3. ANÁLISE DOS EFEITOS DAS POLÍTICAS SETORIAIS SOBRE O
3.3. Resultados e Análise das Políticas Setoriais para a Indústria Automobilística
Como já mencionado anteriormente, o trabalho objetiva analisar as vendas de veículos leves e comerciais leves através utilizando as variáveis normalmente apontada pela literatura econômica, adicionando-se um teste de causalidade entre a alíquota de IPI e a venda de veículos, com o objetivo principal avaliar o desempenho da indústria automobilística, sob a perspectiva da quantidade de veículos vendidos, diante das diferentes políticas setoriais que foram praticadas no período 2000-2017, capturando, inclusive, os efeitos do recém concluído INOVAR-AUTO.
Séries temporais, como as propostas pelo presente trabalho, tendem a apresentar determinados comportamentos que, ao momento de se analisar sua cointegração geram erros
probatórios. Assim, as variáveis explicativas renda (r), preço (p) e crédito (c), sendo representadas, respectivamente, pelo PIB, IPA e Concessão de crédito, tende a ser séries não estacionarias, ou seja, que não mantém suas características média, variância, autocorrelação de forma constante ao longo do tempo. Em sua maioria, as séries temporais mostram ciclos e sazonalidades ao longo do tempo. Isso fica claro na análise gráfica, como demonstrada abaixo.
Figura 17 – Séries temporais de venda (V), preço (P), renda (R) e crédito (C) - 2000-2017*
Fonte: Elaboração própria. Gretl
* Venda (V) –unidades de veículos / Preço (P) –IPA 12/07=100 / Renda (R) – PIB a preços correntes R$ deflacionado pelo IPC / Crédito (C) – Concessão de crédito em milhões de R$ deflacionado pelo IPC
Tendo em vista a não estacionariedade das séries, optou-se pela primeira diferenciação de cada variável para serem integradas em mesma ordem.
50000 100000 150000 200000 250000 300000 350000 400000 450000 2001 2005 2009 2013 2017 V 22 24 26 28 30 32 34 2001 2005 2009 2013 2017 P 50000 60000 70000 80000 90000 100000 110000 120000 2001 2005 2009 2013 2017 R 0 500 1000 1500 2000 2500 3000 3500 4000 2001 2005 2009 2013 2017 C
Quadro 20 – Resultados do teste estatístico de Dickey-Fuller Aumentado (ADF) Variável Teste sem constante Teste com constante Com constante e tendência
V 0,6481 0,5204 0,8602 P 0,4537 0,922 0,7361 R 0,9737 0,7744 0,7031 C 0,6216 0,2799 0,6636 Log V 0,8311 0,5741 0,8336 Log P 0,4191 0,9412 0,7333 Log R 0,9891 0,7184 0,8143 Log C 0,8116 0,1794 0,4428
1ª dif. Log V* 6,67E-14 6,88E-13 2,34E-12
1ª dif. Log P* 2,33E-09 4,95E-08 4,53E-08
1ª dif. Log R* 2,02E-16 8,40E-18 2,43E-18
1ª dif. Log C* 4,29E-36 1,41E-40 8,08E-53
*Nota: Estatisticamente significativo 10% Fonte: Elaboração própria. Gretl
Assim, a cointegração das variáveis gerou o seguinte resultado, com as variáveis explicativas com os sinais esperados e todos estaticamente significativos. Ademais o R² apresentou um valor de 57,88%.
