Artigo

24 de julho de 2026

Desempenho de aplicativos Android: comparação entre desenvolvimento nativo e React Native

Christian Dantas Germano; Elaine Barbosa de Figueiredo

DOI: 10.22167/2675-6528-202600669

Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Resumo

A escolha da plataforma de desenvolvimento de aplicativos móveis representa uma decisão técnica recorrente para desenvolvedores, que buscam equilibrar a facilidade do desenvolvimento multiplataforma com a performance do desenvolvimento nativo. Este estudo buscou investigar as diferenças de desempenho entre o desenvolvimento Android nativo, implementado com Kotlin e Jetpack Compose, e o React Native, avaliado nas abordagens com Expo e CLI. Para tanto, um aplicativo funcionalmente idêntico foi criado nas três plataformas. Em seguida, executou-se um fluxo de teste padronizado para simular o uso do aplicativo, enquanto métricas de CPU, consumo de memória, tempo de execução e tamanho final do aplicativo foram sistematicamente coletadas. Os resultados obtidos indicaram que o Android Nativo demonstrou desempenho superior na maioria das métricas; entretanto, o React Native, especificamente na configuração CLI, surpreendeu ao apresentar menor uso de CPU em comparação ao Android Nativo. No geral, as performances foram próximas, com a abordagem CLI superando o Expo, e a maior discrepância foi observada no tamanho final dos aplicativos. A análise comparativa realizada forneceu perspectivas atualizadas sobre o comportamento de cada plataforma, contribuindo para decisões técnicas mais fundamentadas no desenvolvimento mobile Android contemporâneo.

Palavras-chave: Benchmarking; CLI; Expo; Kotlin; Multiplataforma.

1. Introdução

O cenário tecnológico contemporâneo é marcado pela ubiquidade dos dispositivos móveis, que se consolidaram como ferramentas essenciais para a comunicação e o acesso à informação. Dados da International Telecommunication Union (ITU, 2024) indicam que aproximadamente oitenta por cento da população mundial possui telefone móvel. No Brasil, esse índice é ainda mais elevado, alcançando 88,9% da população com dez anos ou mais de idade em 2024, um crescimento de 11,5 pontos percentuais em relação a 2016 (IBGE, 2025). Esse panorama ressalta a importância crescente do desenvolvimento de aplicações para essas plataformas, tornando crucial a compreensão das abordagens tecnológicas disponíveis.

Nesse contexto, desenvolvedores e empresas enfrentam a decisão técnica de escolher a abordagem mais adequada para a criação de aplicativos móveis. Duas principais estratégias se destacam: o desenvolvimento nativo e o multiplataforma. A abordagem nativa envolve a utilização de linguagens e ferramentas específicas para cada sistema operacional, como iOS ou Android. Embora ofereça um desempenho otimizado, ela exige maior tempo e recursos, pois o desenvolvimento é realizado separadamente para cada plataforma (Jošt; Taneski, 2025).

Em contrapartida, o desenvolvimento multiplataforma emprega linguagens e ferramentas comuns que permitem, a partir de um único código-fonte, disponibilizar a aplicação para diversas plataformas simultaneamente. Essa abordagem pode reduzir significativamente o tempo e os custos de desenvolvimento (El-Kassas et al., 2017). No entanto, a escolha entre essas metodologias frequentemente implica um balanço entre a agilidade no desenvolvimento e a performance da aplicação.

Estudos prévios já apontam para variações de desempenho entre as abordagens nativa e multiplataforma. Aplicações nativas tendem a apresentar performance superior em certas métricas, mas soluções multiplataforma podem demonstrar desempenho comparável ou até mesmo superior em cenários específicos (Biørn-Hansen et al., 2020). A relevância da performance depende diretamente do foco da aplicação e dos requisitos do projeto, o que determina o impacto da escolha entre esses métodos (Oliveira et al., 2023).

A tecnologia React Native, uma das soluções multiplataforma mais consolidadas no mercado, passou por uma mudança arquitetural significativa. Anteriormente, utilizava uma ponte assíncrona para comunicação entre as camadas JavaScript e nativa. Atualmente, a Nova Arquitetura implementa uma comunicação direta via JavaScript Interface (JSI), o que resultou em melhorias no perfil de performance do framework (Jošt; Taneski, 2025). Essa evolução levanta questões sobre a validade dos resultados de estudos anteriores, que foram conduzidos com versões que ainda empregavam a arquitetura legada.

A lacuna na literatura reside na ausência de estudos comparativos atualizados que avaliem o desempenho do React Native com sua Nova Arquitetura em contraste com o desenvolvimento Android nativo. Os trabalhos existentes não refletem o estado presente dessas tecnologias, especialmente considerando as otimizações trazidas pela arquitetura mais recente. Dessa forma, torna-se essencial uma análise de desempenho que contemple essa configuração atualizada.

A justificativa para esta pesquisa reside na necessidade de fornecer dados empíricos e atualizados que auxiliem desenvolvedores e equipes técnicas na tomada de decisões mais fundamentadas. Ao comparar o desempenho do Android nativo (utilizando Kotlin e Jetpack Compose) com o React Native (nas abordagens Expo e CLI) em um cenário representativo de uso, este trabalho contribui para a compreensão das implicações de performance de cada escolha tecnológica. Assim, este estudo visa realizar uma análise comparativa de desempenho entre o desenvolvimento Android nativo e o React Native, a fim de indicar a abordagem mais adequada considerando um cenário representativo de uso.

