Economia e suas complexidades.

há 3 horas

21 min de leitura

Quando comecei a estudar teoria da complexidade, para a pesquisa da minha tese de doutorado, me encantei com riquíssimas análises para a economia. Conheci, de início, os trabalhos de Hidalgo e Haussman. Ao me aprofundar em outras leituras, percebi que eu estava diante da ponta de um imenso iceberg. Para ser bem honesto com quem acompanha este espaço de reflexões, a sensação inicial foi a de entrar em uma biblioteca infinita achando que procurava um único livro, apenas para descobrir que o título daquele livro era, na verdade, o nome de uma ala inteira do edifício, dividida em múltiplos andares, corredores labirínticos e salas onde pesquisadores de tradições completamente diferentes debatiam.

À medida que os fichamentos se acumulavam na minha mesa, notei uma nuance linguística e epistemológica crucial. Na literatura internacional, especialmente em língua inglesa, existe uma diferença sutil, mas profunda, entre dois termos que nós, em português, muitas vezes traduzimos quase da mesma forma. De um lado, temos a Economic Complexity (Complexidade Econômica), essa vertente brilhante liderada por César Hidalgo e Ricardo Hausmann em Harvard e no MIT. De outro lado, existe um campo vasto, rebelde e fascinante chamado Complexity Economics (Economia da Complexidade), gestado no lendário Santa Fe Institute, por nomes como W. Brian Arthur, Doyne Farmer, Kenneth Arrow e Philip Anderson.

Neste post, quero convidar você para uma jornada pelas diferentes vertentes que unem economia e complexidade. Vamos explorar de onde elas vieram, como elas desafiam o cânone tradicional, quais são os seus métodos de investigação e, acima de tudo, como essas escolas conversam entre si quando precisamos sujar as mãos nos dados do mundo real.

O incômodo com o relógio perfeito da economia tradicional

Para entender por que a ideia de complexidade ganhou tanta força na economia nas últimas quatro décadas, precisamos primeiro olhar para o espelho retrovisor e compreender contra o que esses pesquisadores estavam reagindo. Durante grande parte dos séculos XIX e XX, a ciência econômica dominante (que costumamos chamar de economia neoclássica ou ortodoxa) construiu seu edifício teórico tentando imitar a física clássica pré-quântica, especialmente a mecânica newtoniana e os formalismos matemáticos do século XIX.

O matemático e pioneiro da inteligência artificial Warren Weaver, em um artigo clássico de 1948, fez uma distinção que ilumina perfeitamente esse ponto. Weaver argumentou que a ciência progrediu inicialmente resolvendo problemas de "simplicidade", aqueles sistemas com poucas variáveis que podiam ser descritos por trajetórias determinísticas, como o movimento de um pêndulo ou a órbita de um planeta ao redor do sol, usando o cálculo diferencial e equações diferenciais. Depois, a ciência aprendeu a lidar com a "complexidade desorganizada", sistemas com bilhões de variáveis aleatórias (como moléculas de gás em um recipiente), onde a matemática das médias e a mecânica estatística funcionavam maravilhosamente bem. O verdadeiro desafio científico moderno, dizia Weaver, residia no meio do caminho, nos problemas de "complexidade organizada". São sistemas compostos por um número considerável de partes que não agem de forma puramente aleatória, mas estão inter-relacionadas em um todo orgânico, onde a identidade dos elementos e a estrutura das suas conexões importam fundamentalmente.

A economia é, por excelência, um sistema de complexidade organizada. Contudo, antes da revolução dos computadores e da disponibilidade massiva de dados empíricos sobre o comportamento humano, os economistas não tinham ferramentas para lidar com essa confusão. Para tornar a economia tratável no papel e na caneta, visando provar teoremas elegantes do tipo Bourbaki, a disciplina fez escolhas metodológicas drásticas.

Como explica muito bem Doyne Farmer em seus textos, a economia tradicional estabeleceu uma abordagem de cima para baixo (top-down), exigindo que qualquer modelo digno da palavra "teoria" partisse de primeiros princípios axiomáticos. Esses princípios se sustentavam em três pilares fundamentais. O primeiro pilar era a maximização de utilidade por parte de agentes egoístas e hiper-racionais.

É a famosa figura do Homo economicus, que Farmer compara de forma bem-humorada ao Sr. Spock de Star Trek, um ser dotado de capacidade computacional infinita, que conhece todas as informações disponíveis e calcula instantaneamente a melhor decisão possível em qualquer cenário. Para evitar a dor de cabeça de lidar com milhões de consumidores e firmas diferentes (o problema da falácia da composição apontado por Keynes), os modelos macroeconômicos frequentemente reduziam toda a sociedade a um único "agente representativo".