Quadro 21 - Modelo MQO, usando as observações 2000:06-2017:12 (T = 211) Variável dependente:
ld_V Coeficiente Erro Padrão razão-t p-valor
const −0,0113801 0,00706487 −1,611 0,1087
ld_P −4,07755 1,06849 −3,816 0,0002***
ld_R 2,68714 0,206898 12,99 <0,0001***
ld_C 0,130122 0,0311033 4,184 <0,0001***
Média var. dependente 0,002491 D.P. var. dependente 0,155462
Soma resíd. quadrados 2,137943 E.P. da regressão 0,101628
R-quadrado 0,578763 R-quadrado ajustado 0,572658
F(3, 207) 94,80311 P-valor(F) 1,21E-38
Log da verossimilhança 185,0614 Critério de Akaike −362,1228
Critério de Schwarz −348,7154 Critério Hannan-Quinn −356,7033
rô −0,199985 Durbin-Watson 2,284622
Fonte: Elaboração própria. Gretl
Entretanto, para a validação do modelo é necessário analisar os resíduos que é gerado pelo mesmo, de tal forma a excluir a possibilidade de uma regressão espúria. Desta forma, foi
identificado que os resíduos são estacionários, o que demonstra um equilíbrio de longo prazo e indica uma combinação linear entre os dados que foram integrados (Sonaglio e Flor, 2015). Os modelos acima demonstrados foram estimados através dos critérios de Akaike (AIC) com cinco defasagens. O teste ADF para os resíduos da regressão mostrou estatisticamente significativo.
Quadro 22 – Resultados do teste estatístico de Dickey-Fuller Aumentado (ADF) para os resíduos do modelo
Variável Teste sem constante Teste com constante Com constante e tendência
Resíduos 5,12E-17 2,24E-16 5,79E-17
Fonte: Elaboração própria. Gretl
Assim, para corroborar com a solidez do modelo proposto foi realizado o Teste White para a verificação de heterocedasticidade, uma vez que a hipótese de homocedasticidade condiciona as variáveis explicativas, a variância do erro, ε, sendo constante. Em caso de heterocedasticidade os erros-padrão estimados serão viesados e, com isso, não seria possível utilizar as estatísticas t (Student), F (teste de significância) e LM (Multiplicador de Lagrange). Tendo em vista isso, o teste apresentou:
Estatística de teste: LM = 138,742
Com p-valor = P(Qui-quadrado(9) > 138,742) = 1,87606e-025
Assim, com p-valor estatisticamente significativo não se rejeitou a hipótese nula, ou seja, não existe heterocedasticidade no modelo e, portanto, pode ser considerado homocedástico.
Nota-se, pois, que as vendas de veículos leves e comerciais leves no Brasil são fortemente determinadas pelo nível de renda da população, do preço do bem, assim como da concessão de crédito para a aquisição desse bem.
Nos testes realizados para as séries temporais, se mostrou significativo somente para as variáveis explicativas renda, preço e crédito, sendo que a variável IPI, no modelo estatístico proposto em MQO não apresentou significância. Porém, economicamente sabe-se da relevância do imposto sobre as vendas dos veículos. Desta forma, optou-se pelo teste de causalidade entre a variável IPI e vendas de veículos. Com isso, visando objetivamente a análise das políticas
se deu através do teste de causalidade de Granger pelo método VAR (vetor auto regressivo). Como visto no primeiro modelo analisado, será utilizado as variáveis em primeira defasagem para que atender o critério de estacionariedade das séries. Ademais, a variável vendas (v) será evidenciada em serie logarítmica.
Figura 18 – Série logarítmica de venda e alíquota de IPI em primeira diferença 2000-2017
Fonte: Elaboração própria. Gretl
Nesse modelo, a relação das variáveis está relacionada ao tempo, ou seja, a precedência dos fatores que ocorrem em cada evento. E para sua estimação, é necessário identificar a quantidade de defasagens que será analisada entre as variáveis, que neste momento será estudada a relação entre a venda de veículos e a alíquota de IPI. Tendo em vista isso, no sistema VAR, para a seleção de defasagens foi testado com um máximo de grau de 5 defasagens, as quais revelaram que os melhores valores dos respectivos critérios de informação são os seguintes: -0,6 -0,5 -0,4 -0,3 -0,2 -0,1 0 0,1 0,2 0,3 0,4 0,5 2001 2005 2009 2013 2017 ld_V -0,08 -0,06 -0,04 -0,02 0 0,02 0,04 0,06 0,08 2001 2005 2009 2013 2017 d_IPI_ALIQ
Quadro 23 – Defasagens segundo critérios AIC, BIC e HQC para o modelo VAR
Defasagens Log. L p (LR) AIC BIC HQC
1 793,83833 -7,648916 -7,551987 -7,609715
2 815,12123 0 -7,816711 -7,655164* -7,751376*
3 818,06065 0,20838 -7,806414 -7,580248 -7,714945
4 823,99213 0,0184 -7,825166* -7,534381 -7,707563
5 826,73442 0,24109 -7,812956 -7,457551 -7,669218
Fonte: Elaboração própria. Gretl
Mediante o resultado acima, verificou-se que o número de defasagens a ser utilizado no modelo será de duas defasagens, uma vez que o critério Bayesiano de Schwarz e o critério de Hannan-Quinn indicam esse número.
