16 de enero de 2026
Análisis de los factores de apreciación vehicular en Brasil durante la pandemia de Covid-19
Autor(a): Marcio Rubio Martins Zacheo — Orientador(a): Charles Gomes da Silva
Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción.
Este estudio analiza los factores económicos y productivos que influyeron en la valorización atípica de los vehículos en Brasil durante la pandemia de Covid-19, utilizando modelos estadísticos y de Ciencias de Datos. El objetivo fue identificar los factores de la subida de precios de automóviles con un año de uso y proporcionar un modelo predictivo para auxiliar en la formulación de políticas públicas en futuras crisis. La premisa es que la inversión de la curva de depreciación, fenómeno sin precedentes en el mercado nacional, resultó de una confluencia de choques de oferta y demanda que exigen análisis cuantitativo.
El sector automotriz es un pilar de la economía brasileña, crucial para el crecimiento industrial y la generación de empleo. Datos del Instituto Brasileño de Geografía y Estadística (IBGE, 2022) posicionan al sector como el tercero más importante en la producción industrial del Producto Interno Bruto (PIB), con un volumen anual de R$ 345 mil millones, correspondiente al 5% del total nacional, solo por detrás del petróleo/gas y la minería. La industria automotriz genera más de 106 mil puestos de trabajo directos y produce anualmente 1,8 millones de automóviles, según la Asociación Nacional de Fabricantes de Vehículos Automotores (ANFAVEA, 2024).
Sin embargo, la pandemia de Covid-19 alteró drásticamente los patrones de consumo y producción. En Brasil, el comportamiento del consumidor de automóviles se modificó, como señala el estudio de Junger et al. (2021). El uso del transporte público experimentó una caída de hasta el 80% en el número de pasajeros en 2020, según el Instituto de Investigación Económica Aplicada (IPEA, 2021). Esta contracción llevó a muchos individuos a buscar vehículos individuales, generando una presión de demanda inesperada sobre el mercado.
Esta nueva demanda encontró una oferta severamente restringida. La producción de vehículos nuevos cayó a niveles históricos, con solo 2 mil unidades en abril de 2020, alrededor del 1% de la capacidad normal del sector (ANFAVEA, 2024). La caída fue consecuencia de interrupciones en las cadenas de suministro globales, destacando la escasez de semiconductores, componente esencial para vehículos modernos (SIA, 2023). El desajuste entre la creciente demanda de transporte individual y la oferta colapsada de vehículos nuevos resultó en la valorización de vehículos usados, que, según Schulz et al. (2023), registraron una apreciación de hasta el 20% según la Tabla Fipe.
A pesar de que estudios puntuales han abordado el fenómeno, como el de Souza (2022), que atribuyó la valorización de 18,47% en los usados a la escasez de componentes, e informes internacionales que documentaron movimientos similares en Estados Unidos (Cox Automotive, 2021) y en Europa (OECD, 2024), existe una laguna en la literatura nacional. Falta un análisis que articule simultáneamente datos de precios, variables macroeconómicas e indicadores de producción industrial por medio de enfoques cuantitativos. Este estudio llena esa laguna, utilizando modelos de Ciencias de Datos para ofrecer una comprensión profunda de los determinantes de la apreciación vehicular en Brasil y proporcionar una herramienta analítica para la gestión de futuras crisis sectoriales.
La metodología adoptada es cuantitativa, con enfoque descriptivo y correlacional, utilizando un enfoque no experimental. El análisis se realizó en Python, con bibliotecas como Pandas, Statsmodels y Numpy. La base de datos, con frecuencia mensual de enero de 2018 a julio de 2025, se construyó a partir de fuentes como el Banco Central de Brasil, IBGE, ANFAVEA, Tabla Fipe y Semiconductor Industry Association (SIA), consolidando variables como la tasa Selic, IPCA, tipo de cambio, PIB, producción industrial y oferta global de semiconductores.
El objeto de análisis fue el Volkswagen Polo Comfortline TSI, elegido por ser el hatch más vendido en el período y por no haber sufrido alteraciones técnicas significativas, garantizando consistencia en la serie histórica de precios de la Tabla FIPE (Fenabrave, 20–). Los datos pasaron por un proceso de tratamiento y estandarización (data wrangling). Una etapa crucial fue la aplicación de defasajes (lags) a las variables exógenas, reconociendo que los choques económicos no se propagan instantáneamente. Los choques en la oferta de semiconductores se probaron con defasajes de 12 a 24 meses, mientras que el impacto del crédito se consideró casi contemporáneo, con lags de 0 a 3 meses.