2. Material e Métodos

Para alcançar o objetivo de comparar a performance entre desenvolvimento multiplataforma e desenvolvimento nativo, adotou-se uma metodologia experimental de estudo comparativo controlado. Essa abordagem permitiu a análise quantitativa de métricas de desempenho, mediante a implementação de aplicações funcionalmente idênticas em diferentes plataformas tecnológicas, de modo a reduzir variações nos resultados e permitir que os dados obtidos fossem atribuídos às características inerentes de cada abordagem de desenvolvimento.

Para viabilizar esta análise comparativa controlada, selecionaram-se tecnologias que representavam adequadamente cada abordagem de desenvolvimento. A tecnologia multiplataforma React Native foi escolhida pela sua consolidação no mercado, evidenciada por sua utilização por 9% dos desenvolvedores profissionais em 2024 (Stack Overflow, 2024), e pelo amplo ecossistema JavaScript. Para o desenvolvimento nativo, utilizou-se a plataforma Android com Kotlin e Jetpack Compose, devido ao suporte integral do Android e recomendação oficial do Google (ANDROID DEVELOPERS, 2025a, 2025b). A limitação ao ecossistema Android decorreu de restrições práticas.

No desenvolvimento com React Native, foram avaliadas duas formas: o framework Expo, que oferece uma camada de abstração adicional e gerenciamento automatizado de dependências nativas, e a abordagem por CLI (linhas de comando), que proporciona acesso direto aos projetos nativos (Expo, 2025; React Native, 2025). As versões do React Native utilizadas neste estudo implementaram a Nova Arquitetura, que substituiu o sistema de ponte assíncrona pelo JavaScript Interface (JSI), resultando em comunicação direta e mais eficiente entre as camadas (Jošt; Taneski, 2025).

O Kotlin com Jetpack Compose, para o desenvolvimento nativo Android, permitiu integração completa com o sistema e acesso direto às capacidades do dispositivo. Esta abordagem ofereceu ferramentas para análise de performance, uso de memória e depuração, disponibilizadas pela Integrated Development Environment [IDE] oficial, o Android Studio (Fentaw, 2020). Uma limitação desta abordagem referia-se à necessidade de desenvolver todo o aplicativo do zero para cada plataforma (Biørn-Hansen et al., 2020).

Para simular funcionalidades de uso cotidiano e demonstrar cenários representativos, desenvolveu-se um aplicativo de teste funcionalmente idêntico nas três plataformas. Priorizou-se a implementação de funcionalidades essenciais, sem foco em aspectos estéticos, garantindo a compatibilidade entre React Native e Android nativo (Biørn-Hansen et al., 2020; Oliveira et al., 2023). O aplicativo implementou navegação entre telas, comunicação com API REST, listagem e renderização de múltiplos itens, formulário com captura e anexo de imagem, acesso à câmera e galeria, e armazenamento local com persistência de dados.

A aplicação foi estruturada em quatro telas principais, organizadas por navegação lateral, utilizando os componentes e padrões de navegação específicos de cada plataforma. Isso permitiu avaliar a performance das transições de interface em contextos nativos de cada tecnologia. A tela inicial continha apenas elemento textual simples, servindo como ponto de partida para a automação dos testes e garantindo um estado inicial consistente entre as execuções.

A segunda tela implementou um componente de listagem dinâmica, populado com cem itens obtidos via requisição à API REST pública JSONPlaceholder. A escolha de cem itens visou exercitar algoritmos de renderização e gerenciamento de memória de forma representativa. Esta funcionalidade exercitou operações de rede, conversão e apresentação de dados, incluindo navegação por scroll vertical e recarregamento da lista.

A terceira tela consistiu em um formulário de entrada de dados que integrava armazenamento local através do sistema de banco de dados mais apropriado para cada plataforma. O formulário incluiu campos de texto livre, numérico, multilinhas, seletor de data nativo e funcionalidade de captura de imagem via câmera do dispositivo. Esta implementação exercitou a comunicação entre camadas de abstração JavaScript e APIs nativas, permitindo mensurar a sobrecarga da comunicação. Os dados, incluindo imagem convertida para base64, foram persistidos em banco de dados local.

A quarta e última tela implementou uma interface de consulta aos dados armazenados localmente, apresentando listagem dinâmica populada por operações de leitura do banco de dados local a cada abertura da tela. Esta funcionalidade permitiu avaliar a performance de consultas Structured Query Language [SQL] e a renderização de dados complexos, incluindo decodificação e exibição de imagens armazenadas em base64.

Para padronizar o consumo de dados entre as três plataformas, a API JSONPlaceholder foi selecionada, eliminando a necessidade de um backend exclusivo e garantindo que todas as implementações acessassem os mesmos dados. Para garantir que as diferenças de performance fossem atribuídas exclusivamente às tecnologias, os três aplicativos utilizaram esquemas de banco de dados idênticos, com atributos como id (numérico), name (texto), number (numérico), date (texto), description (texto) e images (texto). A versão nativa Android utilizou o Room Persistence Library do Jetpack Compose, a implementação com Expo aproveitou a biblioteca expo-sqlite, e o React Native CLI exigiu o desenvolvimento de módulos nativos em Kotlin.