O segundo pilar dizia respeito às crenças desses agentes, consolidado na hipótese das expectativas racionais, segundo a qual as previsões dos indivíduos são, em média, validadas pelos próprios resultados que essas previsões ajudam a criar. E o terceiro pilar, talvez o mais central de todos, era o conceito de equilíbrio geral walrasiano. A economia convencional escolheu não estudar como os padrões econômicos se formam ou se desdobram no tempo real. Em vez disso, ela perguntou quais comportamentos, preços e quantidades seriam consistentes entre si a ponto de não gerarem nenhum incentivo para que alguém mudasse de atitude. É um mundo em estase, atemporal, onde a oferta sempre iguala a demanda, os mercados se limpam continuamente e qualquer mudança só pode vir de um choque externo, exógeno ao sistema.

Durante muito tempo, esse arcabouço foi útil como uma aproximação de primeira ordem para situações estáticas e bem definidas. Mas o mundo real insistia em desobedecer ao modelo. Bolhas especulativas estouravam sem aviso, crises financeiras globais paralisavam o crédito, países pobres seguiam presos em armadilhas de subdesenvolvimento mesmo aplicando as receitas ortodoxas de abertura comercial, e tecnologias inferiores dominavam mercados inteiros por puro acidente histórico. A frustração com a incapacidade do modelo padrão de explicar a formação de estruturas, a inovação, a mudança qualitativa e a dinâmica fora do equilíbrio foi o combustível que deu origem ao que Richard Holt, Barkley Rosser Jr. e David Colander chamaram de a "era da complexidade na economia".

Como destacam esses autores, essa nova era não chegou através de uma revolução sangrenta que destruiu tudo o que havia antes, mas evoluiu gradualmente tanto de tensões internas ao próprio mainstream quanto do trabalho persistente de economistas heterodoxos, evolucionários, institucionalistas, ecológicos e pós-keynesianos. Em vez de partir do topo com grandes teorias matemáticas axiomáticas, o novo espírito científico propunha ir para as trincheiras, observar dados empíricos e experimentais, reconhecer que a economia é um sistema aberto e em constante mutação, e construir a compreensão de baixo para cima (bottom-up).

Mas como exatamente se constrói essa compreensão? É aqui que a nossa árvore genealógica se divide em grandes troncos.

As raízes históricas da dinâmica não-linear

Antes de chegarmos ao embate contemporâneo entre o grupo de Santa Fe e o grupo de Harvard/MIT, é importante notar que a percepção da economia como um sistema complexo tem precursores ilustres que escreveram muito antes de termos supercomputadores.

O próprio Adam Smith, ainda no século XVIII, ao descrever a fábrica de alfinetes e a metáfora da mão invisível, já intuía um fenômeno complexo fundamental. Ele percebeu que a riqueza coletiva e a ordem macroeconômica emergiam das interações descentralizadas de indivíduos buscando seus próprios interesses, e que esses padrões agregados, por sua vez, retroalimentavam e condicionavam o comportamento individual. Há um laço recursivo aí que é a própria essência da complexidade.

No século XIX e início do século XX, duas tradições mantiveram essa chama acesa. A primeira foi a visão evolucionária iniciada por Thorstein Veblen (que, aliás, foi quem cunhou o termo "neoclássico" justamente para criticar a falta de dinâmica evolutiva na economia padrão) e expandida por Joseph Schumpeter, com sua visão do capitalismo movido pela destruição criativa e inovação constante, nunca em repouso. A segunda tradição, muitas vezes surpreendente para quem associa complexidade apenas a políticas de intervenção estatal, veio da Escola Austríaca, especialmente através de Friedrich Hayek.

Como aponta Barkley Rosser Jr., Hayek foi um desenvolvedor precoce e independente da teoria da complexidade em seu famoso ensaio The Theory of Complex Phenomena, de 1967. Hayek dialogava diretamente com cientistas naturais de ponta da sua época e compreendia o mercado não como uma equação de alocação estática, mas como um processo espontâneo de auto-organização e processamento de informações dispersas e tácitas, onde estruturas de ordem superior emergem sem um planejador central.

Outro gigante solitário nessa caminhada foi o polímata Herbert Simon. Nos anos 1950 e 1960, navegando entre a economia, a psicologia cognitiva, a administração e a nascente inteligência artificial, Simon demoliu o mito do Homo economicus ao introduzir o conceito de racionalidade limitada (bounded rationality). Ele mostrou que seres humanos e organizações reais não otimizam funções matemáticas infinitas. Nós temos limites cognitivos e de tempo, usamos atalhos mentais (heurísticas), buscamos resultados satisfatórios em vez de ótimos, e nos organizamos em estruturas hierárquicas para lidar com um mundo incerto. Embora Simon tenha ganhado o Prêmio Nobel em 1978, a profissão econômica da época não tinha poder computacional para transformar a visão dele em modelos quantitativos em larga escala, deixando suas ideias na periferia por décadas.

