uma previsão robusta para 2026.

Resultos

• Impulsionadores de Remessas: A análise revela que os fluxos de remessas são impulsionados principalmente por variáveis macroeconômicas externas, especificamente a dinâmica das taxas de câmbio e os preços do petróleo mundial, em vez de indicadores domésticos como inflação ou desemprego.
• Mudanças Demográficas: Observa-se uma mudança estrutural de gênero, com a migração movendo-se de uma força de trabalho predominantemente feminina e qualificada em meados da década de 1990 para uma composição de competências cada vez mais polarizada e predominantemente masculina. A queda na parcela feminina qualificada projeta-se que comprimirá estruturalmente os rendimentos per capita das remessas.
• Dinâmicas Causais:
  • Preços do Petróleo: Um choque positivo nos preços globais do petróleo gera um aumento sustentado e estatisticamente significativo nas remessas ao longo de 12 meses, confirmando a transmissão da prosperidade econômica do Golfo.
  • Taxas de Câmbio: A depreciação da moeda provoca uma contração imediata nos fluxos de remessas oficiais durante os primeiros três meses. A análise de resposta ao impulso sugere um período de "esperar para ver", onde os fundos são desviados para redes informais de Hawala para capturar prêmios do mercado paralelo antes que os canais oficiais se recuperem.
  • Velocidade de Ajuste: O VECM indica um coeficiente de velocidade de ajuste de aproximadamente -0,15, o que significa que o sistema corrige cerca de 15% do desequilíbrio por mês, retornando à estabilidade em cerca de 6,7 meses.
• Desempenho Preditivo: O modelo de Regressão Ridge multivariado reduziu o Erro Quadrático Médio (RMSE) anualizado de USD 1.889 milhões (baseline SARIMA) para USD 494,8 milhões, representando uma melhoria de 73,8% na precisão.
• Previsão: Sob condições macroeconômicas estáveis, o modelo projeta as entradas de remessas para 2026 em USD 9.001 milhões.

Significância e Alegações
O artigo afirma que as suas descobertas destacam a dependência estrutural das remessas do Sri Lanka em relação às economias globais, particularmente ao mercado de trabalho do Oriente Médio e aos ciclos de preços do petróleo. Argumenta-se que as remessas funcionam como um estabilizador macroeconômico ativo, em vez de uma transferência de renda passiva.

Os autores afirmam que o estudo fornece uma ferramenta crítica para formuladores de políticas, especificamente:

• Política de Taxa de Câmbio: Enfatizando a necessidade de uma taxa de câmbio flexível e de equilíbrio de mercado para evitar o desvio de fundos da diáspora para canais informais durante períodos de depreciação.
• Estratégia de Migração: Destacando a necessidade de qualificação da migração (particularmente em construção, saúde e logística) para combater a erosão dos rendimentos per capita causada pelo declínio da migração feminina qualificada.
• Resiliência Econômica: Demonstrando que modelos de aprendizado de máquina multivariados, que incorporam regressores externos, oferecem capacidades de previsão superiores aos modelos tradicionais de séries temporais univariadas, auxiliando assim na melhor gestão de reservas e no planeamento da sustentabilidade da dívida sob programas do FMI.

O estudo conclui que, embora o modelo ofereça uma base robusta, reconhece limitações relativas à incapacidade da estrutura linear em capturar totalmente transições de regime não lineares e a exclusão de fluxos migratórios não documentados. Trabalhos futuros propõem incorporar dados de transações digitais de alta frequência e variáveis de acordos migratórios bilaterais.