Para assegurar a execução padronizada dos testes, selecionou-se o framework de código aberto Appium. Esta ferramenta permitiu a automação de aplicações móveis nativas e multiplataformas, possibilitando que um único script de teste executasse fluxos idênticos em arquiteturas distintas (Alotaibi; Qureshi, 2017). O script desenvolvido em Kotlin com JUnit realizou o mesmo fluxo de interação nos aplicativos React Native (Expo e CLI) e nativo, eliminando variações metodológicas.

Os testes foram executados por scripts Python que automatizaram a execução sequencial nas três plataformas, gerenciando a reinstalação do aplicativo e o isolamento entre execuções. Paralelamente, comandos Android Debug Bridge [ADB] coletaram métricas de Central Processing Unit [CPU], consumo de memória e tráfego de rede em intervalos de 0,5 segundos (Fentaw, 2020). O tamanho do aplicativo foi calculado usando o comando `st_size`, convertendo os valores para megabytes.

O ambiente de teste foi padronizado por emulação Android, utilizando o Android Virtual Device [AVD] Manager. A base foi o perfil de hardware do Google Pixel 9 Pro, com tela de 6,3 polegadas e resolução de 1280 x 2856 pixels. A imagem de sistema selecionada correspondeu à Google Play Intel x86_64 Atom System Image, API nível 36 (Android 16.0 “Baklava”). O emulador operou com configurações padrão de 2 GB de RAM, 4 núcleos de CPU e armazenamento interno de 6 GB. Todas as especificações técnicas do ambiente de desenvolvimento experimental, incluindo versões de Node.js (v22.17.0), React Native (0.79.3 para Expo e 0.79.2/0.80.1a para CLI), Expo CLI (~53.0.10), EAS CLI (^16.10.1), React Native CLI (18.0.0/19.0.0a), Appium (2.19.0), Android Studio (Meerkat | 2024.3.2), Android SDK (compileSdk 34b/35, targetSdk 34b/35, minSdk 24/30) e Build Tools (35.0.0), foram documentadas para reprodutibilidade.

Foram realizados dez testes válidos para cada tecnologia, totalizando trinta execuções para análise. Cada teste seguiu um fluxo idêntico de simulação de uso, organizado em três etapas sequenciais. A primeira etapa envolveu a navegação até a tela de lista, carregamento de cem itens via API JSONPlaceholder e scroll completo da lista. A segunda etapa consistiu na navegação até o formulário, preenchimento de campos, acionamento da câmera do emulador para captura de foto, seleção de data via DatePicker nativo e salvamento dos dados no banco local. A terceira etapa realizou a navegação até a tela de listagem de registros, com consulta ao banco local para exibição dos dados e verificação do novo registro.

Os testes foram executados com inicialização a frio entre cada execução, limpeza completa do emulador com remoção e reinstalação do aplicativo, e tempos de espera padronizados antes e depois da execução do Appium para garantir estabilidade do sistema. Este protocolo seguiu procedimentos estabelecidos em estudos de benchmarking móvel para garantir condições controladas e eliminar variáveis externas (Dorfer; Demetz; Huber, 2020). Fluxos de teste com erros tiveram seus dados removidos e um novo teste foi realizado.

Para a análise final e geração dos resultados, utilizaram-se scripts Python com bibliotecas para agrupamento das informações e cálculo de estatísticas descritivas, gerando tabelas no formato Excel. As métricas estatísticas calculadas incluíram média, desvio padrão, mediana, valores mínimos e máximos, consistentes com estudos anteriores de benchmarking móvel (Biørn-Hansen et al., 2020; Dorfer; Demetz; Huber, 2020; Jošt; Taneski, 2025).

Os dados coletados foram armazenados em arquivos Comma-Separated Values [CSV] e passaram por etapas de limpeza, removendo valores irreais ou fora de um range aceitável, como CPU acima de 100% ou abaixo de zero, e memória abaixo de 1 MB ou acima de 10 GB. As bibliotecas Python `pandas` (≥1.5.0) e `numpy` (≥1.21.0) foram empregadas para manipulação e cálculos estatísticos, enquanto `openpyxl` (≥3.0.0) foi utilizado para geração de tabelas Excel e `pathlib` (nativa) para manipulação de arquivos.

3. Resultados e Discussão

A análise comparativa de desempenho entre o desenvolvimento Android nativo com Kotlin e Jetpack Compose, e o React Native nas abordagens Expo e CLI, foi realizada a partir de trinta testes automatizados. Dez execuções válidas foram obtidas para cada uma das três plataformas, resultando em um total de 3.392 medições individuais após a aplicação de rigorosos critérios de limpeza de dados. Este volume de dados permitiu uma caracterização robusta do comportamento de cada tecnologia em um cenário de uso representativo, conforme os procedimentos metodológicos estabelecidos para garantir a validade estatística dos resultados (Dorfer; Demetz; Huber, 2020).

Os resultados obtidos abrangeram diversas métricas críticas, incluindo o uso de CPU, consumo de memória RAM, latências em operações específicas e o tamanho final do aplicativo. A discussão desses achados foi conduzida em comparação com a literatura existente, buscando identificar padrões consistentes e divergências que pudessem indicar novas perspectivas sobre o desempenho das tecnologias avaliadas. A abordagem metodológica adotada, com a criação de aplicativos funcionalmente idênticos e a execução de fluxos de teste padronizados, visou minimizar variáveis externas e atribuir as diferenças de performance às características inerentes de cada plataforma.

