Creating meanings, changing contexts: contested sustainability in the Brazilian beef industry

O objetivo desta pesquisa é compreender de que forma as organizações moldam seu ambiente, analisando por que algumas práticas tornam-se reconhecidas como ‘sustentáveis’ na indústria de carne bovina brasileira. O estudo dialoga com a literatura de institucionalismo organizacional ao apontar a necessidade de considerar a política (i.e. as negociações entre atores) e significados, a fim de entender como a estabilidade e a mudança institucional ocorrem em um contexto situado (i.e. em um tempo e espaço específicos). A pesquisa conclui que os entendimentos sobre o que poderia ser reconhecido como ‘sustentabilidade’ são o resultado de atores moldando o seu ambiente por meio de ações e interações que produzem significados. Seguindo uma abordagem de hegemonia, essas disputas não são apenas entre os atores que procuram vantagens recursivas, mas também procuram defender ou atacar as lógicas sociais que apoiam a posição dominante dos atores. Além disso, os atores exercem sua agência sobre as condições no presente (i.e. contexto situado), com base em um passado herdado e com o objetivo de produzir um futuro que eles imaginam. Para analisar tais processos uma abordagem de hegemonia entre atores e lógicas sociais foi desenvolvida para destacar a ordem de negociação, uma arena em que os atores lutam pela hegemonia. Como resultado de tais negociações, uma questão focal emerge, influenciando o discurso e interesses dos atores, bem como justificando as iniciativas, programas e tecnologias sobre tal questão; construindo, portanto, o consenso. Baseando-se em Realismo Crítico e Análise Crítica do Discurso, a pesquisa desenvolveu um estudo de caso longitudinal suportado por documentos públicos e confidenciais e entrevistas com especialistas, para examinar o caminho da sustentabilidade na indústria de carne bovina brasileira. Identificou-se três contextos diferentes para agência em relação à sustentabilidade. Enquanto no primeiro verifica-se um silêncio sobre práticas de sustentabilidade, o segundo enfatiza a emergência do desmatamento da Amazônia como uma questão focal, devido à agência do Greenpeace e MPF que força a indústria a desenvolver um sistema de monitoramento que rastreie seus fornecedores de gado de modo a evitar compra de suprimentos associadas ao desmatamento da Amazônia, dentre outras atividades ilegais. Finalmente, durante o terceiro contexto, o sistema de monitoramento permite que indústria de carne bovina se aproprie da sustentabilidade, assim o setor da carne passa a construir a sua legitimidade para influenciar sobre os riscos e oportunidades associadas ao contexto da sustentabilidade. Em termos de lógicas sociais, o desmatamento na Amazônia foi denunciado como um problema ambiental, nesta indústria, ancorado em algumas características da lógica do capitalismo, como a gestão de riscos, inovação e aumento da produtividade, cadeia de fornecimento global e governança. Embora este ataque questione a racionalidade da maximização racional lucro, impondo restrições ambientais para o comportamento das empresas, a solução desenvolvida é também ancorada sobre as mesmas características do capitalismo empregadas para atacá-lo. Como consequência, uma mudança gradual é ilustrada por uma transformação na ‘eficiência quantitativa’ do capitalismo, o aumento da produtividade devido à mudança da proporção de recursos consumidos para produção e à preocupação em evitar o desmatamento da Amazônia. No entanto, a ‘eficiência qualitativa’ do capitalismo é preservada uma vez que os grupos dominantes no poder ainda estão controlando os meios de produção e os recursos a eles associados (i.e. dinheiro, poder e legitimidade). Uma vez que estes processos de negociações são mediados pela racionalidade de se evitar risco aos negócios, consequentemente, a maximização do lucro, o núcleo duro da lógica do capitalismo é preservado. Portanto, os grupos dominantes mantêm sua hegemonia.

Formation and destruction of coalition groups under economic growth

This paper introduces a model economy in which formation of coalition groups under technological progress is generated endogenously. The coalition formation depends crucially on the rate of arrival of new technologies. In the model, an agent working in the saroe technology for more than one period acquires skills, part of which is specific to this technology. These skills increase the agent productivity. In this case, if he has worked more than one period with the same technology he has incentives to construct a coalition to block the adoption of new technologies. Therefore, in every sector the workers have incentives to construct a coalition and to block the adoption of new technologies. They will block every time that a technology stay in use for more than one period.

Inference in differences-in-differences with few treated groups and heteroskedasticity

Differences-in-Differences (DID) is one of the most widely used identification strategies in applied economics. However, how to draw inferences in DID models when there are few treated groups remains an open question. We show that the usual inference methods used in DID models might not perform well when there are few treated groups and errors are heteroskedastic. In particular, we show that when there is variation in the number of observations per group, inference methods designed to work when there are few treated groups tend to (under-) over-reject the null hypothesis when the treated groups are (large) small relative to the control groups. This happens because larger groups tend to have lower variance, generating heteroskedasticity in the group x time aggregate DID model. We provide evidence from Monte Carlo simulations and from placebo DID regressions with the American Community Survey (ACS) and the Current Population Survey (CPS) datasets to show that this problem is relevant even in datasets with large numbers of observations per group. We then derive an alternative inference method that provides accurate hypothesis testing in situations where there are few treated groups (or even just one) and many control groups in the presence of heteroskedasticity. Our method assumes that we can model the heteroskedasticity of a linear combination of the errors. We show that this assumption can be satisfied without imposing strong assumptions on the errors in common DID applications. With many pre-treatment periods, we show that this assumption can be relaxed. Instead, we provide an alternative inference method that relies on strict stationarity and ergodicity of the time series. Finally, we consider two recent alternatives to DID when there are many pre-treatment periods. We extend our inference methods to linear factor models when there are few treated groups. We also derive conditions under which a permutation test for the synthetic control estimator proposed by Abadie et al. (2010) is robust to heteroskedasticity and propose a modification on the test statistic that provided a better heteroskedasticity correction in our simulations.

Inference in differences-in-differences with few treated groups and heteroskedasticity

Differences-in-Differences (DID) is one of the most widely used identification strategies in applied economics. However, how to draw inferences in DID models when there are few treated groups remains an open question. We show that the usual inference methods used in DID models might not perform well when there are few treated groups and errors are heteroskedastic. In particular, we show that when there is variation in the number of observations per group, inference methods designed to work when there are few treated groups tend to (under-) over-reject the null hypothesis when the treated groups are (large) small relative to the control groups. This happens because larger groups tend to have lower variance, generating heteroskedasticity in the group x time aggregate DID model. We provide evidence from Monte Carlo simulations and from placebo DID regressions with the American Community Survey (ACS) and the Current Population Survey (CPS) datasets to show that this problem is relevant even in datasets with large numbers of observations per group. We then derive an alternative inference method that provides accurate hypothesis testing in situations where there are few treated groups (or even just one) and many control groups in the presence of heteroskedasticity. Our method assumes that we know how the heteroskedasticity is generated, which is the case when it is generated by variation in the number of observations per group. With many pre-treatment periods, we show that this assumption can be relaxed. Instead, we provide an alternative application of our method that relies on assumptions about stationarity and convergence of the moments of the time series. Finally, we consider two recent alternatives to DID when there are many pre-treatment groups. We extend our inference method to linear factor models when there are few treated groups. We also propose a permutation test for the synthetic control estimator that provided a better heteroskedasticity correction in our simulations than the test suggested by Abadie et al. (2010).