Resumo Executivo

Autor(a): Marcio Rubio Martins Zacheo — Orientador(a): Charles Gomes da Silva

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

Este estudo analisa os fatores econômicos e produtivos que influenciaram a valorização atípica dos veículos no Brasil durante a pandemia de Covid-19, utilizando modelos estatísticos e de Ciências de Dados. O objetivo foi identificar os fatores da alta nos preços de automóveis com um ano de uso e fornecer um modelo preditivo para auxiliar na formulação de políticas públicas em futuras crises. A premissa é que a inversão da curva de depreciação, fenômeno sem precedentes no mercado nacional, resultou de uma confluência de choques de oferta e demanda que exigem análise quantitativa.

O setor automotivo é um pilar da economia brasileira, crucial para o crescimento industrial e a geração de empregos. Dados do Instituto Brasileiro de Geografia e Estatística (IBGE, 2022) posicionam o setor como o terceiro mais importante na produção industrial do Produto Interno Bruto (PIB), com um volume anual de R$ 345 bilhões, correspondendo a 5% do total nacional, atrás apenas de petróleo/gás e mineração. A indústria automotiva gera mais de 106 mil postos de trabalho diretos e produz anualmente 1,8 milhões de automóveis, segundo a Associação Nacional dos Fabricantes de Veículos Automotores (ANFAVEA, 2024).

A pandemia de Covid-19, contudo, alterou drasticamente os padrões de consumo e a produção. No Brasil, o comportamento do consumidor de automóveis foi modificado, como aponta o estudo de Junger et al. (2021). A utilização do transporte público sofreu uma queda de até 80% no número de passageiros em 2020, segundo o Instituto de Pesquisa Econômica Aplicada (IPEA, 2021). Essa retração levou muitos indivíduos a buscar veículos individuais, gerando uma pressão de demanda inesperada sobre o mercado.

Essa nova demanda encontrou uma oferta severamente restringida. A produção de veículos novos caiu para níveis históricos, com apenas 2 mil unidades em abril de 2020, cerca de 1% da capacidade normal do setor (ANFAVEA, 2024). A queda foi consequência de interrupções nas cadeias de suprimentos globais, com destaque para a escassez de semicondutores, componente essencial para veículos modernos (SIA, 2023). O descompasso entre a demanda crescente por transporte individual e a oferta colapsada de veículos novos resultou na valorização de veículos usados, que, segundo Schulz et al. (2023), registraram uma apreciação de até 20% de acordo com a Tabela Fipe.

Apesar de estudos pontuais terem abordado o fenômeno, como o de Souza (2022), que atribuiu a valorização de 18,47% nos usados à escassez de componentes, e relatórios internacionais que documentaram movimentos semelhantes nos Estados Unidos (Cox Automotive, 2021) e na Europa (OECD, 2024), existe uma lacuna na literatura nacional. Falta uma análise que articule simultaneamente dados de preços, variáveis macroeconômicas e indicadores de produção industrial por meio de abordagens quantitativas. Este estudo preenche essa lacuna, utilizando modelos de Ciências de Dados para oferecer uma compreensão aprofundada dos determinantes da apreciação veicular no Brasil e fornecer uma ferramenta analítica para a gestão de futuras crises setoriais.

A metodologia adotada é quantitativa, com enfoque descritivo e correlacional, utilizando uma abordagem não experimental. A análise foi conduzida em Python, com bibliotecas como Pandas, Statsmodels e Numpy. A base de dados, com frequência mensal de janeiro de 2018 a julho de 2025, foi construída a partir de fontes como o Banco Central do Brasil, IBGE, ANFAVEA, Tabela Fipe e Semiconductor Industry Association (SIA), consolidando variáveis como taxa Selic, IPCA, câmbio, PIB, produção industrial e oferta global de semicondutores.

O objeto de análise foi o Volkswagen Polo Comfortline TSI, escolhido por ser o hatch mais vendido no período e por não ter sofrido alterações técnicas significativas, garantindo consistência na série histórica de preços da Tabela FIPE (Fenabrave, 20–). Os dados passaram por um processo de tratamento e padronização (data wrangling). Uma etapa crucial foi a aplicação de defasagens (lags) às variáveis exógenas, reconhecendo que os choques econômicos não se propagam instantaneamente. Choques na oferta de semicondutores foram testados com defasagens de 12 a 24 meses, enquanto o impacto do crédito foi considerado quase contemporâneo, com lags de 0 a 3 meses.