El principal instrumento analítico fue el modelo SARIMAX (Seasonal AutoRegressive Integrated Moving Average with eXogenous regressors). Su elección se justifica por la capacidad de capturar la dinámica temporal de una serie, incorporando el efecto de variables externas y patrones estacionales. Según Hyndman y Athanasopoulos (2018), extensiones del ARIMA como el SARIMAX son herramientas poderosas para series temporales complejas, integrando componentes autorregresivos (AR), de medias móviles (MA), diferenciación (I) y regresores externos (X). La literatura, como la de la Society of Actuaries (2013), refuerza que la inclusión de variables exógenas mejora la exactitud predictiva en escenarios económicos.
La superioridad del SARIMAX sobre enfoques como las regresiones lineales simples (que ignoran la dependencia temporal) reside en su equilibrio entre robustez e interpretabilidad. A diferencia de modelos de aprendizaje automático más complejos, que pueden requerir más datos y ofrecer menor transparencia, el SARIMAX permite aislar y cuantificar el impacto de choques externos de forma clara. Shumway y Stoffer (2017) argumentan que, en economía, la inclusión de variables exógenas es fundamental para representar el comportamiento observado. La validación del modelo fue asegurada por pruebas de diagnóstico rigurosas, como Ljung-Box para autocorrelación, Jarque-Bera para normalidad y ARCH para heterocedasticidad.
El Análisis de Correlación Cruzada (CCF) identificó la relación temporal entre las variables. Uno de los hallazgos fue la fuerte correlación negativa (–0,85) entre la producción global de microchips y la depreciación, con un desfase de 24 meses. Esto evidencia que la caída en la oferta de semiconductores estuvo ligada al aumento de los precios de los usados, con un lapso que refleja el ciclo de la cadena automotriz. El hallazgo está en línea con informes de S&P Global Mobility (2023) y Endurance Warranty (2025), que reportó un aumento del 35% en los precios de usados en EE. UU.
Similarmente, la CCF reveló una correlación negativa de –0,86 entre la tasa Selic y la depreciación, con un desfase de 14 meses. Esto indica que tasas de interés más bajas estimulan la demanda de financiación, presionando los precios al alza. El aumento subsiguiente de la Selic tiende a enfriar el mercado. El resultado corrobora análisis como el de TradeMap (2022), que asoció la valorización del 22% de los usados en 2021 al escenario de tasas de interés bajas. A partir de la CCF, se seleccionaron las variables con mayor relevancia, siguiendo la orientación de Box et al. (2015) y Fávero y Belfiore (2017) sobre la importancia de la parsimonia.
La aplicación del modelo SARIMAX se inició con una especificación reducida, que contenía la Tasa Selic (rezago de 14 meses) y la Producción de Microchips (rezago de 18 meses). Ambos coeficientes fueron negativos y estadísticamente significativos al 5%. La interpretación económica es que la caída de la Selic estimula el crédito, mientras que la escasez de semiconductores restringe la oferta de nuevos, sosteniendo los precios de los usados. Las pruebas de diagnóstico confirmaron la buena especificación del modelo (valor p de 0,95 en la prueba de Ljung-Box).
A continuación, se estimó un modelo completo, incluyendo Tasa de Desempleo, Índice de Confianza del Consumidor (ICC), IPCA y Tipo de Cambio. En esta especificación, solo la Selic (rezago de 14 meses) y el Tipo de Cambio (rezago de 9 meses) mantuvieron una fuerte significancia. La relevancia del tipo de cambio evidencia la influencia de costos externos. La variable de microchips perdió significancia, sugiriendo superposición de efectos. Los términos AR(1) y MA(1) no se mostraron relevantes, indicando que la dinámica fue predominantemente explicada por las variables explicativas.
Para investigar la pérdida de significancia de la variable de chips, una prueba de multicolinealidad (VIF) reveló colinealidad severa entre la Selic (VIF = 27,68) y el Desempleo (VIF = 22,17), y moderada para el ICC (VIF = 6,66). Las variables de Chips (VIF = 3,01), Tipo de Cambio (VIF = 2,49) e IPCA (VIF = 1,90) no presentaron colinealidad preocupante. Según Stock y Watson (2020), la multicolinealidad infla los errores estándar, dificultando la identificación del efecto aislado. El análisis sugiere que la pérdida de significancia de los chips no se debió a un problema estadístico, sino a una superposición de su efecto con la tasa de cambio, que también captura choques internacionales en la cadena de suministro (Baldwin & Freeman, 2022).