Por fim, o resultado do modelo VAR é o seguinte.
Quadro 24 – Resultado do Modelo VAR com duas defasagens para Vendas e alíquota de IPI
Sistema VAR, grau de defasagem 2
Estimativas MQO, observações 2000:08-2017:12 (T = 209) Log da verossimilhança = 829,61413
Determinante da matriz de covariâncias = 1,22246e-006 AIC = -7,8432
BIC = -7,6833 HQC = -7,7785
Teste Portmanteau: LB(48) = 339,961, gl = 184 [0,0000]
Equação 1: ld_V
Coeficiente Erro Padrão razão-t p-valor
const 0,00303214 0,00925872 0,3275 0,7436
ld_V_1 −0,478513 0,0631547 −7,577 <0,0001 ***
ld_V_2 −0,402852 0,0629688 −6,398 <0,0001 ***
d_IPI_ALIQ_1 −1,47703 1,10167 −1,341 0,1815
d_IPI_ALIQ_2 −3,03408 1,10613 −2,743 0,0066 ***
Média var. dependente 0,002634 D.P. var. dependente 0,156178
Soma resíd. quadrados 3,637327 E.P. da regressão 0,133529
R-quadrado 0,283069 R-quadrado ajustado 0,269011
F(4, 204) 20,13651 P-valor(F) 5,42e-14
rô −0,034161 Durbin-Watson 2,064149
Testes-F com zero restrições:
Todas as defasagens de ld_V F(2, 204) = 37,18 [0,0000] Todas as defasagens de d_IPI_ALIQ F(2, 204) = 4,6587 [0,0105]
Coeficiente Erro Padrão razão-t p-valor const −0,000384371 0,000588224 −0,6534 0,5142 ld_V_1 0,00338293 0,00401234 0,8431 0,4001 ld_V_2 −0,000430967 0,00400052 −0,1077 0,9143 d_IPI_ALIQ_1 −0,000585559 0,0699913 −0,008366 0,9933 d_IPI_ALIQ_2 0,0244385 0,0702743 0,3478 0,7284
Média var. dependente −0,000386 D.P. var. dependente 0,008421
Soma resíd. quadrados 0,014681 E.P. da regressão 0,008483
R-quadrado 0,004637 R-quadrado ajustado -0,014880
F(4, 204) 0,237565 P-valor(F) 0,916883
rô 0,000926 Durbin-Watson 1,998131
Testes-F com zero restrições:
Todas as defasagens de ld_V F(2, 204) = 0,43976 [0,6448] Todas as defasagens de d_IPI_ALIQ F(2, 204) = 0,060505 [0,9413]
Todas as variáveis, defasagem 2 F(2, 204) = 0,068335 [0,9340]
Para o sistema como um todo Hipótese nula: a maior defasagem é 1 Hipótese alternativa: a maior defasagem é 2 Teste de razão de verossimilhança: Qui-quadrado(4) = 43,3115 [0,0000]
Fonte: Elaboração própria. Gretl
Através do modelo proposto, é possível para a equação 1 a rejeição da hipótese nula de que de IPI não causa, no sentido de Granger, as vendas de veículos. Ou seja, o IPI precede e, portanto, determina em certo grau, as vendas de veículos. Por outro lado, por se tratar de uma análise vetorial em matriz, pode-se analisar também pela equação 2 que existe a não rejeição da hipótese nula, o que leva a concluir, segundo o modelo proposto, que as vendas não precedem o IPI.