Enquanto isso, nas ciências naturais e na matemática, uma revolução silenciosa ocorria na segunda metade do século XX em torno da dinâmica não-linear. Barkley Rosser Jr. classifica a absorção dessas ideias pela economia sob o rótulo de "complexidade de tenda ampla" (broad tent complexity), que evoluiu através do que ele chama de os "quatro Cs" sucessivos.

Cibernética (Cybernetics). Nascida nos trabalhos de Norbert Wiener no final dos anos 1940, trouxe para o debate a importância dos laços de retroalimentação (feedback loops), controle e comunicação em sistemas mecânicos, biológicos e sociais. Na economia e na gestão, isso floresceu na Dinâmica de Sistemas (Systems Dynamics) de Jay Forrester no MIT nos anos 1960, que usava estoques, fluxos e atrasos temporais para modelar ciclos industriais, urbanos e, mais tarde, os limites ecológicos do crescimento planetário.
Teoria da Catástrofe (Catastrophe Theory). Desenvolvida pelo matemático René Thom nos anos 1970, buscava explicar como pequenas variações contínuas em parâmetros de um sistema podiam provocar mudanças bruscas e descontínuas no seu estado (como o colapso repentino de uma bolsa de valores ou a mudança súbita de regime econômico).
Teoria do Caos (Chaos Theory). Muito popular nos anos 1980, mostrou como sistemas determinísticos relativamente simples e não-lineares podiam gerar comportamentos endógenos que pareciam completamente aleatórios, sem nunca convergir para um ponto fixo ou ciclo limite estável, exibindo extrema sensibilidade às condições iniciais.
Complexidade de sistemas adaptativos (ou "tenda pequena"). É a culminação desse processo, bebendo diretamente da termodinâmica fora do equilíbrio da Escola de Bruxelas, liderada pelo Nobel de Química Ilya Prigogine (com suas "estruturas dissipativas" que se auto-organizam consumindo energia em sistemas abertos), e da "sinergética" da Escola de Stuttgart, liderada pelo físico Hermann Haken.

Aqui também precisamos fazer justiça histórica à Economia Ecológica. Já em 1971, Nicholas Georgescu-Roegen publicava sua obra seminal sobre a Lei da Entropia e o processo econômico, lembrando aos economistas que a economia não é um carrossel perpétuo e isolado de valores monetários, mas um subsistema aberto, totalmente dependente da biosfera, que absorve matéria e energia de baixa entropia e devolve resíduos e calor dissipado. Essa visão sistêmica, irreversível e evolutiva de Georgescu-Roegen e Kenneth Boulding plantou sementes fundamentais para o modo como hoje conectamos complexidade e transição para a sustentabilidade.

A revolução do Santa Fe Institute e a Complexity Economics

Se todos esses ingredientes estavam fervilhando, o momento em que eles se fundiram em um programa de pesquisa coeso tem data e local de nascimento bem documentados. Foi em setembro de 1987, em um convento alugado nas colinas de Santa Fé, no Novo México, onde funcionava o recém-criado Santa Fe Institute (SFI).

O encontro histórico reuniu vinte pesquisadores durante dez dias para debater "a economia como um sistema complexo em evolução". De um lado da mesa estavam dez economistas teóricos de peso, liderados pelo Nobel de Economia Kenneth Arrow. Do outro lado estavam dez físicos, biólogos e cientistas da computação, liderados pelo Nobel de Física Philip Anderson. Enquanto os físicos tentavam entender por que os economistas eram tão obcecados por teoremas de equilíbrio geral e jogos não-cooperativos estáticos, os economistas ouviam fascinados sobre modelos de vidro de spin (spin glass), redes booleanas de Stuart Kauffman, algoritmos genéticos de John Holland e transições de fase.

Para coordenar o primeiro programa de pesquisa econômica do SFI, foi escolhido o economista e matemático W. Brian Arthur, que mais tarde, em um artigo na revista Science em 1999, batizaria oficialmente essa abordagem de Complexity Economics (Economia da Complexidade).

O que define, afinal, a escola de Santa Fé?

Brian Arthur gosta de dizer que a Economia da Complexidade não é um caso especial ou um complemento exótico da economia neoclássica. Pelo contrário, a economia do equilíbrio é que é um caso muito especial e restrito da economia do não-equilíbrio. A Economia da Complexidade é a ciência econômica feita de uma maneira mais geral. Em vez de ver a economia como uma máquina estática, perfeita e atemporal, ela enxerga um sistema vivo, orgânico, em perpétua computação de si mesmo, cheio de uma vitalidade bagunçada.

Para organizar didaticamente o pensamento dessa vertente (que autores como Rosser chamam de complexidade de "tenda pequena", focada na interação de agentes heterogêneos), podemos recorrer à excelente síntese de cinco dimensões feita por Eric Beinhocker no livro The Origin of Wealth e amplamente discutida na literatura por autores como Timothy Foxon, Sergiu Scrieciu e Ron Martin.

