08 de outubro de 2026
Elasticidade do ICMS nos Estados em relação ao investimento em CT&I: análise quantitativa e clusterização
Elasticidade do Icms nos Estados em Relação ao Investimento em Ct&i: Análise Quantitativa e Clusterização
Letícia Álvares Barbalho Barbosa; Charles Gomes da Silva
DOI: 10.22167/2675-6528-202603149
Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.
Resumo
O presente estudo examinou a elasticidade da arrecadação do Imposto sobre Circulação de Mercadorias e Prestação de Serviços (ICMS) nos estados brasileiros em relação aos investimentos públicos em Ciência, Tecnologia e Inovação (CT&I). O objetivo foi investigar essa elasticidade e identificar padrões de similaridade entre as unidades federativas. Adotou-se uma abordagem quantitativa, utilizando dados abertos de fontes oficiais. Empregou-se um modelo de regressão para dados em painel, com escolha do estimador de efeitos fixos fundamentada no teste de Hausman, para mensurar a elasticidade. Complementarmente, realizou-se uma análise de clusterização K-Means para agrupar os estados com base em indicadores socioeconômicos e de investimento em CT&I. Os resultados indicaram uma elasticidade positiva, porém de baixa magnitude (0,0687), caracterizando uma resposta inelástica da arrecadação em relação aos investimentos em CT&I. Contudo, o coeficiente estimado não apresentou significância estatística ao nível convencional, o que limitou a inferência de uma relação robusta entre as variáveis no período analisado e não permitiu inferir causalidade. A análise de clusterização revelou três perfis distintos de estados, evidenciando a heterogeneidade regional. Concluiu-se que os investimentos em CT&I não devem ser justificados por retorno fiscal de curto prazo, sugerindo que seus efeitos podem ser indiretos, defasados ou mediados por outros fatores econômicos.
Palavras-chave: Ciência, tecnologia e inovação; Clusterização; Dados em painel; ICMS.
1. Introdução
A arrecadação tributária constitui o principal instrumento para o financiamento das políticas públicas e para o desenvolvimento socioeconômico dos estados brasileiros. Dentre os tributos de maior relevância, destaca-se o Imposto sobre Circulação de Mercadorias e Prestação de Serviços de Transporte Interestadual e Intermunicipal e Serviços de Comunicações (ICMS). Este imposto gera a maior parte das receitas dos cofres públicos e mantém relação direta com setores econômicos como agricultura, transporte e energia (Silva, 2019). De competência dos Estados e do Distrito Federal (Brasil, 1988), o ICMS incide sobre operações de circulação de mercadorias e prestações onerosas de serviços, sendo de natureza não cumulativa e permitindo a compensação do valor devido em cada etapa da cadeia produtiva, o que o estabelece como uma das principais fontes de arrecadação estadual e um instrumento relevante para o equilíbrio fiscal e o desenvolvimento econômico.
Pela definição legal, a alíquota do ICMS não possui relação direta com investimentos em Ciência, Tecnologia e Inovação (CT&I), uma vez que estes não integram sua base de cálculo. Contudo, diante da constante necessidade de fortalecimento das economias regionais, torna-se fundamental compreender o papel desses investimentos no desenvolvimento. No âmbito das políticas tecnológicas, governos têm considerado os investimentos em Tecnologia da Informação e Comunicação (TIC), uma dimensão do CT&I, como uma ferramenta relevante para atingir metas estratégicas, como a melhoria da qualidade dos serviços públicos, a redução de custos e o aumento da transparência dos dados (Przeybilovicz, Cunha e Meirelles, 2018).
Embora os investimentos em TIC representem apenas uma dimensão do conjunto mais amplo de CT&I, sua utilização ilustra como iniciativas tecnológicas podem contribuir para o desenvolvimento econômico. Se esses investimentos se mostrarem capazes de tornar a economia mais dinâmica, produtiva e geradora de produtos de maior valor, é possível expandir o montante sobre o qual o ICMS incide, garantindo o aumento da arrecadação a longo prazo. Essa expansão ocorreria tanto pelo aumento do valor na base de cálculo quanto pelo volume de transações efetuadas.