CONCLUSÃO
O presente estudo teve por objetivo realizar uma análise empírica dos efeitos para o desempenho do setor automobilístico, sob a perspectiva da venda veículos, das políticas setoriais, a partir de um de seus elementos centrais, a desoneração fiscal, através das diferentes alíquotas de IPI praticadas entre os anos de 2000 e 2017. Foi possível notar a relação direta entre as variáveis explicativas propostas (renda, preço e crédito) e a venda de veículos, já apontada em estudos empíricos para períodos anteriores. Além disso, a análise de causalidade de Granger para se testar a antecedência entre as alíquotas de IPI praticadas no período e as vendas de automóveis mostrou uma relação em que o IPI precede as vendas de veículos. Ou seja, variações nas alíquotas antecedem variações na venda de veículos, mas, como se esperava do teste, a venda de automóveis não antecede a redução das alíquotas de IPI.
A análise desses resultados leva a uma reflexão crítica que vai além dos impactos das variáveis explicativas sobre a venda de veículos. Como foi possível observar, a história do setor sempre foi marcada por incentivos governamentais, com o intuito de fomentar tanto o setor quanto a economia em geral, em função da extensa cadeia produtiva associada à indústria automobilística, do volume de empregos envolvido e da corrente de demanda advinda de outras atividades para suprir suas necessidades, assim como os serviços gerados posteriormente à venda dos veículos, como venda de combustíveis e seguros.
Foi possível observar, no decorrer do estudo, que os recorrentes incentivos concedidos pelas políticas setoriais do governo influenciaram diretamente a estrutura do mercado, assim como a conduta dos fabricantes do setor e, por consequência, o desempenho da indústria. Houve desconcentração no setor, percebida por meio dos indicadores HH e CR4, entre os anos 2000 e 2017. No entanto, mesmo com menores índices de concentração, o mercado brasileiro de automóveis apresentou um comportamento em que uma maior concorrência e incentivos fiscais não resultaram em uma diminuição dos preços do bem, podendo ser percebida através da relação entre o IPCA – Automóveis Novos e o IPCA, que desde de 2000 apresentou variações positiva, na maior parte do período. Vale destacar ainda que a quantidade de montadoras não se elevou consideravelmente, sendo que, segundo dados da Anfavea os números de montadoras de veículos leves no país em 2000 era de 14 e, em 2017 passou para 18, revelando a continuidade dos mesmos players dentro do país com o início das atividades principalmente das empresas coreanas e chinesas nesse período.
da utilização da capacidade instalada ocorreu em março de 2008, com a utilização de 90,8%. Contudo, tal nível de utilização não se manteve e, com a forte retração decorrente da crise econômica, o governo optou mais uma vez por reduzir as alíquotas de IPI, no início de 2009, para fomentar o comércio de veículos. Assim, a utilização da capacidade instalada voltou aos patamares de 85% a 90%. Por sua vez, tal melhora da atividade setorial foi fugaz, pois a indústria não conseguiu manter esse ritmo de utilização, mesmo com as políticas do governo de redução da alíquota do imposto para montadoras instaladas no Brasil. Em junho de 2012 a indústria automovia utilizava somente 82,4% de sua capacidade, ao fim de 2013, 78,2%. Ao final de 2014, utilizava 77,8%, e, em 2015, 66,1%. O pior momento da indústria foi registrado em março de 2016 com a utilização somente de 63,6% de toda a capacidade instalada. Já em 2017, o mesmo índice ficou em 67,3%. Estudos futuros, que possam aproveitar um distanciamento temporal que permita separar os efeitos da crise de outros elementos de caráter mais estrutural, poderão avaliar se o aumento da capacidade ociosa tem relação com uma alocação excessiva de recursos no setor e a atração de novos fabricantes em busca dos benefícios concedidos pelas políticas setoriais do período.