Se optó por un modelo final parsimonioso y robusto, con las tres variables que representan los principales canales de influencia: Selic (política monetaria), Chips (restricciones de oferta) y Câmbio (costos internacionales). Esta especificación presentó VIFs bajos para todas las variables (Selic = 2,87; Chips = 2,64; Câmbio = 1,42), confirmando la ausencia de multicolinealidad severa. Este modelo fue entonces sometido a la evaluación de precisión, conforme a las mejores prácticas econométricas (Hyndman & Athanasopoulos, 2018).
El modelo SARIMAX (1,1,1) final, con las variables exógenas Selic (rezago de 14 meses), Chips (rezago de 18 meses) y Câmbio (rezago de 9 meses), presentó un desempeño predictivo y estadístico satisfactorio. La Selic se mantuvo como la variable más robusta, con significancia al nivel de 1%. Las variables Chips y Câmbio, aunque con relevancia marginal, se mostraron teóricamente coherentes, especialmente considerando que las fluctuaciones cambiarias amplifican los choques de oferta de insumos importados como los semiconductores (Gaspar, Hoff & Mano, 2024). Las pruebas de diagnóstico validaron nuevamente la especificación del modelo.
En la evaluación de precisión fuera de la muestra, en un horizonte de 12 meses, los resultados fueron notables. El modelo alcanzó un Error Absoluto Medio (MAE) de 0,0202, una Raíz del Error Cuadrático Medio (RMSE) de 0,0243 y un Error Porcentual Absoluto Medio Simétrico (sMAPE) de solo 2,21%. Este último indicador se traduce en una precisión predictiva del 97,8%. Aunque el resultado elevado puede reflejar la estabilidad del período de prueba, la robustez teórica del modelo y la ausencia de problemas en los diagnósticos sugieren que no se trata de sobreajuste (overfitting), sino de una especificación exitosa.
El estudio demostró la complejidad del comportamiento de la depreciación automotriz durante la pandemia, moldeado por la interacción entre factores macroeconómicos y choques de oferta. El modelo SARIMAX demostró ser una herramienta eficaz para cuantificar el impacto rezagado de determinantes cruciales. El análisis culminó en la definición de un modelo parsimonioso y robusto, fundamentado en tres variables: tasa Selic, oferta de microchips y tasa de cambio. La Selic emergió como el factor de mayor robustez estadística, mientras que las variables de oferta, Chips y Cambio, complementaron el modelo con relevancia teórica. El desempeño predictivo del modelo, con una precisión del 97,8%, refuerza su viabilidad como herramienta analítica para gestores de la industria y formuladores de políticas públicas. La investigación demuestra el potencial de la integración entre ciencia de datos y análisis económico para construir modelos interpretables y con alto poder predictivo. Se concluye que el objetivo fue alcanzado: se demostró que un modelo SARIMAX parsimonioso, incorporando la tasa Selic, la oferta de semiconductores y la tasa de cambio con rezagos adecuados, es capaz de explicar y predecir con alta precisión la valorización atípica de vehículos en Brasil durante el período de la pandemia.
Referencias:
ARAÚJO, Iara Soares de; BRANDÃO, Viviane Bernadeth Gandra. Trabajo y renta en el contexto de la pandemia de COVID-19 en Brasil. Revista Prâksis, Novo Hamburgo, año 18, n. 2, p. 96-111, mayo/ago. 2021. Disponible en: . Acceso en: 5 nov. 2024.
ASOCIACIÓN NACIONAL DE FABRICANTES DE VEHÍCULOS AUTOMOTORES – ANFAVEA. Ediciones en Excel. Disponible en: . Acceso en: 2 nov. 2024.
BALDWIN, R.; FREEMAN, R. Ondas de contagio en la cadena de suministro: pensando en el contagio y la reinfección en la manufactura a partir del shock de COVID-19. VoxEU, 2020.
BANCO CENTRAL DO BRASIL. Tasa Selic: series temporales. Disponible en: https://www3. bcb. gov. br/sgspub/localizarseries/localizarSeries. do. Acceso en: 27 ago. 2025.
BOX, George E. P.; JENKINS, Gwilym M.; REINSEL, Gregory C.; LJUNG, Greta M. Análisis de series temporales: pronóstico y control. 5. ed. Hoboken: Wiley, 2015.
COX AUTOMOTIVE. Kelley Blue Book: precios promedio de vehículos nuevos con un aumento de casi el 10% interanual en agosto de 2021. 2021. Disponible en: https://www. coxautoinc. com/wp-content/uploads/2021/09/KBB-August-2021-Average-Transaction-Prices. pdf. Acceso en: 27 sep. 2025.
ENDURANCE WARRANTY. Actualización sobre la escasez de microchips: ¿la industria automotriz sigue sufriendo? jul. 2025. Disponible en: 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 análisis de datos: estadística y modelado multivariante con Excel®, SPSS® y Stata®. 2. ed. Río de Janeiro: Elsevier, 2017.