Dinâmica fora do equilíbrio (Out-of-equilibrium dynamics). A economia é um sistema aberto, não-linear e dinâmico, que raramente, ou nunca, repousa em equilíbrio. Mudanças não vêm apenas de choques externos. Como os agentes estão constantemente mudando suas estratégias em resposta aos resultados que eles mesmos criam em conjunto, o próprio sistema gera novidade, volatilidade agrupada e instabilidade de forma endógena. O tempo aqui é o tempo histórico real, irreversível, marcado por dependência de trajetória (path dependence).
Agentes heterogêneos com racionalidade limitada. Sai de cena o Sr. Spock e entram seres humanos e firmas reais, diversos entre si. Diante da incerteza fundamental sobre o futuro (já que ninguém pode prever perfeitamente o que todos os outros agentes vão inventar amanhã), os agentes usam o raciocínio indutivo. Eles tentam dar sentido (sense-making) à situação em que estão, formulam hipóteses internas, aplicam regras práticas, erram, aprendem com a experiência e adaptam seu comportamento ao longo do tempo.
Redes de interação (Networks). Os agentes não interagem apenas de forma anônima através de um vetor abstrato de preços ditado por um leiloeiro invisível. Eles interagem localmente e diretamente uns com os outros através de redes sociais, comerciais, financeiras e produtivas que também mudam e evoluem no tempo. Quando o grau de conectividade dessas redes atinge certos limiares, pequenos eventos locais podem se propagar em cascata, gerando transições de fase em todo o sistema.
Emergência e auto-organização (Emergence). Os padrões macroeconômicos (como ciclos de negócios, distribuição de renda, formação de preços, bolhas financeiras ou gargalos em cadeias de suprimentos) emergem de baixo para cima a partir das interações microeconômicas. Assim como um único neurônio não possui consciência, mas a interação de 85 bilhões deles no cérebro faz emergir o pensamento, a macroeconomia apresenta propriedades qualitativamente novas que não podem ser compreendidas olhando apenas para uma firma ou consumidor isolado.
Evolução e criação de estruturas (Evolution). A economia forma uma ecologia de comportamentos, tecnologias e instituições onde estratégias competem e cooperam por sobrevivência. Novas tecnologias surgem pela recombinação de tecnologias existentes, criando nichos para novas firmas e exigindo novos arranjos institucionais, num processo evolutivo aberto que aumenta a ordem e a complexidade do sistema ao longo do tempo.

Um conceito teórico que nasceu diretamente do trabalho pioneiro de Brian Arthur nessa vertente é o de retornos crescentes de adoção (increasing returns) e aprisionamento tecnológico (lock-in). Na economia tradicional, prevalece a hipótese dos retornos decrescentes, que garante um equilíbrio único e previsível (se uma fazenda usa mais terra, a produtividade marginal cai; se um produto fica escasso, o preço sobe e freia a demanda). Arthur mostrou que, especialmente em setores intensivos em conhecimento e alta tecnologia, ocorre o oposto, pois quanto mais um padrão tecnológico é adotado, mais aprendizado ele acumula, mais produtos complementares surgem na rede e mais fácil fica para novos usuários adotarem aquela mesma tecnologia. Pequenos eventos históricos ou acidentes no início do processo são amplificados por retroalimentação positiva (positive feedback), podendo trancar uma economia inteira ou um território em uma trajetória específica. Para quem estuda por que certas regiões ficam historicamente aprisionadas em modelos primário-exportadores ou economias de enclave enquanto outras deslancham em cadeias industriais sofisticadas, entender a matemática e a lógica do path dependence de Brian Arthur é indispensável.

Os métodos da escola de Santa Fé

Mas como essa turma operacionaliza tudo isso se as equações analíticas tradicionais não dão conta do recado? A resposta está na revolução computacional. Enquanto a economia padrão é uma ciência baseada em equações, a Economia da Complexidade é, em grande medida, uma ciência procedural e algorítmica.

A ferramenta metodológica rainha dessa vertente é a Modelagem Baseada em Agentes (Agent-Based Modeling ou ABM), também conhecida na literatura como Economia Computacional Baseada em Agentes (Agent-Based Computational Economics ou ACE), impulsionada por pesquisadores como Leigh Tesfatsion, Joshua Epstein, John Miller, Scott Page, Cars Hommes e o próprio Doyne Farmer.