Caracterização Geral dos Testes

A execução dos testes revelou diferenças notáveis na duração média para completar o fluxo de operações em cada plataforma. O desenvolvimento Android Nativo demonstrou ser o mais eficiente, finalizando cada ciclo de teste em uma média de 47,37 segundos. Em contraste, as implementações React Native CLI e React Native Expo exigiram significativamente mais tempo, com médias de 58,57 segundos e 61,47 segundos, respectivamente. Isso representa um tempo adicional de mais de 20% para as soluções multiplataforma em comparação com a abordagem nativa.

Essa diferença na duração média dos testes sugere que as camadas de abstração inerentes às plataformas multiplataforma podem introduzir um *overhead* durante a execução sequencial de operações. Embora outros fatores técnicos possam contribuir para esse comportamento, a consistência da diferença temporal em todas as execuções aponta para uma característica fundamental dessas arquiteturas. A maior agilidade do Android Nativo em completar o fluxo de teste indica uma eficiência superior na orquestração e execução das tarefas simuladas, o que é um fator relevante para a experiência do usuário em aplicações que demandam alta responsividade.

Análise de Performance de Recursos do Sistema

A análise do consumo de recursos do sistema, especificamente CPU e memória RAM, revelou padrões distintos entre as plataformas. O Android Nativo apresentou o menor consumo médio de memória RAM, com 60,65 MB, evidenciando a eficiência do acesso direto aos recursos do sistema. O React Native Expo, por sua vez, demonstrou o maior consumo de memória, com uma média de 109,22 MB, o que representa aproximadamente 80% mais recursos que o nativo. O React Native CLI posicionou-se em um patamar intermediário, com 75,13 MB, consumindo 24% acima da solução nativa.

Este comportamento em relação ao consumo de memória está em consonância com a literatura, que consistentemente reporta um maior *overhead* de memória em implementações React Native comparadas ao desenvolvimento nativo (Biørn-Hansen et al., 2020; Dorfer; Demetz; Huber, 2020). As camadas de abstração necessárias para a comunicação entre o código JavaScript e as APIs nativas nas tecnologias multiplataforma são a principal causa dessas diferenças, adicionando complexidade e, consequentemente, maior demanda por recursos de memória.

No que tange ao consumo de CPU, o React Native Expo manteve o padrão de maior utilização de recursos, com uma média de 31,83%, superando o Android Nativo, que registrou 28,49%. Este achado também se alinha com tendências documentadas na literatura, que apontam para o *overhead* de CPU em implementações React Native, embora a magnitude possa variar dependendo da metodologia e do contexto dos estudos (Biørn-Hansen et al., 2020; Dorfer; Demetz; Huber, 2020). A camada adicional de abstração e as bibliotecas do ecossistema Expo contribuem para essa maior demanda de processamento.

Um achado particularmente interessante e divergente da literatura foi o desempenho do React Native CLI no consumo de CPU. Esta implementação registrou a menor utilização de CPU entre as três tecnologias avaliadas, com uma média de 23,62%, superando o Android Nativo. Este resultado contrasta com estudos anteriores que consistentemente reportavam maior *overhead* de CPU em implementações React Native, chegando a documentar consumo de duas a quatro vezes superior ao nativo em determinados dispositivos (Biørn-Hansen et al., 2020; Dorfer; Demetz; Huber, 2020).

A superioridade do React Native CLI no uso de CPU, em comparação com o Android Nativo, sugere uma possível melhoria de eficiência nas versões recentes do React Native. A Nova Arquitetura, que substituiu a ponte assíncrona tradicional por comunicação direta via JavaScript Interface (JSI), pode ser um fator determinante para essa otimização (Jošt; Taneski, 2025). Essa mudança arquitetural resolveu uma limitação de performance anteriormente citada na literatura, oferecendo uma explicação plausível para a redução no *overhead* de CPU observada, o que demanda investigação futura em contextos experimentais mais amplos para confirmar e aprofundar essa hipótese.

Ao comparar as duas abordagens do React Native, o CLI demonstrou desempenho superior ao Expo em ambas as métricas de CPU e memória. A diferença entre as duas tecnologias pode ser atribuída ao ecossistema do Expo e suas bibliotecas pré-configuradas, que introduzem uma camada adicional de abstração e dependências nativas pré-empacotadas. Essas bibliotecas, embora facilitem o desenvolvimento, demonstraram nos testes um impacto negativo na performance geral do aplicativo, aumentando o consumo de recursos em comparação com a abordagem mais enxuta do CLI.

Análise de Latências por Fase do Fluxo

A avaliação do tempo de execução por fase do fluxo de teste revelou que o Android Nativo consistentemente apresentou melhor desempenho em todas as etapas. Na Fase 1, que envolveu a requisição de rede e o *scroll* completo de uma lista de cem itens, o Android Nativo completou a operação em 9.958 milissegundos. As implementações React Native CLI e Expo apresentaram tempos significativamente maiores, com 18.615 milissegundos e 17.662 milissegundos, respectivamente. A maior diferença foi observada nesta fase, indicando que operações intensivas de rede e renderização de listas são mais eficientes na abordagem nativa.

Na Fase 2, que compreendeu o preenchimento de um formulário, a captura de imagem via câmera do emulador e a seleção de data com o componente nativo DatePicker, o Android Nativo manteve sua superioridade, com um tempo de execução de 24.408 milissegundos. O React Native CLI registrou 26.446 milissegundos, e o React Native Expo, 28.459 milissegundos. Embora as diferenças fossem menores nesta fase em comparação com a Fase 1, o padrão de desempenho superior do nativo foi mantido, e o CLI superou o Expo, indicando uma menor sobrecarga na comunicação com funcionalidades nativas diretas.

A Fase 3, que consistiu na listagem de registros do banco de dados local, confirmou o padrão de desempenho, com o Android Nativo em primeiro lugar (1.295 milissegundos), seguido pelo React Native CLI (1.855 milissegundos) e o React Native Expo (3.090 milissegundos). O React Native Expo foi 139% mais lento que o nativo nesta fase, evidenciando uma considerável latência em operações de leitura e renderização de dados complexos armazenados localmente. Este resultado é consistente com a literatura, que reporta desempenho superior de aplicações nativas em operações de navegação, *scroll* de listas e inserção de dados no banco (Oliveira et al., 2023).

Análise do Tamanho do Aplicativo

O tamanho final do aplicativo, medido em megabytes (MB), demonstrou a maior discrepância entre as plataformas avaliadas. O aplicativo desenvolvido em Android Nativo gerou um arquivo de 16,82 MB, sendo o menor entre as três implementações. Em contraste, o React Native CLI produziu um arquivo de 47,11 MB, o que representa um aumento de 180% em relação ao nativo. A versão React Native Expo resultou no maior tamanho, com 84,36 MB, sendo 402% maior que o aplicativo nativo.

A diferença entre as duas versões do React Native também foi significativa, com o aplicativo Expo sendo 79% maior que o CLI. Estes resultados são consistentes com observações da literatura, que indicam que o React Native tende a gerar aplicativos com tamanho substancialmente maior que as implementações nativas (Biørn-Hansen et al., 2020; Oliveira et al., 2023). A maior dimensão dos aplicativos multiplataforma pode ser atribuída à inclusão de *runtimes* JavaScript e outras dependências que não são necessárias em aplicativos nativos.

A diferença acentuada entre Expo e CLI pode ser explicada pela arquitetura do Expo, que incorpora um conjunto extenso de bibliotecas nativas pré-empacotadas no aplicativo, mesmo que não sejam explicitamente utilizadas pelo desenvolvedor. Em contrapartida, a abordagem CLI permite uma implementação mais enxuta, incluindo apenas as dependências explicitamente requeridas pelo projeto. Essa distinção tem implicações diretas no tamanho do arquivo final, afetando o tempo de download, o espaço de armazenamento no dispositivo e, potencialmente, a experiência do usuário.

Em síntese, o estudo revelou que o desenvolvimento Android nativo demonstrou superioridade em métricas como tempo de execução, consumo de memória RAM e tamanho final do aplicativo, alinhando-se majoritariamente com a literatura existente. Contudo, o desempenho inesperado do React Native CLI no consumo de CPU, superando o nativo, sugere que a Nova Arquitetura com JSI pode ter otimizado significativamente essa métrica, demandando investigações futuras para aprofundar a compreensão de suas causas. As diferenças entre React Native CLI e Expo reforçam que a escolha da abordagem multiplataforma deve considerar o balanço entre conveniência do ecossistema e impacto na performance, com o Expo apresentando maior *overhead* devido às suas camadas adicionais de abstração e bibliotecas pré-empacotadas.

4. Conclusão

O presente estudo buscou realizar uma análise comparativa de desempenho entre o desenvolvimento Android nativo e o React Native, avaliando a abordagem mais adequada para um cenário representativo de uso. Verificou-se que o Android Nativo, implementado com Kotlin e Jetpack Compose, demonstrou desempenho superior na maioria das métricas avaliadas, incluindo tempo de execução, consumo de memória RAM e tamanho final do aplicativo. Em contraste, as implementações React Native, tanto com Expo quanto com CLI, demandaram maior tempo para completar o fluxo de operações e apresentaram maior consumo de memória. Contudo, um achado notável foi a menor utilização de CPU pelo React Native CLI em comparação com o Android Nativo, sugerindo uma possível otimização de eficiência nas versões recentes do framework, atribuída à Nova Arquitetura com JavaScript Interface (JSI). A abordagem React Native CLI, por sua vez, superou a versão Expo em ambas as métricas de CPU e memória, indicando que o ecossistema Expo e suas bibliotecas pré-empacotadas introduzem um <i>overhead</i> adicional. A maior discrepância entre as plataformas foi observada no tamanho final dos aplicativos, com o nativo sendo significativamente menor.

A análise comparativa realizada oferece dados empíricos atualizados que contribuem para decisões técnicas mais fundamentadas no desenvolvimento mobile Android contemporâneo, auxiliando desenvolvedores e equipes na escolha da tecnologia mais adequada conforme os requisitos de performance. Este trabalho, contudo, possui limitações inerentes ao seu desenho metodológico, como a restrição dos testes a emuladores e à plataforma Android. Para uma compreensão mais abrangente, sugere-se que estudos futuros realizem testes em dispositivos físicos com diversas configurações de hardware e na plataforma iOS. Adicionalmente, recomenda-se investigar a fundo a causa da menor utilização de CPU pelo React Native CLI e comparar o desempenho com versões anteriores do React Native, bem como com uma versão do Android nativo sem Jetpack Compose, para isolar o impacto da mudança arquitetural e das ferramentas de UI.

Referências Bibliográficas

ALOTAIBI, Ashwaq; QURESHI, Rizwan. Novel Framework for Automation Testing of Mobile Applications using Appium. International Journal of Modern Education and Computer Science, v. 9, n. 2, p. 34–40, 8 fev. 2017.

ANDROID DEVELOPERS. Jetpack Compose UI App Development Toolkit – Android Developers. Disponível em: <https://developer.android.com/compose>. Acesso em: 26 ago. 2025b.

ANDROID DEVELOPERS. Kotlin e Android | Android Developers. Disponível em: <https://developer.android.com/kotlin?hl=pt-br>. Acesso em: 26 ago. 2025a.

BIØRN-HANSEN, Andreas et al. An empirical investigation of performance overhead in cross-platform mobile development frameworks. Empirical Software Engineering, v. 25, n. 4, p. 2997–3040, 1 jul. 2020.

DORFER, Thomas; DEMETZ, Lukas; HUBER, Stefan. Impact of mobile cross-platform development on CPU, memory and battery of mobile devices when using common mobile app features. Procedia Computer Science, v. 175, p. 189–196, 2020.

EL-KASSAS, Wafaa S. et al. Taxonomy of Cross-Platform Mobile Applications Development Approaches. Ain Shams Engineering Journal, v. 8, n. 2, p. 163–190, 1 jun. 2017.

EXPO. Introduction Expo Documentation. Disponível em: <https://docs.expo.dev/get-started/introduction/>. Acesso em: 28 ago. 2025.

FENTAW, Awel Eshetu. Cross platform mobile application development: a comparison study of React Native Vs Flutter. Dissertação (Mestrado)—Jyväskylä: University of Jyväskylä, 2020.

IBGE. Acesso à Internet e à televisão e posse de telefone móvel celular para uso pessoal 2024. Rio de Janeiro: [S.n.]. Disponível em: <https://biblioteca.ibge.gov.br/visualizacao/livros/liv102193_informativo.pdf>. Acesso em: 14 abr. 2026.

ITU. Facts and figures 2024 Mobile phone ownership. Disponível em: <https://www.itu.int/itu-d/reports/statistics/2024/11/10/ff24-mobile-phone-ownership/>. Acesso em: 22 ago. 2025.

JOŠT, Gregor; TANESKI, Viktor. State-of-the-Art Cross-Platform Mobile Application Development Frameworks: A Comparative Study of Market and Developer Trends. Informatics, v. 12, n. 2, p. 45, 1 jun. 2025.

OLIVEIRA, Wellington et al. Analyzing the Resource Usage Overhead of Mobile App Development Frameworks. In: Oulu: ACM, 14 jun. 2023.

REACT NATIVE. Get Started with React Native React Native. Disponível em: <https://reactnative.dev/docs/environment-setup>. Acesso em: 28 ago. 2025.

STACK OVERFLOW. Technology | 2024 Stack Overflow Developer Survey. Disponível em: <https://survey.stackoverflow.co/2024/technology>. Acesso em: 26 ago. 2025.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Engenharia de Software do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

Você também pode gostar

17 de setembro de 2026

Heterogeneidade Territorial do Bolsa Família: uma Análise por Clusters e Efeitos Fixos

O Programa Bolsa Família (PBF) representa uma das políticas de proteção social mais relevantes globalmente, o que justifica a investigação de seus efeitos diante das acentuadas e heterogêneas desigualdades regionais brasileiras. O estudo avaliou os reflexos socioeconômicos dos repasses do programa sobre a saúde, a educação e o mercado de trabalho nos municípios brasileiros, no período de 2004 a 2019. Para isso, aplicou-se a técnica de agrupamento K-means para segmentação territorial e estimaram-se modelos econométricos de dados em painel com efeitos fixos, tanto a nível nacional quanto segregados por clusters. Os resultados revelaram a natureza anticíclica do PBF no mercado de trabalho, com uma relação negativa entre repasses e vínculos empregatícios formais em quatro dos cinco clusters, sugerindo que os recursos foram mais intensos onde o mercado formal falhou. Na saúde, o programa associou-se à redução significante da mortalidade infantil evitável em municípios com maior equilíbrio socioeconômico, mas não apresentou efeito detectável em agrupamentos de maior precariedade estrutural, indicando que a transferência de renda é necessária, porém insuficiente sem infraestrutura de saúde funcional. Na educação, a análise por subperíodos mostrou atenuação progressiva do coeficiente nacional, refletindo a convergência das taxas de matrícula para um patamar de alta inércia temporal. Concluiu-se que o PBF cumpriu seu objetivo de proteção social de forma anticíclica e territorialmente focalizada, mas sua capacidade de transformar indicadores estruturais dependeu da sinergia com investimentos em infraestrutura pública.

Palavras-chave: Bolsa Família; Mortalidade Infantil; Municípios Brasileiros; Painel de Dados; Política Pública.