O principal instrumento analítico foi o modelo SARIMAX (Seasonal AutoRegressive Integrated Moving Average with eXogenous regressors). Sua escolha se justifica pela capacidade de capturar a dinâmica temporal de uma série, incorporando o efeito de variáveis externas e padrões sazonais. Conforme Hyndman e Athanasopoulos (2018), extensões do ARIMA como o SARIMAX são ferramentas poderosas para séries temporais complexas, integrando componentes autorregressivos (AR), de médias móveis (MA), diferenciação (I) e regressores externos (X). A literatura, como a da Society of Actuaries (2013), reforça que a inclusão de variáveis exógenas melhora a acurácia preditiva em cenários econômicos.

A superioridade do SARIMAX sobre abordagens como regressões lineares simples (que ignoram a dependência temporal) reside em seu equilíbrio entre robustez e interpretabilidade. Diferente de modelos de aprendizado de máquina mais complexos, que podem exigir mais dados e oferecer menor transparência, o SARIMAX permite isolar e quantificar o impacto de choques externos de forma clara. Shumway e Stoffer (2017) argumentam que, em economia, a inclusão de variáveis exógenas é fundamental para representar o comportamento observado. A validação do modelo foi assegurada por testes de diagnóstico rigorosos, como Ljung-Box para autocorrelação, Jarque-Bera para normalidade e ARCH para heterocedasticidade.

A Análise de Correlação Cruzada (CCF) identificou a relação temporal entre as variáveis. Um dos achados foi a forte correlação negativa (–0,85) entre a produção global de microchips e a depreciação, com defasagem de 24 meses. Isso evidencia que a queda na oferta de semicondutores esteve ligada ao aumento dos preços dos usados, com um lapso que reflete o ciclo da cadeia automotiva. O achado está em linha com relatórios da S&P Global Mobility (2023) e da Endurance Warranty (2025), que reportou um aumento de 35% nos preços de usados nos EUA.

Similarmente, a CCF revelou uma correlação negativa de –0,86 entre a taxa Selic e a depreciação, com defasagem de 14 meses. Isso indica que juros mais baixos estimulam a demanda por financiamento, pressionando os preços para cima. O aumento subsequente da Selic tende a arrefecer o mercado. O resultado corrobora análises como a do TradeMap (2022), que associou a valorização de 22% dos usados em 2021 ao cenário de juros baixos. A partir da CCF, foram selecionadas as variáveis com maior relevância, seguindo a orientação de Box et al. (2015) e Fávero e Belfiore (2017) sobre a importância da parcimônia.

A aplicação do modelo SARIMAX iniciou-se com uma especificação reduzida, contendo a Taxa Selic (lag de 14 meses) e a Produção de Microchips (lag de 18 meses). Ambos os coeficientes foram negativos e estatisticamente significativos a 5%. A interpretação econômica é que a queda da Selic estimula o crédito, enquanto a escassez de semicondutores restringe a oferta de novos, sustentando os preços dos usados. Os testes de diagnóstico confirmaram a boa especificação do modelo (p-valor de 0,95 no teste de Ljung-Box).

Em seguida, foi estimado um modelo completo, incluindo Taxa de Desemprego, Índice de Confiança do Consumidor (ICC), IPCA e Câmbio. Nesta especificação, apenas a Selic (lag de 14 meses) e o Câmbio (lag de 9 meses) mantiveram forte significância. A relevância do câmbio evidencia a influência de custos externos. A variável de microchips perdeu significância, sugerindo sobreposição de efeitos. Os termos AR(1) e MA(1) não se mostraram relevantes, indicando que a dinâmica foi predominantemente explicada pelas variáveis exógenas.

Para investigar a perda de significância da variável de chips, um teste de multicolinearidade (VIF) revelou colinearidade severa entre a Selic (VIF = 27,68) e o Desemprego (VIF = 22,17), e moderada para o ICC (VIF = 6,66). As variáveis de Chips (VIF = 3,01), Câmbio (VIF = 2,49) e IPCA (VIF = 1,90) não apresentaram colinearidade preocupante. Conforme Stock e Watson (2020), a multicolinearidade inflaciona os erros-padrão, dificultando a identificação do efeito isolado. A análise sugere que a perda de significância dos chips não se deveu a um problema estatístico, mas a uma sobreposição de seu efeito com a taxa de câmbio, que também captura choques internacionais na cadeia de suprimentos (Baldwin & Freeman, 2022).

Optou-se por um modelo final parcimonioso e robusto, com as três variáveis que representam os principais canais de influência: Selic (política monetária), Chips (restrições de oferta) e Câmbio (custos internacionais). Esta especificação apresentou VIFs baixos para todas as variáveis (Selic = 2,87; Chips = 2,64; Câmbio = 1,42), confirmando a ausência de multicolinearidade severa. Este modelo foi então submetido à avaliação de acurácia, conforme as melhores práticas econométricas (Hyndman & Athanasopoulos, 2018).