Em vez de escrever um sistema de equações de otimização e resolver para o equilíbrio, o pesquisador que usa ABM cria uma economia artificial dentro do computador, povoada por milhares ou milhões de agentes virtuais autônomos e heterogêneos (famílias, empresas de diferentes setores, bancos, órgãos reguladores). A cada agente são atribuídas regras de decisão realistas baseadas em dados empíricos, heurísticas comportamentais ou algoritmos de aprendizado (como aprendizado por reforço ou algoritmos genéticos). O pesquisador então "dá a partida" no programa e observa como esses agentes interagem passo a passo no tempo, comprando insumos, ajustando preços, demitindo ou contratando trabalhadores, sem nenhuma imposição de que o mercado precise fechar em equilíbrio a cada rodada.

Como relata Doyne Farmer em seu livro recente, com computadores hoje cerca de um bilhão de vezes mais rápidos do que na época de Herbert Simon e dados granulares em escala inédita, os modelos ABM deixaram de ser apenas "brinquedos conceituais" qualitativos para se tornarem ferramentas quantitativas de previsão de ponta. Durante a pandemia de COVID-19 e na análise dos impactos econômicos da Guerra na Ucrânia sobre a Áustria, por exemplo, modelos baseados em agentes calibrados com dados reais de redes produtivas superaram em muito as previsões dos modelos macroeconômicos tradicionais de equilíbrio geral dinâmico estocástico (DSGE) usados pelos Bancos Centrais.

A escola de Harvard e MIT e a Economic Complexity (ECA)

Agora, façamos um corte: saímos das simulações dinâmicas de agentes no Novo México e viajamos para a costa leste dos Estados Unidos, mais precisamente para Cambridge, Massachusetts, na segunda metade dos anos 2000. É lá, na interseção entre o Center for International Development da Harvard Kennedy School e o Media Lab do MIT, que ganha corpo a vertente que primeiro me encantou no doutorado, o campo da Complexidade Econômica (Economic Complexity ou Economic Complexity Analysis - ECA).

A origem dessa escola é o encontro intelectual improvável e fértil entre duas mentes de formações distintas. De um lado, Ricardo Hausmann, um economista do desenvolvimento venezuelano altamente experiente (que já havia sido ministro do planejamento e economista-chefe do Banco Interamericano de Desenvolvimento), que vinha trabalhando com Dani Rodrik e Bailey Klinger em questões cruciais sobre por que a estrutura da cesta de exportações de um país importa tanto para o seu crescimento econômico e como o desenvolvimento é um processo de "autodescoberta" (self-discovery) de custos e possibilidades produtivas. De outro lado, César Hidalgo, um jovem físico estatístico chileno que havia feito seu doutorado estudando a ciência das redes complexas sob a orientação de ninguém menos que Albert-László Barabási, um dos pais da teoria moderna de redes livres de escala (scale-free networks).

Juntos, em dois artigos seminais publicados na Science em 2007 (The Product Space Conditions the Development of Nations, com Klinger e Barabási) e na PNAS em 2009 (The Building Blocks of Economic Complexity), e mais tarde consolidados no famoso The Atlas of Economic Complexity (2011, 2014), Hidalgo e Hausmann inauguraram uma revolução empírica na economia do desenvolvimento, na geografia econômica e nos estudos de inovação.

Qual era a grande inquietação teórica de ambos? Eles olhavam para os modelos tradicionais de crescimento econômico (tanto os neoclássicos à la Solow quanto as próprias teorias de crescimento endógeno de Romer, Grossman, Helpman e Aghion) e viam um problema grave de agregação. A economia tradicional tentava explicar a riqueza das nações somando tudo em um grande número monetário chamado PIB, e relacionando esse PIB a fatores agregados genéricos como "capital físico em dólares", "capital humano medido em anos de escolaridade" ou índices abstratos de qualidade institucional. Pior ainda, as funções de produção padrão tratavam diferentes produtos como perfeitamente substituíveis entre si, ou assumiam, nos modelos ricardianos de comércio, que a probabilidade de um país ter vantagem comparativa na fabricação de aviões a jato era um sorteio estatístico independente do fato de aquele país produzir atualmente café em grão ou automóveis.

Para Hidalgo e Hausmann, isso ignorava o coração do desenvolvimento econômico. Inspirados na intuição original de Adam Smith sobre a divisão do trabalho, nas teorias de crescimento endógeno que viam o conhecimento como um bem não-rival, e também nas ideias clássicas do estruturalismo desenvolvimentista de Albert Hirschman e da tradição latino-americana da CEPAL (como Celso Furtado e Raúl Prebisch), eles propuseram a Teoria das Capacidades (Capabilities Theory), muitas vezes ilustrada pela famosa metáfora das peças de Lego.