Gestão Tributária

17 de setembro de 2026

Limites Jurídicos e Práticos da Dedutibilidade Retroativa dos Juros sobre Capital Próprio

A gestão tributária adequada é crucial para a saúde financeira das empresas, especialmente no complexo sistema tributário brasileiro. Os Juros sobre Capital Próprio (JCP) constituem um mecanismo jurídico relevante para a remuneração do capital próprio, utilizado para otimizar a carga tributária. O estudo investigou a controvérsia sobre a dedutibilidade de JCP referentes a exercícios anteriores à deliberação societária que autoriza seu pagamento. Aplicou-se a metodologia de pesquisa e análise documental empírica, baseada em “Normative Systems”, para identificar cinco propriedades representativas dos argumentos jurídicos na jurisprudência administrativa e judicial. Analisaram-se acórdãos do Conselho Administrativo de Recursos Fiscais (CARF), revelando padrões decisórios predominantes, divergências interpretativas, incoerências argumentativas e significativa insegurança jurídica. Os resultados indicaram forte tendência de invalidação dos planejamentos envolvendo JCP extemporâneos na esfera administrativa. Contudo, o julgamento do Tema 1319 pelo Superior Tribunal de Justiça (STJ) seguiu direção oposta, consagrando tese favorável à dedutibilidade e estabelecendo um precedente paradigmático que pode influenciar a jurisprudência administrativa e redefinir os critérios decisórios.

Palavras-chave: CARF; gestão tributária; limitação temporal; lucro real; planejamento tributário.

17 de setembro de 2026

Símbolos da Moda Esportiva: Consumo, Identidade e Status entre Consumidores Brasileiros

A moda esportiva consolidou-se como linguagem simbólica de distinção social nas últimas décadas, impulsionada pela expansão do mercado de wellness e pela reconfiguração dos padrões de prestígio nas sociedades de consumo contemporâneas. O estudo objetivou compreender como os símbolos da moda esportiva influenciaram a construção de identidade e pertencimento e sua associação ao prestígio social entre consumidores brasileiros que adquiriram produtos do setor nos últimos 12 meses. Desenvolveu-se a pesquisa por meio de levantamento bibliográfico e pesquisa descritiva, com levantamento do tipo survey aplicado a uma amostra não probabilística por conveniência de 445 consumidores brasileiros de moda esportiva. Os principais resultados indicaram que a maioria dos respondentes associou marcas esportivas a percepções de status social; mais da metade reconheceu o wellness como novo símbolo de prestígio; e parcela expressiva percebeu o sportstyle como mais aceito em ambientes formais de trabalho. Em contrapartida, formas ostensivas de sinalização, como preferência por logotipos visíveis, influência de redes sociais e disposição a pagar sobrepreço, foram amplamente rejeitadas, revelando uma dissociação entre a atribuição simbólica de status e o comportamento de sinalização ostensiva. O consumidor brasileiro de moda esportiva com elevado capital cultural operou por meio de sinais simbólicos sutis e não ostensivos, compatíveis com o fenômeno do consumo inconspícuo, no qual a distinção social se manifestou de forma internalizada.

Palavras-chave: Consumo inconspícuo; Distinção; Prestígio social; Sportstyle; Wellness.

17 de setembro de 2026

Modelo Validado de Formação de Competência Técnica e Habilidades Não Técnicas em Indústrias Químicas Complexas

Analisou-se a implementação de um processo sistemático para o desenvolvimento e a atualização de competências técnicas e habilidades não técnicas em Operações Industriais e Segurança de Processo em uma indústria química de alta complexidade, pertencente a uma multinacional localizada no Polo Petroquímico de Camaçari, Bahia. O estudo objetivou implementar um processo mensurável e sustentável que assegurou a competência técnica e não técnica de 100% dos operadores, em conformidade com a legislação estadual da Bahia, diretrizes de institutos internacionais e políticas corporativas. A pesquisa caracterizou-se como um estudo de caso de abordagem mista, que envolveu diagnóstico documental, entrevistas semiestruturadas com 85 operadores experientes, análise de tarefas críticas e o desenvolvimento e aplicação piloto de um programa modular de treinamento. Este processo evidenciou a necessidade de alinhamento e atualização sistemática das competências requeridas. Os resultados obtidos indicaram a eficácia do modelo proposto, com 100% dos operadores concluindo os módulos teóricos e práticos e alcançando uma taxa de aprovação superior a 80%, além de conformidade operacional em campo. O trabalho contribuiu com um modelo estruturado de formação, incluindo matriz de competências, programas modulares de treinamento e diretrizes para certificação e recertificação, demonstrando potencial de replicação em outras unidades industriais de elevada complexidade e risco, e fortalecendo a segurança de processo e a sustentabilidade operacional.

Palavras-chave: Capacitação; Competência; Habilidades não técnicas; Segurança de processo; Treinamento.

Compliance E Esg

17 de setembro de 2026

Governança Pública Climática e Enchentes de 2024 no Rio Grande do Sul

As enchentes de 2024 no Rio Grande do Sul evidenciaram fragilidades estruturais na governança pública em um contexto federativo submetido a risco climático extremo. Este trabalho analisou, no recorte temporal de maio de 2024 a maio de 2025, como a atuação federal, estadual e municipal se estruturou diante da crise e em que medida a comparação com os Países Baixos ofereceu parâmetros úteis para o fortalecimento da resiliência institucional. A pesquisa adotou abordagem qualitativa, aplicada, exploratória e comparativa, com análise documental e análise de conteúdo de fontes oficiais, relatórios técnicos internacionais, atos normativos e pronunciamentos institucionais, organizados por categorias temáticas e interpretados com apoio do Modelo das Três Linhas do IIA. Os resultados mostraram que, embora os três níveis de governo tenham criado ou reestruturado instrumentos relevantes de coordenação e reconstrução após o desastre, prevaleceu uma institucionalidade reativa, posterior ao evento, com lacunas de continuidade administrativa, integração preventiva, monitoramento e accountability. Na comparação internacional, o modelo neerlandês destacou-se por combinar autoridade operacional permanente, base territorial clara, financiamento próprio e mecanismos mais robustos de monitoramento e responsabilização. Concluiu-se que os impactos das enchentes foram agravados menos pela ausência formal de normas e mais pela insuficiente articulação entre operação, gestão de riscos e controle. O fortalecimento da governança climática, no caso gaúcho, depende de institucionalizar coordenação, dados, financiamento e accountability em bases permanentes.

Palavras-chave: accountability; adaptação climática; gestão de riscos; governança multinível.

Digital Business

17 de setembro de 2026

Dados e Automação Utilizados em uma Campanha de Marketing na Engenharia Civil

A crescente utilização de dados no marketing digital impulsionou a adoção de estratégias mais orientadas por métricas e desempenho, com o Inbound Marketing em destaque. O uso de ferramentas de Business Intelligence (BI) mostrou-se fundamental para transformar dados em informações estratégicas, apoiando a tomada de decisão e a construção de bases de contatos qualificadas. Analisou-se como a ausência de integração entre sistemas de BI e plataformas de automação de marketing impactou a eficiência operacional e a efetividade das estratégias de Inbound Marketing em uma empresa de engenharia. Para isso, adotou-se uma abordagem descritiva de natureza qualitativa, baseada na análise dos processos operacionais envolvidos, desde a leitura de relatórios extraídos do BI e sua posterior transformação em mailings, até a preparação para importação no RD Station. Os resultados indicaram que o processo atual dependia de etapas manuais e empíricas, demandando tempo significativo. Identificaram-se limitações relacionadas à ausência de integração entre os sistemas, o que impactou diretamente a eficiência operacional e aumentou a dependência de atividades repetitivas. Concluiu-se que a estruturação adequada do processo de gestão de mailings e a integração entre BI e ferramentas de automação de marketing representam uma oportunidade para otimizar fluxos, melhorar a qualidade dos dados e fortalecer as estratégias de Inbound Marketing.

Palavras-chave: Automação de Marketing; Business Intelligence; Inbound Marketing; Integração de Sistemas; RD Station.

17 de setembro de 2026

Detecção de Anomalias no Monitoramento de Saúde de Pontes Usando Redes Neurais

O monitoramento da saúde estrutural de pontes tornou-se cada vez mais relevante diante do envelhecimento das infraestruturas e da intensificação de eventos extremos associados às mudanças climáticas. Nesse contexto, abordagens baseadas em dados destacaram-se como alternativas promissoras para o reconhecimento de anomalias. O estudo objetivou desenvolver e avaliar uma abordagem baseada em aprendizado de máquina para o reconhecimento de anomalias em séries temporais de aceleração estrutural. A metodologia adotada consistiu no uso de autoencoders treinados exclusivamente com dados representativos da condição íntegra, permitindo ao modelo aprender padrões associados ao estado saudável da estrutura; em seguida, o erro de reconstrução, quantificado por meio do erro quadrático médio (MSE), foi utilizado como critério para identificação de desvios em relação a essa condição. O conjunto de dados analisado foi composto por 1767 séries temporais de 1000 pontos cada, pertencentes a duas classes: íntegra (normal) e anômala (danificada). Os resultados obtidos demonstraram que o modelo proposto apresentou elevada capacidade de reconhecimento da classe anômala, com taxa de detecção superior a 90%, e desempenho global satisfatório, com área sob a curva ROC (AUC) próxima de 0,78, indicando boa capacidade discriminativa e reforçando o potencial da abordagem para aplicações em monitoramento estrutural.

Palavras-chave: Autoencoders; Detecção de Anomalias; Monitoramento de Pontes; Redes Neurais.

17 de setembro de 2026

Gestão Escolar Integrada: o Papel da Direção Administrativa na Capacitação da Equipe de Gestão Pedagógica para a Compreensão do Orçamento Escolar

A administração escolar foi abordada sob a perspectiva da integração entre gestores administrativos e pedagógicos, com foco na participação democrática, capacitação e qualificação dos atores. O objetivo geral consistiu na elaboração de um Guia de Orientações para Orçamento, direcionado à equipe de gestão pedagógica e mediado pela direção administrativa, visando instrumentalizar esses profissionais para a compreensão e participação nos processos financeiros e decisórios da instituição. Para tanto, o estudo desenvolveu-se em uma instituição particular privada, adotando uma abordagem qualitativa, descritiva e aplicada, com procedimento metodológico de estudo de caso. A pesquisa mapeou desafios práticos e dificuldades de comunicação entre os setores, analisou referenciais teóricos da gestão escolar e estruturou o instrumento formativo proposto. Os resultados demonstraram que a ausência de integração entre as áreas administrativa e pedagógica pode comprometer a efetividade da gestão escolar, evidenciando a necessidade de processos formativos contínuos que promovam entendimento mútuo, cooperação e construção coletiva de soluções. O Guia proposto fortaleceu a gestão democrática, elevou a qualificação da equipe pedagógica e melhorou os processos decisórios institucionais, destacando o papel formativo e estratégico do diretor administrativo.

Palavras-chave: Comunicação escolar; Gestão escolar participativa; Orçamento escolar.

Inscreva-se em nossa newsletter!

Receba conteúdos e fique sempre atualizado sobre as novidades em gestão, liderança e carreira com a Revista E&S.

Ao preencher o formulário você está ciente de que podemos enviar comunicações e conteúdos da Revista E&S. Confira nossa Política de Privacidade