O modelo SARIMAX (1,1,1) final, com as variáveis exógenas Selic (lag de 14 meses), Chips (lag de 18 meses) e Câmbio (lag de 9 meses), apresentou desempenho preditivo e estatístico satisfatório. A Selic manteve-se como a variável mais robusta, com significância ao nível de 1%. As variáveis Chips e Câmbio, embora com relevância marginal, mostraram-se teoricamente coerentes, especialmente considerando que flutuações cambiais amplificam os choques de oferta de insumos importados como os semicondutores (Gaspar, Hoff & Mano, 2024). Os testes de diagnóstico validaram novamente a especificação do modelo.

Na avaliação de acurácia fora da amostra, em um horizonte de 12 meses, os resultados foram notáveis. O modelo alcançou um Erro Absoluto Médio (MAE) de 0,0202, uma Raiz do Erro Quadrático Médio (RMSE) de 0,0243 e um Erro Percentual Absoluto Médio Simétrico (sMAPE) de apenas 2,21%. Este último indicador se traduz em uma acurácia preditiva de 97,8%. Embora o resultado elevado possa refletir a estabilidade do período de teste, a robustez teórica do modelo e a ausência de problemas nos diagnósticos sugerem que não se trata de sobreajuste (overfitting), mas de uma especificação bem-sucedida.

O estudo demonstrou a complexidade do comportamento da depreciação automotiva durante a pandemia, moldado pela interação entre fatores macroeconômicos e choques de oferta. O modelo SARIMAX provou ser uma ferramenta eficaz para quantificar o impacto defasado de determinantes cruciais. A análise culminou na definição de um modelo parcimonioso e robusto, fundamentado em três variáveis: taxa Selic, oferta de microchips e taxa de câmbio. A Selic emergiu como o fator de maior robustez estatística, enquanto as variáveis de oferta, Chips e Câmbio, complementaram o modelo com relevância teórica. O desempenho preditivo do modelo, com acurácia de 97,8%, reforça sua viabilidade como ferramenta analítica para gestores da indústria e formuladores de políticas públicas. A pesquisa demonstra o potencial da integração entre ciência de dados e análise econômica para construir modelos interpretáveis e com alto poder preditivo. Conclui-se que o objetivo foi atingido: demonstrou-se que um modelo SARIMAX parcimonioso, incorporando a taxa Selic, a oferta de semicondutores e a taxa de câmbio com defasagens adequadas, é capaz de explicar e prever com alta acurácia a valorização atípica de veículos no Brasil durante o período da pandemia.