Para melhor entender o relacionamento entre esses fatores, utiliza-se o conceito de elasticidade. Na economia, a elasticidade expressa a variação percentual de uma variável em resposta à variação percentual de outra. No conceito clássico da elasticidade-preço da demanda, ela indica o quanto os consumidores reagem a alterações nos preços (Rodrigues, 2018). Embora tradicionalmente associado ao comportamento de mercado, sua aplicação neste estudo deve ser compreendida em um sentido econométrico. A elasticidade aqui estimada não decorre de um mecanismo direto de mercado, mas de uma relação estatística obtida a partir da especificação de um modelo de dados em painel. Assim, ao analisar a elasticidade do ICMS em função dos investimentos em CT&I, busca-se identificar o grau de sensibilidade da arrecadação tributária a variações nesses investimentos, ou seja, se aumentos no gasto público em ciência e tecnologia produzem respostas proporcionais na receita estadual.
Portanto, compreender a elasticidade do ICMS em relação ao investimento em CT&I permite avaliar em que medida esses investimentos de fato impactam a arrecadação do ICMS e, por extensão, a sustentabilidade fiscal dos estados. No setor público, existe um constante esforço para equilibrar receitas e despesas. No entanto, certas despesas contribuem diretamente para o aumento da eficiência dos órgãos públicos, como é o caso dos gastos com CT&I (Cabello e Santos, 2022).
Desta forma, o presente estudo tem como objetivo geral investigar a elasticidade do ICMS nos Estados em relação ao investimento em CT&I, adotando uma abordagem quantitativa e comparativa. Com isso, busca também contribuir para o debate sobre a importância dos investimentos em inovação como instrumento de estímulo ao desenvolvimento econômico e à ampliação da base fiscal. Como objetivo secundário, pretende-se agrupar os estados segundo padrões de similaridade nos níveis de investimento em CT&I e arrecadação, possibilitando a identificação de diferentes perfis entre as unidades federativas. Para facilitar e interpretar a compreensão de informações por públicos variados, serão usadas técnicas de análise e visualização de dados para simplificar e tornar acessível o entendimento de informações complexas (Costa, 2017).
2. Material e Métodos
A presente pesquisa caracterizou-se como explicativa, buscando analisar as relações entre o Imposto sobre Circulação de Mercadorias e Prestação de Serviços (ICMS) e os investimentos em Ciência, Tecnologia e Inovação (CT&I). O objetivo foi compreender as associações e interdependências entre essas variáveis, utilizando procedimentos analíticos e estatísticos (Mettzer, s.d.). Os achados devem ser interpretados como relações de associação, sem inferência de causalidade direta.
A abordagem metodológica adotada foi quantitativa, com variáveis numéricas. O tratamento dos dados utilizou técnicas estatísticas e algoritmos de aprendizado de máquina para mensurar relações entre as variáveis (Prodanov e Freitas, 2013). O delineamento da pesquisa empregou dois métodos complementares: regressão para dados em painel e clusterização K-Means.
A coleta de dados foi realizada por levantamento de dados secundários, utilizando bases oficiais e de acesso público, previamente consolidadas por órgãos institucionais. As informações foram obtidas de MCTI, Siconfi/STN, Confaz, IBGE, ABEP-TIC e IPEAData. O uso de dados secundários justificou-se pela sua abrangência, confiabilidade e comparabilidade entre os estados e ao longo do tempo.
As informações foram inicialmente coletadas em formatos como CSV, XLS e XLSX. Posteriormente, esses dados foram inseridos em uma base de dados estruturada MySQL, organizada segundo a arquitetura em camadas Medallion Architecture (Databricks, 2023). As camadas Bronze, Silver e Gold foram utilizadas para ingestão de dados brutos, tratamento e validação, e agregação para consumo analítico, respectivamente. Na camada Gold, os dados de investimento em CT&I e de arrecadação de ICMS foram ajustados pela população para se tornarem “per capita”, visando padronização e redução de distorções.
Para a regressão, os dados foram caracterizados como dados em painel, acompanhando os estados brasileiros de 2013 a 2023, reunindo informações de arrecadação de ICMS per capita e investimentos em CT&I per capita. A abordagem controlou particularidades de cada unidade federativa e variações temporais (Baltagi, 2005; Fávero e Belfiore, 2017). A relação empírica foi especificada por um modelo logarítmico em painel, onde a arrecadação estadual per capita foi explicada pelos investimentos em CT&I per capita. As variáveis foram transformadas por logaritmo natural (especificação log-log), permitindo interpretar os coeficientes como elasticidades e contribuindo para a redução de diferenças de escala. Para a escolha entre modelos de efeitos fixos e aleatórios, aplicou-se o teste de Hausman. O resultado indicou a rejeição da hipótese nula, levando à utilização do modelo de efeitos fixos, considerado mais adequado à estrutura dos dados analisados.
