Sovereign ESG and the Hydrological Constraint: Rethinking the Determinants of Water Stress

Resumo Técnico: ESG Soberano e a Restrição Hidrológica

Definição do Problema
O artigo aborda uma fragmentação conceitual e metodológica na literatura sobre o estresse hídrico. Enquanto a hidrologia trata o estresse hídrico (a razão entre as retiradas de água doce e os recursos renováveis disponíveis) como um resultado físico determinado pelo clima e pelos sistemas terrestres, a ciência política e os estudos de desenvolvimento o tratam como um resultado institucional impulsionado pela governança e pelas regras de alocação. Essas duas perspectivas raramente foram testadas conjuntamente em uma mesma amostra de países utilizando um arcabouço unificado. Além disso, os estudos transnacionais existentes frequentemente falham em distinguir entre movimentos temporais intra-país e diferenças estruturais entre países, e frequentemente negligenciam não linearidades e a validação por aprendizado de máquina. Os autores aplicam o arcabouço de ESG (Ambiental, Social e de Governança) Soberano do Banco Mundial ao estresse hídrico pela primeira vez, testando se esses três pilares explicam a restrição hidrológica e identificando os determinantes específicos dentro de cada um.

Metodologia
O estudo analisa até 170 economias observadas entre 2002 e 2022 (com variações no tamanho da amostra devido à disponibilidade de dados para indicadores específicos). A variável dependente é o logaritmo natural da razão entre a retirada de água doce e a disponibilidade. Os autores estimam três equações distintas, cada uma compartilhando a mesma variável dependente, mas diferindo apenas no bloco de regressores fornecido pelos pilares ESG:

1. Equação Ambiental: 170 economias, 3.501 observações (2000–2021).
2. Equação Social: 99 economias, 2.113 observações (2001–2022).
3. Equação de Governança: 170 economias, 3.421 observações (2002–2022).

Cada equação é analisada ao longo de três trilhas paralelas para garantir robustez e triangulação metodológica:

• Trilha 1: Econometria de Painel: Utilizando sete estimadores, incluindo OLS Agrupado (Pooled OLS), Efeitos Fixos (FE), Efeitos Aleatórios (RE), Between, Mínimos Quadrados Ponderados (WLS) e GMM de duas etapas (Diferença e Sistema). Os diagnósticos incluem testes de dependência de seção transversal (Pesaran), autocorrelação (Woeldridge) e colinearidade. Crucialmente, o bloco de governança aborda a alta colinearidade (0,81–0,95) entre os Indicadores de Governança Mundial (WGI) empregando a Análise de Componentes Principais (PCA) para criar variáveis ortogonalizadas (Qualidade Institucional e Equilíbrio Institucional), em vez de inserir dimensões correlacionadas lado a lado.
• Trilha 2: Agrupamento Não Supervisionado (Clustering): Seis algoritmos (DBSCAN, Fuzzy C-Means, Hierárquico, K-Means, GMM baseado em modelo, Proximidade de Floresta Aleatória) competem para classificar os países com base em seus perfis ESG-água. A seleção baseia-se em onze índices de validade interna (ex: Silhueta, Calinski-Harabasz, HHI) e uma regra de admissibilidade que exige que todas as economias sejam atribuídas a um grupo.
• Trilha 3: Validação Supervisionada: Seis aprendizes (Regressão Linear, Árvore de Regressão, KNN, SVM Linear, Boosting, Floresta Aleatória) são avaliados para validar a forma funcional das especificações econométricas, em vez de realizar previsões. Uma escolha de design crítica envolve dois esquemas de validação: uma retenção aleatória de 70/30 e uma validação cruzada de cinco dobras agrupada, onde países inteiros são retidos para evitar o vazamento de dados (data leakage ou memorização da identidade do país).

Principais Resultados

• Natureza Estrutural do Estresse Hídrico: O achado mais fundamental é que 99,1% da variância do logaritmo do estresse hídrico reside entre os países, enquanto apenas 0,9% reside dentro deles ao longo do período de 20 anos. Isso indica que o estresse hídrico é um atributo estrutural do território nacional, não uma variável que flutua significativamente ano a ano em resposta a políticas ou choques climáticos.
• Pilar Ambiental:
  • Determinantes: A cobertura florestal e a densidade populacional são os principais preditores. A cobertura florestal mostra uma forte relação transversal negativa, enquanto a densidade populacional é a única variável que permanece significativa no modelo de Efeitos Fixos (intra-país), sugerindo que a urbanização impulsiona a pressão dinâmica.
  • Não linearidade: O aprendizado de máquina revela uma dependência parcial em forma de U para terras agrícolas (o estresse cai e depois sobe). O índice de seca (SPEI), embora carregue o maior coeficiente transversal no bloco, torna-se quase irrelevante sob validação agrupada (perda de dropout de 0,71%), indicando que ele discrimina entre países, mas não explica nada dentro deles.
  • Validação: Sob validação cruzada agrupada, a Floresta Aleatória supera ligeiramente os modelos lineares (R² 0,41 vs. 0,31), mas a especificação linear captura a maior parte da estrutura.
• Pilar Social:
  • Inversão de Sinal: Há uma inversão sistemática de sinal entre os estimadores Between e de Efeitos Fixos para variáveis como saneamento e combustíveis limpos para cozinha. Os coeficientes transversais refletem confusão geográfica (economias áridas e de alta renda possuem alta cobertura de serviços e alto estresse), não mecanismos sociais causais.
  • Impulsionadores Intra-país: Apenas a taxa de fertilidade e a subnutrição sobrevivem à transformação within, movendo-se conjuntamente como parte de uma trajetória de desenvolvimento compartilhada.
  • Agrupamento (Clustering): O bloco social é amplamente unidimensional (gradiente de desenvolvimento). No entanto, emerge um grupo distinto de "Alto estresse e baixa participação", caracterizado por níveis intermediários de desenvolvimento, mas com participação na força de trabalho restrita e alto estresse hídrico.
  • Validação: Aprendizes flexíveis apresentam desempenho inferior aos modelos lineares quando os países são retidos (R² cai para próximo de zero ou negativo), indicando que os indicadores sociais são fracos preditores da variação entre países uma vez que a identidade do país é removida.
• Pilar de Governança:
  • O Nulo sobre Qualidade Institucional: O nível de qualidade institucional (o primeiro componente principal de quatro indicadores WGI, absorvendo 91,9% de sua variância) não tem relação com o estresse hídrico em nenhum estimador.
  • O Sinal na Composição: O segundo componente principal, que representa a "responsabilidade relativa à capacidade estatal", carrega um forte coeficiente negativo (−1,10) nos modelos transversais. Economias com alta capacidade administrativa, mas baixa responsabilidade (ex: estados rentistas do Golfo), exibem o maior estresse hídrico.
  • Preditor Dominante: A razão de participação da força de trabalho feminina em relação à masculina é o preditor mais significativo em todos os três pilares. Sua dependência parcial revela uma descontinuidade aguda (uma função degrau) concentrada em um intervalo de cinco pontos (55–59%), uma característica invisível às especificações lineares.
  • Validação: A Regressão Linear supera todos os aprendizes flexíveis sob validação cruzada agrupada (R² 0,27 vs. 0,08), confirmando que a relação é efetivamente linear e que nenhuma estrutura não linear está sendo perdida pelo modelo econométrico.

Significância e Alegações
O artigo afirma resolver três lacunas na literatura:

1. Conceitual: É o primeiro estudo a aplicar a decomposição de ESG soberano ao estresse hídrico como uma variável dependente, comparando o poder explicativo dos três pilares em uma amostra comum.
2. Estimativa: Ao separar o movimento intra-país da estrutura entre países, demonstra que os estudos de caso e a literatura transnacional estão respondendo a perguntas diferentes. O achado de que 99,1% da variância é estrutural desafia a suposição de que o estresse hídrico é uma variável de política responsiva a ajustes anuais.
3. Metodológica: Trata a colinearidade dos indicadores de governança como um problema substantivo de medição (exigindo ortogonalização) em vez de um incômodo de estimação. Também utiliza o aprendizado de máquina não para previsão, mas para validar a adequação das formas funcionais lineares e para detectar não linearidades específicas (U de terras agrícolas, degrau de participação laboral).

Os autores concluem que o estresse hídrico é uma restrição que os estados herdam, e não uma performance que eles entregam. Consequentemente, o "nível" de qualidade institucional é informativo para a avaliação hídrica soberana; em vez disso, a composição das instituições (especificamente o equilíbrio entre capacidade e responsabilidade) e fatores estruturais como a participação na força de trabalho são os determinantes críticos. O artigo argumenta que o arcabouço de ESG soberano deve incorporar o estresse hídrico não como uma métrica de desempenho avaliada, mas como um fator de risco estrutural, dado seu caráter de movimento lento e orientado por dotações (endowments).