Vale destacar, ainda, que embora os efeitos diretos das políticas setoriais para o desempenho da indústria, em termos de vendas de veículos, tenham sido significativos, houve danos relacionados ao comércio internacional. Isso porque o Brasil faz parte da Organização Mundial do Comércio (OMC) e a proteção e diferenciação entre os produtores instalados no país e produtores estrangeiros fere as regras estabelecidas pela organização contra o tratamento preferencial da industrial nacional.
Ademais, como revela estudo do Banco Mundial, as políticas setoriais têm fracassado em estimular a pesquisa e o desenvolvimento na indústria, pontos tidos como importantes para justificar as políticas governamentais implementadas no setor automotivo brasileiro. Por fim, é necessário salientar que a indústria automobilística tem se revelado dependente de políticas setoriais governamentais. No entanto, hoje a indústria automobilística faz parte de um setor maduro, que tem apresentado taxas de crescimento muito pequenas, distante daquelas de outrora. Com base nisso, estudos futuros poderão confrontar se os custos fiscais e de oportunidade são compensados pelos ganhos, em termos de desempenho setorial, como os revelados pela presente investigação.
REFERÊNCIAS BIBLIOGRÁFICAS
ALVARENGA, G. V. et al. Políticas anticíclicas na Indústria Automobilística: Uma análise de cointegração dos impactos da redução do IPI sobre as vendas de veículos. IPEA, Rio de Janeiro, Outubro 2010. ISSN 1415-4765.
ANDERSON, P. Câmaras Setoriais: Histórico e Acordos Firmados 1991/95. Texto para
Discusão Nº 667, IPEA, Rio de Janeiro, Setembro 1999. ISSN 1415-4765.
ANFAVEA. Anuário da Indústria Automobilística Brasileira. São Paulo: Associação Nacional dos Fabricantes de Veículos Automotores, 2010.
ANFAVEA. Anuário da Indústria Automobilística Brasileira. São Paulo: Associação Nacional dos Fabricantes de Veículos Automotores, 2011.
ANFAVEA. Anuário da Indústria Automobilística Brasileira. São Paulo: Associação Nacional dos Fabricantes de Veículos Automotores, 2012.
ANFAVEA. Anuário da Indústria Automobilística Brasileira. São Paulo: Associação Nacional dos Fabricantes de Veículos Automotores, 2013.
ANFAVEA. Anuário da Indústria Automobilística Brasileira. São Paulo: Associação Nacional dos Fabricantes de Veículos Automotores, 2014.
ANFAVEA. Anuário da Indústria Automobilística Brasileira. São Paulo: Associação Nacional dos Fabricantes de Veículos Automotores, 2015.
ANFAVEA. Anuário da Indústria Automobilística Brasileira. São Paulo: Associação Nacional dos Fabricantes de Veículos Automotores, 2016.
ANFAVEA. Anuário da Indústria Automobilística Brasileira. São Paulo: Associação Nacional dos Fabricantes de Veículos Automotores, 2017.
ARAÚJO, W. C. et al. O Modelo Estrutura, Conduta e Desempenho – ECD – aplicado ao setor automotivo: Uma abordagem desde os anos de 2000 a 2010. Gestão e Tecnologia para a
Competitividade, Outubro 2013.
AZEVEDO, P. F. Manual de Economia. 5. ed. São Paulo: Saraiva, 2004
BAIN, J. S. The Profit Rate as a Measure of Monopoly Power. The Quarterly Journal of
109, Junho 2004.
BARROS, D. C.; PEDRO, L. S. As mudanças estruturais do setor automotivo, os impactos da crise e as perspectivas para o Brasil. BNDES Setorial, Rio de Janeiro, n. 34, p. 173-202, 2011. BARROS, D. C.; PEDRO, L. S. O papel do BNDES no desenvolvimento do setor
automotivo brasileiro. MDIC - Ministério do Desenvolvimento, Indústria e Comércio
Exterior. Rio de Janeiro. 2012.