A análise de clusterização foi empregada para identificar padrões de similaridade entre os estados, com base em indicadores socioeconômicos, fiscais e institucionais (Fávero e Belfiore, 2025). Optou-se pelo algoritmo K-Means, valorizado por sua simplicidade e capacidade de lidar com bases de dados, além de permitir a construção de tipologias claras e comunicáveis. O K-Means consiste em um processo iterativo de realocação de observações, associando cada unidade ao cluster cujo centroide se encontra mais próximo. A definição do número de clusters (k) foi realizada testando diferentes valores, com apoio do método do cotovelo e da análise do silhouette médio. A escolha por três clusters mostrou-se adequada para equilibrar qualidade estatística e interpretabilidade.
As implementações computacionais foram realizadas em Python. Para a regressão, utilizou-se linearmodels (PanelOLS, RandomEffects) e o teste de Hausman. Para a clusterização, empregou-se scikit-learn (K-Means, StandardScaler). Pandas, SQLAlchemy e NumPy foram usadas para extração, preparação e operações numéricas. Matplotlib e geopandas foram utilizadas para gráficos e mapas temáticos.
Para a clusterização, foram selecionados dados de Investimentos em CT&I, Receitas anuais, PIB per capita, Índice de Gini, IDHM, Índice de Competitividade e Índice ABEP-TIC de Oferta de Serviços Públicos Digitais (IOSPD). Foram realizados dois exercícios complementares: o primeiro com dados de 2022, excluindo o IDHM; o segundo com dados de 2021, incorporando o IDHM e sem o Índice ABEP-TIC para o Distrito Federal.
3. Resultados e Discussão
Os resultados deste estudo fornecem uma análise aprofundada da elasticidade da arrecadação do Imposto sobre Circulação de Mercadorias e Prestação de Serviços (ICMS) em relação aos investimentos públicos em Ciência, Tecnologia e Inovação (CT&I) nos estados brasileiros, bem como uma tipologia das unidades federativas com base em seus perfis de investimento e arrecadação. A pesquisa revelou que, embora exista uma associação positiva entre as variáveis, a magnitude dessa relação é baixa e não se mostrou estatisticamente significativa no período analisado. Adicionalmente, a análise de clusterização evidenciou a heterogeneidade regional, agrupando os estados em perfis distintos de investimento e arrecadação, o que contribui para uma compreensão mais matizada da dinâmica fiscal e de inovação no Brasil.
Regressão para dados em painel
A estimação da regressão para dados em painel foi realizada com base em um recorte temporal comum entre as bases de dados, abrangendo o período de 2013 a 2023. Essa compatibilização das séries foi essencial para garantir a comparabilidade temporal e a presença das mesmas unidades federativas ao longo do período analisado, conforme a metodologia de Fávero e Belfiore (2025). A variável dependente do modelo foi a arrecadação estadual de ICMS per capita, enquanto a variável independente principal foi o investimento estadual em CT&I per capita. Ambas as variáveis foram transformadas por meio do logaritmo natural, adotando uma especificação log-log que permite interpretar os coeficientes como elasticidades e reduzir as diferenças de escala entre os estados.
A escolha do modelo de efeitos fixos foi fundamentada no teste de Hausman, que indicou a rejeição da hipótese nula com um valor de qui-quadrado de 19,2176 e um p-valor de 0,000712. Este resultado sugere que o modelo de efeitos aleatórios seria inconsistente devido à correlação entre os efeitos não observados das unidades federativas e as variáveis explicativas, tornando o modelo de efeitos fixos mais adequado para a estrutura dos dados analisados. A abordagem de dados em painel permitiu isolar a variabilidade temporal e controlar as diferenças estruturais persistentes entre os estados, o que é crucial para uma análise robusta em estudos longitudinais (Baltagi, 2005).
A estimação utilizou um total de 189 observações, garantindo uma base empírica consistente para a análise. O coeficiente de determinação (R²) do modelo foi de 0,1905, indicando que aproximadamente 19,05% da variação da arrecadação do ICMS per capita é explicada pelas variáveis incluídas no modelo. O R² within, que é a métrica mais relevante para modelos de efeitos fixos, foi de 0,2184, representando a capacidade explicativa da variação ao longo do tempo dentro das unidades federativas. O R² overall, de 0,5925, expressa o ajuste global do modelo ao combinar variações temporais e entre estados.
A estatística F robusta do modelo foi de 2,7115, com um p-valor de 0,0322, o que indica que o modelo é estatisticamente significativo como um todo. Isso significa que o conjunto das variáveis explicativas, em conjunto, contribui para explicar a variação da arrecadação do ICMS per capita. No entanto, é importante notar que a significância do modelo como um todo não implica que todas as variáveis explicativas sejam individualmente significativas, o que será detalhado na análise dos coeficientes específicos.
O coeficiente de elasticidade estimado para os investimentos em CT&I per capita foi de 0,0687, indicando uma relação positiva, porém de baixa magnitude. Isso caracteriza uma resposta inelástica da arrecadação do ICMS em relação a esses investimentos. Em termos práticos, um aumento de 1% no investimento em CT&I per capita estaria associado, em média, a um acréscimo de aproximadamente 0,07% na arrecadação estadual de ICMS per capita, após o controle das características estruturais específicas das unidades federativas e da dinâmica temporal comum.
Contudo, o p-valor associado à elasticidade dos investimentos em CT&I foi de 0,2364, o que é superior aos níveis de significância convencionais. Este resultado sugere a ausência de evidência estatística suficiente para confirmar um efeito robusto e direto dos investimentos em CT&I sobre a arrecadação de ICMS per capita no período analisado. A não significância estatística do coeficiente indica que esse efeito não pode ser identificado de forma robusta como um impacto direto e contemporâneo, o que está em consonância com a interpretação de Fávero e Belfiore (2025) de que modelos longitudinais tendem a isolar a variabilidade estritamente associada à evolução temporal intraunidades.
Este achado é coerente com o caráter estrutural das políticas de CT&I, cujos efeitos costumam ocorrer de maneira progressiva e mediada ao longo do tempo, não se traduzindo necessariamente em retornos fiscais imediatos. A ausência de significância estatística não invalida a relevância dos investimentos em CT&I, mas evidencia a complexidade da relação e a necessidade de considerar horizontes temporais mais longos ou variáveis intermediárias que possam capturar melhor esses efeitos. Os resultados devem ser interpretados como associações estatísticas, sem inferência de causalidade direta entre as variáveis.
Em relação às variáveis de controle, o logaritmo do PIB per capita apresentou um coeficiente positivo e estatisticamente significativo de 0,7656, com um p-valor de 0,0220. Este resultado evidencia que o nível de atividade econômica exerce uma influência relevante e robusta sobre a arrecadação do ICMS, o que é esperado, dado que o ICMS incide sobre a circulação de mercadorias e serviços, diretamente ligada à dinâmica econômica. As variáveis Índice de Gini e Competitividade, por sua vez, não apresentaram significância estatística, com p-valores elevados de 0,4322 e 0,9967, respectivamente, sugerindo que seus efeitos sobre a arrecadação não podem ser afirmados com base nos dados analisados.
A dispersão entre o logaritmo do investimento em CT&I per capita e o logaritmo da arrecadação de ICMS per capita, observada no conjunto de dados, sugere uma relação positiva média entre as variáveis, caracterizada por uma inclinação crescente da nuvem de pontos. Isso indica que unidades federativas com maiores volumes de investimento em CT&I tendem, em média, a registrar níveis mais elevados de arrecadação per capita. No entanto, a ampla dispersão das observações em torno dessa tendência evidencia uma acentuada heterogeneidade entre os estados, refletindo trajetórias bastante diferenciadas ao longo do período considerado.
Essa variabilidade é consistente com a presença de diferenças estruturais persistentes entre as unidades federativas, uma característica típica de bancos de dados longitudinais com múltiplas seções transversais observadas ao longo do tempo (Fávero e Belfiore, 2025). Assim, embora a visualização dos dados possa sugerir uma correlação, ela não é uniforme nem linear para todos os estados, o que ajuda a explicar a baixa magnitude da elasticidade estimada no modelo de dados em painel e a ausência de significância estatística do coeficiente associado aos investimentos em CT&I quando se controla adequadamente a heterogeneidade não observável e os efeitos temporais comuns. É fundamental ressaltar que a associação visual observada demonstra uma correlação, e não uma causalidade, não implicando, necessariamente, uma relação estatisticamente significativa.
Clusterização
O objetivo da análise de clusterização foi identificar padrões de similaridade entre os estados brasileiros quanto aos níveis e combinações de investimento em CT&I e indicadores socioeconômicos associados. Para isso, foi utilizado o algoritmo K-Means, escolhido por sua simplicidade, capacidade de lidar com bases de dados e pela clareza na interpretação dos resultados, que são representados por centróides que sintetizam o “perfil médio” de cada grupo (Fávero e Belfiore, 2025). A definição do número de clusters (k) foi realizada com o apoio do método do cotovelo e da análise do índice de silhouette médio.
Observou-se que, para o ano de 2022, a inércia reduziu de 88,22 para 67,35 ao passar de dois para três clusters, e para 2021, a redução foi de 79,28 para 55,81, indicando um ponto de inflexão relevante em ambos os casos. Embora o valor de k = 2 apresentasse os maiores índices de silhouette (0,3925 em 2022 e 0,4392 em 2021), a solução com três clusters manteve níveis muito próximos (0,3843 e 0,4371, respectivamente), com perda mínima de qualidade na separação dos grupos. A partir de k = 4, a redução da inércia e a queda nos índices de silhouette tornaram-se mais graduais, sugerindo ganhos marginais limitados. Dessa forma, a escolha por três clusters mostrou-se adequada por equilibrar a qualidade estatística e a interpretabilidade, alinhando-se aos objetivos exploratórios do estudo.
A primeira clusterização, realizada com dados referentes ao ano de 2022, resultou na formação de três grupos com perfis distintos. O primeiro cluster reuniu estados que apresentaram simultaneamente altos níveis de investimento em CT&I per capita e elevada arrecadação de ICMS per capita, caracterizando um perfil de maior intensidade conjunta dessas variáveis. O segundo cluster agregou os estados que possuíam baixos níveis tanto de investimento quanto de arrecadação, refletindo um perfil associado a menores níveis dessas variáveis. Por fim, o terceiro cluster foi composto por estados que, embora apresentassem níveis relativamente mais elevados de investimento em CT&I, não registraram valores proporcionais de arrecadação per capita, caracterizando um perfil distinto na combinação entre investimento e arrecadação.
Esses agrupamentos refletem padrões de similaridade entre os estados, e não devem ser interpretados como medidas diretas de eficiência ou relações causais entre as variáveis analisadas. A diversidade dos indicadores sugere que o terceiro grupo pode ser influenciado por fatores como o tamanho populacional. Além disso, os padrões observados podem refletir efeitos que não se traduzem diretamente na arrecadação estadual, estando associados a dinâmicas econômicas mais amplas, inclusive fora do território analisado. A distribuição espacial desses clusters no território brasileiro complementa a leitura, permitindo observar a dimensão regional da heterogeneidade identificada.
Em sequência, uma segunda clusterização foi realizada para fins de comparação e validação, utilizando dados do ano de 2021 e incorporando o Índice de Desenvolvimento Humano Municipal (IDHM) dos estados como indicador adicional. Os resultados dessa segunda análise mostraram a formação dos três grupos de forma muito semelhante à primeira clusterização, porém não idêntica. A única mudança observada foi no estado do Rio de Janeiro, que na clusterização inicial havia sido alocado no cluster 3 (maior investimento relativo e menor arrecadação relativa) e na segunda clusterização mudou para o cluster 2 (baixo investimento e baixa arrecadação). Essa consistência geral dos agrupamentos, com uma pequena alteração pontual, reforça a robustez das tipologias identificadas, mesmo com a inclusão de um indicador de desenvolvimento humano e um recorte temporal ligeiramente diferente.
Em síntese, os achados da pesquisa indicam que, embora exista uma associação positiva entre os investimentos em CT&I e a arrecadação de ICMS nos estados brasileiros, essa relação é de baixa magnitude e não se mostrou estatisticamente significativa no período analisado, caracterizando uma resposta inelástica. Isso sugere que os efeitos dos investimentos em CT&I sobre a arrecadação podem ser indiretos, defasados ou mediados por outros fatores econômicos, e que não se traduzem em retornos fiscais de curto prazo. A análise de clusterização, por sua vez, revelou a heterogeneidade regional, identificando três perfis distintos de estados com base em seus níveis de investimento e arrecadação, o que enriquece a compreensão das dinâmicas fiscais e de inovação no contexto brasileiro e reforça a ideia de que o impacto dos investimentos em CT&I depende de condições específicas de cada unidade federativa.