A ideia central é a seguinte: o conhecimento produtivo humano é vasto, multifacetado e, em sua parte mais crítica, tácito. O conhecimento tácito (conceito que remonta a Michael Polanyi) é aquele saber-fazer prático que não pode ser facilmente escrito em um manual, codificado em uma equação ou enviado por e-mail. Ele é difícil de transferir, exige aprendizado na prática e é geograficamente "pegajoso" (sticky). Como um único indivíduo tem um limite biológico e cognitivo para o quanto de conhecimento tácito consegue acumular na vida (aquilo que Hidalgo chama de um personbyte em seu livro Why Information Grows), para fabricar produtos sofisticados (como um tomógrafo de ressonância magnética, uma turbina eólica ou combustível sustentável de aviação), a sociedade precisa dividir esse conhecimento entre muitos especialistas diferentes e, crucialmente, reconectá-los através de redes complexas de organizações, firmas, normas técnicas, infraestrutura logística e instituições específicas.

Portanto, os produtos que vemos no mercado são a expressão visível (o fenótipo) de pacotes invisíveis e altamente complementares de capacidades produtivas (o genótipo) presentes em um território. Países ou regiões ricas e complexas são aquelas que possuem um balde cheio de peças de Lego variadas (muitas capacidades tecnológicas, regulatórias, humanas e de infraestrutura) e conseguem combiná-las para montar estruturas altamente sofisticadas que pouquíssimos outros lugares no mundo sabem fazer. Já economias simples, muitas vezes presas em modelos de enclave exportador de commodities brutas, possuem poucas capacidades locais, conseguindo produzir apenas bens básicos que quase qualquer país com recursos naturais semelhantes também consegue exportar.

Os métodos da Complexidade Econômica (ECA)

Aqui entra a genialidade metodológica dessa escola. Se as capacidades locais (especialmente as tácitas) são tão difíceis de definir e medir diretamente sem cair em subjetividades, como podemos estudá-las cientificamente? Hidalgo e Hausmann responderam adotando uma abordagem baseada em resultados (outcomes-based approach), usando técnicas de ciência de redes complexas, álgebra linear (análise espectral) e aprendizado de máquina (machine learning), especificamente técnicas de redução de dimensionalidade.

Em vez de somar os dados econômicos (perdendo a informação sobre o que está sendo feito), os métodos de ECA preservam a identidade fina de milhares de atividades econômicas. Eles observaram que os países e municípios não diversificam suas economias dando saltos aleatórios no escuro. Eles se movem para o "adjacente possível", entrando em atividades que exigem capacidades produtivas semelhantes àquelas que já existem no território. Calculando a probabilidade condicional de dois produtos serem co-exportados pelo mesmo conjunto de países, Hidalgo e seus coautores mapearam o Espaço de Produtos (Product Space). Essa rede revelou uma topografia desigual do capitalismo global. No centro denso da floresta estão a metalmecânica, a química fina, os eletrônicos e os equipamentos industriais, altamente conectados entre si, facilitando o pulo de um galho para o outro. Na periferia esparsa e isolada da rede estão os produtos agrícolas brutos, o petróleo e os minérios (como a soja em grão não processada ou a simples exportação de commodities energéticas primárias). Quem está na periferia tem enorme dificuldade de pular para o centro porque a distância de capacidades é grande demais, o que explica de forma empírica e visual a persistência das economias de enclave. Para guiar políticas industriais e estratégias de especialização inteligente (Smart Specialization), calcula-se a densidade (density) ao redor de cada nova atividade potencial, cruzando o quão próximo aquele novo setor está da base atual do território com o ganho de complexidade que ele traria se fosse implantado.

O diálogo com outras escolas de pensamento econômico

Ao colocar essas lentes lado a lado na minha pesquisa, ficou claro como o pensamento da complexidade não flutua no vácuo, mas estabelece pontes com várias outras escolas de pensamento econômico.

A primeira conexão íntima é com a Economia Evolucionária e Neo-Schumpeteriana e a Geografia Econômica Evolucionária (EEG). Autores como Richard Nelson, Sidney Winter, Giovanni Dosi, Carlota Perez, Jason Potts, Stan Metcalfe e John Foster há muito tempo rejeitavam o equilíbrio neoclássico, focando em rotinas organizacionais, trajetórias tecnológicas e processos de seleção de mercado. Para eles, a unidade fundamental de análise muitas vezes não é nem o micro isolado nem o macro agregado, mas o nível mesoeconômico. O nível meso é onde uma nova regra, tecnologia ou cadeia produtiva surge, é adotada por uma população de portadores e reconfigura a estrutura do sistema. Quando a escola de Hidalgo e Hausmann formalizou o conceito de relatedness (relacionabilidade) e conectou redes de produtos, indústrias, patentes e ocupações no espaço geográfico, ela forneceu aos geógrafos econômicos evolucionários uma munição quantitativa sem precedentes para estudar como o conhecimento transborda (spillovers) dentro de cidades e regiões.