BAUMGARTEN JR., A. L. Demanda de Automóveis no Brasil. Revista Brasileira de
Economia, Rio de Janeiro, v. 26, n. 2, p. 203-297, Abril/Junho 1972.
BERRY, S.; LEVINSOHN, J.; PAKES, A. Automobile Prices in Market Equilibrium.
Econometrica, v. 63, n. 4, p. 841-890, Julho 1995.
BORDLEY, R. F.; MCDONALD, J. B. Estimating Aggregate Automotive Income Elasticities from the Population Income-Share Elasticity. Journal of Business & Economic Statistics, v. 11, n. 2, p. 209-214, Abril 1993.
BRUMER, S. Estrutura, conduta e desempenho de mercado da industria metal -mecânica gaúcha -1977. Fundação de Economia e Estatística, Porto Alegre, n. 2, Agosto 1981.
CARLTON, D. W.; PERLOFF, J. M. Modern Industrial Organization. Nova York: York Production Services, 1994.
CAVALCANTI, M. A. F. H. Identificação de Modelos VAR e Causalidade de Granger: uma nota de advertência. Economia Aplicada, v. 14, n. 2, p. 251-260, 2010.
COMIN, A. De volta para o futuro: política e reestruturação industrial do complexo automobiístico nos anos 90. São Paulo: Annablume FAPESP, 1998.
CORONEL, D. A.; AZEVEDO, A. F. Z.; CAMPOS, A. C. Política industrial e desenvolvimento econômico: a reatualiação de um debate histórico. Revista de Economia
Política, v. 34, n. 1, p. 103-119, Janeiro/Março 2014.
DE NEGRI, J. A. Elasticidade-Renda e Elasticidade-Preço da Demanda de Automóveis no Brasil. Texto para Discussão IPEA, v. 558, p. 22, 1998.
DE NEGRI, J. A. O custo de bem-estar do regime automotivo brasileiro. Pesquisa e
DE SOUZA, Í. G. S.; AGUIAR, D. R. D. Mudança estrutural no mercado brasileiro de automóveis. Teoria e Evidências Econômica, n. 45, p. 282-303, Julho 2015.
DIEESE. A Indútria Automobilística no Brasil - Diagnóstico do setor e análise do Novo
Regime Automotivo. DIEESE. São Paulo. 2012.
DIEESE. Desenvolvimento e estrutura da indústria automotiva no BrasiL. DIEESE. São Paulo. 2015.
ENGLE, R. F.; GRANGER, C. W. J. Co-Integration and Error Correction: Representation, Estimation, and Testing. Econometrica, v. 55, n. 2, p. 251-276, 1987.
FIUZA, E. P. S. Automobile Demand and Supply in Brazil: Effects of tax rebates and trande liberalization on proce-marginal cost mark-ups in the 1990s. IPEA, Rio de Janeiro, Janeiro 2015.
FIUZA, E.P.S. Estudos econométricos em organização industrial no Brasil. In: LISBOA, M.B.; MENEZES-FILHO, N.A. Microeconomia e sociedade no Brasil. Rio de Janeiro: Contra Capa/FGV/EPGE, 2001. Cap. 12, p. 325-429.
GABRIEL, L. F. A Indústria automobilísta no Brasil e a Demanda de Veículos no Período 2000-2010. Análise Econômica, Porto Alegre, n. 59, p. 247-278, Março 2013.
GUJARATI, D. N.; PORTER, D. C. Econometria Básica. 5ª. ed. Porto Alegre: AMGH, 2011. JR., A. L. B. Demanda de Automóveis no Brasil. Brasil Econômico, Rio de Janeiro, v. 2, n. 26, p. 203-297, Abril 1972.