FEDERACIÓN NACIONAL DE DISTRIBUCIÓN DE VEHÍCULOS AUTOMOTORES – FENABRAVE. Matriculaciones. [S. l.], [20–]. Disponible en: https://www. fenabrave. org. br/portalv2/Conteudo/emplacamentos. Acceso en: 9 sep. 2025.
FIPE – FUNDAÇÃO INSTITUTO DE PESQUISAS ECONÔMICAS. Índice de precios de vehículos. Disponible en: https://veiculos. fipe. org. br. Acceso en: 2 nov. 2024.
GASPAR, Vitor; HOFF, Pieter; MANO, Rodrigo. Presiones globales en la cadena de suministro, inflación e implicaciones para la política monetaria. VoxEU, 6 mar. 2024.
HYNDMAN, R. J.; ATHANASOPOULOS, G. Pronóstico: principios y práctica. 2. ed. Melbourne: OTexts, 2018. Disponible en: https://otexts. com/fpp2/. Acceso en: 3 sep. 2025.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA – IBGE. Encuesta industrial anual – producto 2022. Disponible en: . Acceso en: 4 nov. 2024.
INSTITUTO DE PESQUISA ECONÔMICA APLICADA – IPEA. Tendencias y desigualdades de la movilidad urbana en Brasil I: el uso del transporte colectivo e individual. Brasília; Río de Janeiro: Ipea, 2021. (Texto para discusión). Disponible en: . Acceso en: 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. Análisis del perfil conductual del consumidor de automóviles ante el escenario de la COVID-19. Revista de Casos e Consultoria, v. 12, n. 1, e25632, 2021. Disponible en: https://doi. org/10.1590/S2237-7417.2021. e25632. Acceso en: 5 nov. 2024.
MAJKA, M. ARIMAX: pronóstico de series temporales con variables externas. ResearchGate, 2024. Disponible en: https://www. researchgate. net/publication/384196976ARIMAXPronósticodeSeriesTemporalesconVariablesExternas. Acceso en: 3 sep. 2025.
OECD. El futuro de la cadena de valor automotriz. París: OECD Publishing, 2024. Disponible en: https://www. oecd. org/content/dam/oecd/en/publications/reports/2024/11/the-future-of-the-automotive-value-chain91460165/cb730d65-en. pdf. Acceso en: 27 sep. 2025.
S&P GLOBAL MOBILITY. La escasez de semiconductores ha terminado en su mayor parte para la industria automotriz. jul. 2023. Disponible en: 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 de la pandemia (COVID-19) en la valorización de coches nuevos y seminuevos en el período comprendido entre 2020 y 2022. Revista Interdisciplinar da FARESE, v. 4, 2023. Disponible en: . Acceso en: 5 nov. 2024.
SEMICONDUCTOR INDUSTRY ASSOCIATION. Datos del mercado. Disponible en: https://www. semiconductors. org. Acceso en: 24 ago. 2025.
SHUMWAY, R. H.; STOFFER, D. S. Análisis de series temporales y sus aplicaciones: con ejemplos de R. 4. ed. Cham: Springer, 2017.
SOCIEDAD DE ACTUARIOS. Predicción de las tasas de incidencia de discapacidad a largo plazo utilizando modelos ARIMA y ARIMAX. Schaumburg, IL: SOA, 2013. Disponible en: https://www. soa. org/globalassets/assets/files/research/projects/research-2013-arima-arimax-ben-appl-rates. pdf. Acceso en: 3 sep. 2025.
SOUZA, Roberto Capelari de. Análisis del valor de referencia de vehículos de pasajeros durante un período de la pandemia de COVID-19. 2022. 65 f. Trabajo de Conclusión de Curso (Grado en Ingeniería Automotriz) – Centro Tecnológico de Joinville, Universidad Federal de Santa Catarina, Joinville, 2022. Disponible en: https://repositorio. ufsc. br/handle/123456789/232630. Acceso en: 1 sep. 2025.
STOCK, J. H.; WATSON, M. W. Introducción a la econometría. 4. ed. New York: Pearson, 2020.
TRADEMAP. Los coches usados se revalorizan en la pandemia, pero los precios altos tienen los días contados. Agencia TradeMap, 17 feb. 2022. Disponible en: https://trademap. com. br/agencia/brasil/carros-usados-se-valorizam-na-pandemia-mas-precos-altos-estao-com-os-dias-contados.
Resumen ejecutivo del Trabajo de Conclusión de Curso de Especialización en Data Science y Analytics del MBA USP/Esalq
Más información sobre el curso; haga clic aquí:
