Indústria em perspectiva

pindustrialA competitividade da indústria brasileira tem motivado intensos debates nos últimos anos. Alguns autores, inclusive, identificados com o "novo-desenvolvimentismo", têm ressaltado o processo de desindustralização da economia brasileira, seja em termos de emprego, seja em termos de valor adicionado. Seja esse o nome correto ou não, o fato concreto é que o Custo Unitário de Produção tem se elevado continuamente, tornando nosso parque industrial menos resistente à pressão dos importados. O custo unitário reflete um avanço maior dos salários vis a vis a produtividade, que está diretamente ligado às opções de política econômica feitas nos últimos anos. Desse modo, o resultado da produção industrial, divulgado recentemente pelo IBGE, deve ser visto em perspectiva. Ainda que o resultado mensal tenha sido muito ruim, é preciso qualificá-lo em um plano mais abrangente: visualizando o comportamento do índice em horizonte maior de tempo. Isso ajuda a suavizar as variações mensais - bastante influenciadas por questões sazonais - colocando em relevo os aspectos mais estruturais do processo.

O gráfico acima ilustra esse aspecto da análise. Toma-se o comportamento da indústria geral nos últimos três anos, no acumulado em 12 meses. Além disso, abre-se o índice em seis ramos: veículos, alimentos, celulose, borracha, metalurgia e máquinas e equipamentos. Somados, eles representam 40% do Valor de Transformação Industrial (VTI), métrica que reflete o que cada etapa agrega ao produto ao longo do processo de produção. O VTI, desse modo, é uma proxy do Valor Adicionado utilizado nas Contas Nacionais, sendo a diferença entre o Valor Bruto da produção industrial e os seus custos operacionais.

Em termos gerais, a indústria retomou, no segundo semestre de 2013, uma perspectiva de crescimento, como ilustrado pelo comportamento das barras no gráfico. O acumulado em 12 meses fechou em 1,2% em dezembro, ante -2,5% no mesmo mês de 2012 e 0,4% em 2011. Salienta-se, entretanto, que essa métrica avalia os últimos doze meses contra os doze meses imediatamente anteriores. Em outros termos, o índice reflete a comparação entre um período muito ruim (2012), com um período um pouco melhor (2013) para o setor industrial. Vale observar, nesse sentido, o menor avanço dos salários, do lado da oferta e o novo patamar de câmbio, do lado da demanda.

Em relação ao dado de dezembro, queda de 3,5%, em comparação ao mês anterior, é preciso qualificar. Em primeiro lugar, como pode ser observado no gráfico abaixo (dica do Claudio Shikida e execução de Ricardo Lima), a produção industrial apresenta, sazonalmente, médias mensais menores (as linhas vermelhas) no final do ano. Isso é compreensível, dado que as encomendas para o Natal fazem a produção atingir um pico em outubro, declinando em novembro e dezembro. Os pontos azuis representam o nível de produção ao longo de 2013, refletindo o comportamento médio histórico. Em segundo lugar, o setor de veículos teve declínio de 17,5% no mês, contribuindo soberbamente para essa queda. Os dados da Anfavea complementam a análise: queda de 18 ,6% na produção de autoveículos entre dezembro/novembro. Desse modo, o número do mês não revela muita coisa sobre as perspectivas da indústria.

pimpfshikida2Observa-se, dado o VTI e as correlações entre variações mensais  e acumuladas da indústria geral e dos 27 ramos, que a produção de veículos apresenta o maior grau de associação com o resultado global da indústria. O VTI do ramo representa 7% da indústria geral e seus imputs e outputs (a intersecção com outros outros ramos industrias) são significativos para explicar as correlações apresentadas: 72% da variação mensal e 96% do acumulado em 12 meses, no período de três anos.  Em outros termos, a produção de veículos parece ser uma proxy importante para o comportamento da indústria ao longo desse ano.

Nesse contexto, novamente, os dados da Anfavea podem nos ajudar em descobrir se a retomada verificada pelo primeiro gráfico é consistente. O crescimento em janeiro foi de 2,9%, em relação a dezembro, número considerado bom pelo setor. Com a redução da inadimplência verificada ao longo de 2013, as perspectivas para venda de veículos são melhores, o que pode indicar que a indústria geral poderá manter a retomada. De outra forma, a crise vivida pela Argentina diminui nossas vendas, o que imputa riscos importantes para um cenário de crescimento mais robusto.

No quadro geral, os empresários do setor de veículos automotores estão otimistas, prevendo crescimento em torno de 2% em 2014. Se as associações verificadas fizerem sentido, a indústria deve manter a retomada exposta no primeiro gráfico, mas nada muito considerável, dada a continuação dos problemas de competitividade que a assolam. O comportamento da produtividade parece ser o ponto a ser observado, dado que a taxa de desemprego deve continuar baixa, pressionando os salários. O cenário, em assim sendo, é de crescimento, mas nada muito robusto.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como a IA pode auxiliar na otimização de Portfólio de Investimentos?

A construção de portfólio ótimo refere-se ao processo de alocar eficientemente capital entre um conjunto predefinido de ativos ou títulos. O campo da construção de portfólio tem sido extensivamente estudado por acadêmicos e profissionais desde a década de 1950, quando Markowitz introduziu sua inovadora abordagem de média-variância para a construção de portfólio. Diante disso, podemos melhorar o processo de alocação de peso de um investimento em um portfólio através do Aprendizado não supervisionado com a aplicação do Hierarchical Risk Parity (HRP). Neste exercício, realizamos uma introdução ao método e mostramos os resultados de um exemplo criado através do Python.

Prevendo múltiplas séries usando IA no Python

Como podemos realizar previsões para várias séries temporais simultaneamente? Para abordar essa questão, empregamos a biblioteca MLForecastdo Python. Esta biblioteca disponibiliza uma variedade de modelos e funcionalidades para realizar previsões em séries temporais utilizando técnicas de aprendizado de máquina. Demonstramos sua aplicação ao prever as curvas de energia horária em quatro regiões distintas do Brasil.

Esse exercício é uma continuação do exercício “Usando IA para prever o consumo de energia no Brasil com Python”.

Estudo de Caso: Impacto do Metro em São Paulo

O que é Pareamento? E o que significa Propensity Score? Como podemos utilizar essa ferramenta para auxiliar no estudo da avaliação de impacto? Neste post, oferecemos uma breve introdução a esse importante método da área de inferência causal, acompanhado de um estudo de caso para uma compreensão mais aprofundada de sua aplicação. Os resultados foram obtidos por meio da implementação em Python, como parte integrante do nosso curso sobre Avaliação de Políticas Públicas utilizando esta linguagem de programação.Quer saber como essa análise foi construída? Seja aluno do nosso curso Avaliação de Políticas Públicas usando Python, e tenha acesso às aulas teóricas e práticas, com o código disponibilizado em Python.

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.