KAWAMOTO, C. A.; KAWAMOTO, C. T. Cointegração e descoberta de preços de ADR brasileiros. Revista de Administração Contemporânea, v. 13, n. 2, art. 6, p. 272-290, 2009. KUPFER, D.; HASENCLEVER, L. Economia Industrial. 2ª ed. ed. Rio de Janeiro: Elsevier, 2013.
LAFIS. Relatório Setorial: Montadoras de Veículos Leves. Lafis Informação de Valor. São Paulo, p. 49. 2017.
LEVINSOHN, J. Trade Policy Issues and Empirical Analysis. Chicago: National Bureau of Economic Research, 1988. 9-44 p.
LISBOA, M. D. B.; MENEZES-FILHO, N. A. Microecnomia e sociedade no Brasil. Rio de Janeiro: Contro Capa Livraria, 2001.
Economic Review, v. 29, n. 1, p. 61-74, Março 1939.
MDIC, MINISTÉRIO DA INDÚSTRIA, COMÉRCIO EXTERIOR E SERVIÇOS. Sistema de Acompanhamento do INOVAR-AUTO. Conheça o INOVAR-AUTO. Disponivel em: <http://inovarauto.mdic.gov.br/InovarAuto/public/inovar.jspx?_adf.ctrl-state=cbyquy069_9>. Acesso em: 10 nov. 2017.
MORAES, R. A.; SILVEIRA, J. A. G. Elasticidade-Preço e Elasticidade-Renda da
demanda na Indústria Automobilística brasileira: uma análise da última década para os
veículos populares. VIII SEMEAD. São Paulo: FEA-USP. 2005. p. 1-11.
RESENDE, M.; BOFF, H. Concentração industrial. In: KUPFER, D.; HASENCLEVER, Lia (eds.), Economia industrial: teorias e prática no Brasil. Rio de Janeiro: Editora Campus, 2002, p. 73-90.
RIBEIRO, S. F. D. M. A indústria automobilística brasileira sob a ótica do modelo E-C-D
o processo de desindustrialização: uma análise do mercado e da FIAT 1996-2010.
Universidade Federal de Sergipe. São Cristovão, p. 129. 2012.
SANTOS, A. M. M. M.; BURITY, P. Banco Nacional de Desenvolvimento Econômico e
Social 50 anos: histórias setoriais. BNDES. [S.l.]. 2002.
SCAVARDA, L. F. R.; HAMACHER, S. Evolução da cadeia de suprimentos da indústria automobilística no Brasil. Revista de Administração Contemporânea, Curitiba, v. 5, n. 2, p. 201-219, Maio 2001.
SONAGLIO, C. M.; FLOR, J. D. S. IMPACTOS DA REDUÇÃO DO IMPOSTO SOBRE BENS INDUSTRIALIZADOS NAS VENDAS DE VEÍCULOS AUTOMOTORES. Estudos
do CEPE, Santa Cruz do Sul, n. 42, p. 63-79, Julho 2015. ISSN 1982-6729.
SOUZA, Í. G. S.; AGUIAR, D. R. D. Mudança estrutural no mercado brasileiro de automóveis.
Teoria e Evidência Econômica , v. 45, p. 283-303, Julho/Dezembro 2015.
STURGEON, T.; CHAGAS, L. L.; BARNES, J. Rota 2030: Updating Brazil’s Automotive Industrial Policy to Meet the Challenges of Global Value Chains and the New Digital Economy.
Working Paper, The World Bank, Outubro 2017.
SUZIGAN, W.; FURTADO, J. Instituições e Políticas Industriais e Tecnológicas: Reflexões a Partir da Experiência Brasileira. Estudos Econômicos, São Paulo, v. 40, n. 1, p. 7-41, Janeiro/Março 2010.
VERÍSSIMO, M. P.; ARAÚJO, V. M. Desempenho da indústria automobilística brasileira no período 2000-2012: uma análise sobre a hipótese de desindustrialização setorial. Economia e
Sociedade, Campinas, v. 24, n. 1, p. 151-176, Abril 2015.
VIANNA, R. L. D. L. O comportamento da demanda de automóveis: um estudo