4. Conclusão
O presente estudo investigou a elasticidade da arrecadação do Imposto sobre Circulação de Mercadorias e Prestação de Serviços (ICMS) nos estados brasileiros em relação aos investimentos públicos em Ciência, Tecnologia e Inovação (CT&I), buscando também identificar padrões de similaridade entre as unidades federativas. Verificou-se uma elasticidade positiva, porém de baixa magnitude, estimada em 0,0687, o que caracterizou uma resposta inelástica da arrecadação do ICMS frente a esses investimentos. Contudo, o coeficiente não apresentou significância estatística no período analisado, limitando a inferência de uma relação robusta e direta entre as variáveis e impedindo a afirmação de causalidade. Os achados sugerem que os efeitos dos investimentos em CT&I sobre a arrecadação podem ser indiretos, defasados ou mediados por outros fatores econômicos, não se traduzindo em retornos fiscais imediatos. Complementarmente, a análise de clusterização revelou a existência de três perfis distintos de estados, evidenciando a heterogeneidade regional e a complexidade das dinâmicas fiscais e de inovação no contexto brasileiro. Essa tipologia contribui para uma compreensão mais aprofundada de como o impacto dos investimentos em CT&I pode variar conforme as condições específicas de cada unidade federativa.
A principal contribuição do estudo reside na explicitação de que os investimentos em CT&I não devem ser justificados por um retorno fiscal de curto prazo, mas sim por seus efeitos mais amplos e estruturais no desenvolvimento econômico e social. Como limitações, identificou-se a possibilidade de endogeneidade entre as variáveis analisadas, especialmente devido à relação potencialmente bidirecional entre investimento em CT&I e nível de atividade econômica, o que pode introduzir viés na estimação dos coeficientes. Adicionalmente, não foram realizados testes formais de multicolinearidade, e o modelo não incorporou defasagens temporais, o que dificultou a captura de efeitos de médio e longo prazo dos investimentos sobre a arrecadação. Para estudos futuros, sugere-se a realização de uma versão do modelo de regressão para dados em painel sem a inclusão dos dados do Produto Interno Bruto (PIB) per capita, a fim de comparar os resultados e verificar se a presença dessa variável poderia estar bloqueando a identificação de outros efeitos no modelo.
Referências Bibliográficas
Baltagi, B. H. (2005). Econometric analysis of panel data (3rd ed.). John Wiley & Sons.
Brasil. (1988). Constituição da República Federativa do Brasil de 1988. https://www.planalto.gov.br/ccivil_03/constituicao/constituicao.htm
Cabello, A., & Santos, W. (2021). O impacto da despesa de tecnologia da informação do governo federal sobre o tempo de resposta às demandas da Lei de Acesso à Informação (LAI). Perspectivas em Políticas Públicas, 14(28), 126-140.
Costa, F. (2017). Visualização de dados e sua importância na era do Big Data [Monografia de graduação, Universidade Federal do Rio Grande do Sul].
Databricks. (2023). The medallion architecture. https://www.databricks.com/glossary/medallion-architecture
Fávero, L. P., & Belfiore, P. (2025). Manual de análise de dados: Estatística e machine learning com Excel®, SPSS®, Stata®, R® e Python® (2a ed.). LTC.
Mettzer. (n.d.). Tipos de pesquisa: Quais são e como classificá-las. https://blog.mettzer.com/tipos-de-pesquisa/
Prodanov e Freitas, 2013 [Referência completa não encontrada no documento original]
Przeybilovicz, E., Cunha, M. A., & Meirelles, F. S. (2018). O uso da tecnologia da informação e comunicação para caracterizar os municípios: Quem são e o que precisam para desenvolver ações de governo eletrônico e smart city. Revista de Administração Pública, 52(4), 630-649. https://doi.org/10.1590/0034-7612170582
Rodrigues, D. G. (2018). Conceitos econômicos básicos: Entendendo o funcionamento da economia. Edição do autor.
Silva, N. C. da. (2019). O ICMS como instrumento de indução ao consumo sustentável. Thoth Editora.
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