A segunda ponte é a conexão com o Estruturalismo Latino-Americano (CEPAL) e a Economia do Desenvolvimento Clássica. Quando lemos Celso Furtado discutindo o subdesenvolvimento como uma conformação estrutural específica (e não como uma simples "etapa" atrasada rumo ao desenvolvimento), ou Albert Hirschman em 1958 defendendo o desenvolvimento desequilibrado através da criação deliberada de encadeamentos para trás e para frente (backward and forward linkages) na matriz produtiva, percebemos que Hidalgo e Hausmann estão falando exatamente a mesma língua, só que armados com matrizes de big data e álgebra linear do século XXI. A superação da deterioração dos termos de troca e do modelo de enclave primário-exportador passa, tanto em Furtado e Hirschman quanto na Complexidade Econômica moderna, pela transformação estrutural e pela internalização de etapas produtivas intensivas em conhecimento e capacidades locais.

Uma terceira interseção hoje é com a Economia Ecológica e os Estudos de Transição para a Sustentabilidade. Nos últimos anos, vimos uma explosão de trabalhos unindo as duas pontas da complexidade para enfrentar a crise climática. De um lado, na tradição de Santa Fé e da dinâmica de sistemas, pesquisadores como Timothy Foxon, Doyne Farmer e Sergiu Scrieciu usam modelos baseados em agentes e análise de redes de produção granulares para simular como políticas de descarbonização, impostos de carbono e investimentos em tecnologias limpas se propagam pela economia real sem exigir o pressuposto irreal de equilíbrio ótimo. De outro lado, na tradição das métricas de redes, pesquisadores como Penny Mealy, Alexander Teytelboym, João Prates Romero e Camila Gramkow adaptaram o ferramental de Hidalgo e Hausmann para criar o Green Product Space (Espaço de Produtos Verdes) e o Índice de Complexidade Verde. Eles investigam quais capacidades produtivas existentes em um território podem ser recombinadas para viabilizar cadeias da economia verde (como energias renováveis, hidrogênio verde e biocombustíveis avançados) e como a complexidade produtiva ajuda a reduzir a intensidade de emissões.

Por fim, vale mencionar o diálogo mais cauteloso com o Pós-Keynesianismo e o Institucionalismo Crítico. Embora compartilhem a rejeição total à Lei de Say, ao equilíbrio automático de mercado e enfatizem a incerteza fundamental no tempo histórico, autores pós-keynesianos e metodólogos do realismo crítico fazem um alerta importante. Eles advertem contra o perigo de reduzir a complexidade ontológica da realidade social (que envolve relações de poder, conflitos distributivos, instituições políticas e construção intersubjetiva de significado humano) a modelos puramente mecânicos ou termodinâmicos importados da física, onde agentes parecem átomos ou formigas seguindo regras fixas. É um lembrete saudável de que modelos formais e métricas de rede são bússolas poderosas, mas nunca substituem a economia política, a história e a compreensão institucional profunda do território.

Para deixar cristalina a diferença entre as duas principais escolas que carregam o nome "complexidade" hoje na fronteira da pesquisa econômica, vale a pena colocá-las frente a frente. Embora alguns pesquisadores excepcionais transitem pelas duas (o próprio Doyne Farmer, um dos fundadores do grupo de Santa Fé, publicou em 2019 na Science Advances, junto com Penny Mealy e Alexander Teytelboym, um artigo brilhante desvendando matematicamente o significado do ECI de Hidalgo e Hausmann), elas possuem identidades próprias muito marcadas.

Dimensão de Análise	Complexity Economics (Economia da Complexidade)	Economic Complexity (Complexidade Econômica / ECA)
Berço Institucional Principal	Santa Fe Institute (SFI), Oxford (INET), escolas europeias de Bruxelas e Stuttgart.	Harvard University (CID), MIT Media Lab, Universidade de Utrecht.
Autores de Referência	W. Brian Arthur, J. Doyne Farmer, Alan Kirman, Leigh Tesfatsion, Barkley Rosser Jr., Eric Beinhocker, David Colander.	César Hidalgo, Ricardo Hausmann, Ron Boschma, Pierre-Alexandre Balland, Luciano Pietronero, Paulo Gala.
Pergunta Central	Como comportamentos e interações microeconômicas de agentes heterogêneos fora do equilíbrio geram padrões macroeconômicos emergentes e evolução no tempo?	Como a estrutura de capacidades produtivas e de conhecimento de um território determina o que ele consegue produzir, sua renda, desigualdade e opções de diversificação?
O Alvo da Crítica ao Mainstream	Os pressupostos comportamentais e dinâmicos da micro e macroeconomia padrão (Homo economicus, expectativas racionais e equilíbrio geral walrasiano).	A agregação excessiva nas teorias de crescimento e comércio internacional (que somam produtos heterogêneos em PIB e ignoram a especificidade das capacidades).
Unidade Básica de Observação	O agente adaptativo (firma, família, investidor, banco) e suas regras de decisão e interação em rede.	A matriz geográfica de resultados produtivos (países, estados ou municípios conectados a produtos, indústrias, patentes ou ocupações).
Método Principal	Simulação computacional generativa, Modelagem Baseada em Agentes (ABM), sistemas dinâmicos não-lineares e física estatística.	Ciência de redes (grafos bipartidos), redução de dimensionalidade (álgebra linear/autovetores), machine learning e econometria estrutural.
Natureza Epistemológica	Explicativa e generativa ("para entender um fenômeno macro, você precisa ser capaz de fazê-lo emergir de baixo para cima na simulação").	Descritiva, preditiva e diagnóstica (funciona como um "escore de risco ou propensão" médico que infere capacidades ocultas a partir de dados observados).

Olhar para essa tabela nos ajuda a desfazer muita confusão conceitual. Quando usamos o ECI ou o Product Space de Hidalgo e Hausmann, não estamos modelando agentes tomando decisões fora do equilíbrio minuto a minuto. Na verdade, como o próprio César Hidalgo reconhece de forma muito lúcida em sua revisão de 2021 na Nature Reviews Physics e em seu artigo de 2023 na Research Policy, a Complexidade Econômica (ECA) vive uma tensão interessante. Por um lado, sua teoria baseia-se na ideia micro de que o conhecimento e as capacidades são altamente específicos e granulares. Por outro lado, suas métricas empíricas operam majoritariamente no nível macro ou regional (países, estados, municípios), funcionando como indicadores sintéticos de resultado.

Hidalgo usa uma analogia médica para explicar isso. Pense no escore de risco cardíaco de um paciente. Esse escore combina vários fatores (idade, tabagismo, peso, dieta, genética) em um único número que prevê com alta precisão a chance de um infarto. Porém, o número do escore em si não é a causa biológica do infarto, e para tratar o paciente o médico precisa intervir nos fatores reais subjacentes (mudar a dieta, cortar o cigarro). Da mesma forma, o ECI e a densidade do Product Space são escores de propensão formidáveis que diagnosticam o potencial de uma estrutura econômica e apontam onde estão as "frutas mais baixas" (low-hanging fruit) para a diversificação produtiva. Mas quando uma região decide dar um salto mais ambicioso, criando elos produtivos que ainda não existem no território para romper com uma condição histórica de enclave, o índice de comércio ou emprego passado sozinho não diz como construir a fábrica, de onde virá a água, a energia renovável, a logística ferroviária ou o treinamento da mão de obra.

É exatamente nesse ponto que a análise macro de redes precisa descer ao chão da fábrica, da engenharia de processos, da pesquisa operacional (como os problemas de localização de facilidades sob restrições territoriais) e do mapeamento qualitativo e técnico dos gaps de capacidades reais.

O que tudo isso ensina para quem pesquisa o desenvolvimento no mundo real?

Chegando ao fim desta reflexão, volto ao ponto onde comecei, naquela mesa cheia de artigos tentando costurar a proposta da minha tese de doutorado. O que aprendemos ao percorrer todo esse mapa das complexidades econômicas?

Primeiro, aprendemos uma lição de humildade. Nenhum modelo isolado detém o monopólio da verdade sobre um sistema tão intrincado quanto a economia. A visão da complexidade nos liberta da camisa de força de achar que o mercado deixado à própria sorte sempre encontrará o melhor dos mundos possíveis em um equilíbrio estático. Pelo contrário, aprendemos com Brian Arthur e a escola de Santa Fé que os mercados reais estão sujeitos a retornos crescentes, assimetrias e aprisionamentos históricos (lock-ins). Se um estado ou região periférica se especializou historicamente em exportar commodities agrícolas in natura ou recursos energéticos brutos sem processamento local, as forças espontâneas de curto prazo tendem a reforçar esse enclave, e não a superá-lo.

Segundo, aprendemos com Hidalgo, Hausmann, Boschma e Balland que o desenvolvimento econômico verdadeiro não cai do céu nem é resultado apenas de estabilidade macroeconômica abstrata. Desenvolvimento é transformação estrutural. É a acumulação paciente, coordenada e estratégica de capacidades produtivas complexas e conhecimentos tácitos no território, permitindo que pessoas e empresas locais se conectem em redes mais densas para gerar produtos de maior valor agregado e menor pegada ambiental.

Mais do que tudo, compreender as diferentes vertentes da complexidade nos mostra que os maiores desafios do nosso tempo exigem que a gente combine o melhor desses dois mundos. Precisamos das lentes de redução de dimensionalidade, do ECI municipal e da densidade do espaço de produtos para enxergar a floresta e diagnosticar a posição estrutural dos nossos territórios. Mas precisamos também da visão sistêmica de processos, das interações locais, da atenção às restrições biofísicas e da coragem intelectual de desenhar novos elos produtivos onde hoje existem apenas lacunas.