Referências:
ARAÚJO, Iara Soares de; BRANDÃO, Viviane Bernadeth Gandra. Trabalho e renda no contexto da pandemia de COVID-19 no Brasil. Revista Prâksis, Novo Hamburgo, ano 18, n. 2, p. 96-111, maio/ago. 2021. Disponível em: . Acesso em: 5 nov. 2024.
ASSOCIAÇÃO NACIONAL DOS FABRICANTES DE VEÍCULOS AUTOMOTORES – ANFAVEA. Edições em Excel. Disponível em: . Acesso em: 2 nov. 2024.
BALDWIN, R.; FREEMAN, R. Supply chain contagion waves: thinking ahead on manufacturing ‘contagion and reinfection’ from the COVID-19 shock. VoxEU, 2020.
BANCO CENTRAL DO BRASIL. Taxa Selic: séries temporais. Disponível em: https://www3. bcb. gov. br/sgspub/localizarseries/localizarSeries. do. Acesso em: 27 ago. 2025.
BOX, George E. P.; JENKINS, Gwilym M.; REINSEL, Gregory C.; LJUNG, Greta M. Time series analysis: forecasting and control. 5. ed. Hoboken: Wiley, 2015.
COX AUTOMOTIVE. Kelley Blue Book: average new-vehicle prices up nearly 10% year-over-year in August 2021. 2021. Disponível em: https://www. coxautoinc. com/wp-content/uploads/2021/09/KBB-August-2021-Average-Transaction-Prices. pdf. Acesso em: 27 set. 2025.
ENDURANCE WARRANTY. Microchip shortage update: is the automotive industry still taking a hit? jul. 2025. Disponível em: https://www. endurancewarranty. com/learning-center/news/microchip-shortage-update-is-the-automotive-industry-still-taking-a-hit/.
FÁVERO, Luiz Paulo; BELFIORE, Patrícia. Manual de análise de dados: estatística e modelagem multivariada com Excel®, SPSS® e Stata®. 2. ed. Rio de Janeiro: Elsevier, 2017.
FEDERAÇÃO NACIONAL DA DISTRIBUIÇÃO DE VEÍCULOS AUTOMOTORES – FENABRAVE. Emplacamentos. [S. l.], [20–]. Disponível em: https://www. fenabrave. org. br/portalv2/Conteudo/emplacamentos. Acesso em: 9 set. 2025.
FIPE – FUNDAÇÃO INSTITUTO DE PESQUISAS ECONÔMICAS. Índice de preços de veículos. Disponível em: https://veiculos. fipe. org. br. Acesso em: 2 nov. 2024.
GASPAR, Vitor; HOFF, Pieter; MANO, Rodrigo. Global supply chain pressures, inflation, and implications for monetary policy. VoxEU, 6 mar. 2024.
HYNDMAN, R. J.; ATHANASOPOULOS, G. Forecasting: principles and practice. 2. ed. Melbourne: OTexts, 2018. Disponível em: https://otexts. com/fpp2/. Acesso em: 3 set. 2025.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA – IBGE. Pesquisa industrial anual – produto 2022. Disponível em: . Acesso em: 4 nov. 2024.
INSTITUTO DE PESQUISA ECONÔMICA APLICADA – IPEA. Tendências e desigualdades da mobilidade urbana no Brasil I: o uso do transporte coletivo e individual. Brasília; Rio de Janeiro: Ipea, 2021. (Texto para discussão). Disponível em: . Acesso em: 5 nov. 2024.
JUNGER, Alex Paubel; MESQUITA, Francisco Vinícius de Sousa; GONÇALVES, Ingrid Sequeira; OLIVEIRA, Mayara dos Santos; LIMA, Stella Santana de; OLIVEIRA, Victor Inácio de. Análise do perfil comportamental do consumidor de automóveis diante do cenário da COVID-19. Revista de Casos e Consultoria, v. 12, n. 1, e25632, 2021. Disponível em: https://doi. org/10.1590/S2237-7417.2021. e25632. Acesso em: 5 nov. 2024.
MAJKA, M. ARIMAX: time series forecasting with external variables. ResearchGate, 2024. Disponível em: https://www. researchgate. net/publication/384196976ARIMAXTimeSeriesForecastingwithExternalVariables. Acesso em: 3 set. 2025.
OECD. The future of the automotive value chain. Paris: OECD Publishing, 2024. Disponível em: https://www. oecd. org/content/dam/oecd/en/publications/reports/2024/11/the-future-of-the-automotive-value-chain91460165/cb730d65-en. pdf. Acesso em: 27 set. 2025.
S&P GLOBAL MOBILITY. The semiconductor shortage is mostly over for the auto industry. jul. 2023. Disponível em: https://www. spglobal. com/mobility/en/research-analysis/the-semiconductor-shortage-is-mostly-over-for-the-auto-industry. html.
SCHULZ, Aleciane; ROCHA, Jéssica Silva; TRABACH, Maurílio Polak; ALMEIDA, Jóici Schaffer Soares de; ESTEVÃO, Simone Batista Fernandes; ZANONI, Helenize Espíndula Rossi Coser; PONATH, Aramis Monteiro; FURLANI, Cleidir José. Impacto da pandemia (COVID-19) na valorização de carros novos e seminovos no período compreendido entre 2020 a 2022. Revista Interdisciplinar da FARESE, v. 4, 2023. Disponível em: . Acesso em: 5 nov. 2024.
SEMICONDUCTOR INDUSTRY ASSOCIATION. Market data. Disponível em: https://www. semiconductors. org. Acesso em: 24 ago. 2025.
SHUMWAY, R. H.; STOFFER, D. S. Time series analysis and its applications: with R examples. 4. ed. Cham: Springer, 2017.
SOCIETY OF ACTUARIES. Forecasting long-term disability incidence rates using ARIMA and ARIMAX models. Schaumburg, IL: SOA, 2013. Disponível em: https://www. soa. org/globalassets/assets/files/research/projects/research-2013-arima-arimax-ben-appl-rates. pdf. Acesso em: 3 set. 2025.
SOUZA, Roberto Capelari de. Análise do valor de referência de veículos de passeio durante um período da pandemia do COVID-19. 2022. 65 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Automotiva) – Centro Tecnológico de Joinville, Universidade Federal de Santa Catarina, Joinville, 2022. Disponível em: https://repositorio. ufsc. br/handle/123456789/232630. Acesso em: 1 set. 2025.
STOCK, J. H.; WATSON, M. W. Introduction to econometrics. 4. ed. New York: Pearson, 2020.
TRADEMAP. Carros usados se valorizam na pandemia, mas preços altos estão com os dias contados. Agência TradeMap, 17 fev. 2022. Disponível em: https://trademap. com. br/agencia/brasil/carros-usados-se-valorizam-na-pandemia-mas-precos-altos-estao-com-os-dias-contados.

Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Data Science e Analytics do MBA USP/Esalq

_{Saiba mais sobre o curso; clique aqui:}