Resumo Executivo

02 de fevereiro de 2026

Ciência de dados para previsão de venda de pneus no mercado brasileiro

Dalton Gonçalves Silva dos Reis; Elisa Morandé Sales

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

O objetivo deste trabalho foi desenvolver e validar um modelo preditivo para a venda de pneus de passeio no Brasil, segmentado entre o mercado de montadoras (OEM) e o de reposição, visando fornecer uma ferramenta estratégica para o planejamento de produção e gestão de estoques. A pesquisa buscou identificar as variáveis mais influentes em cada segmento e aplicar modelos de séries temporais para gerar previsões assertivas, otimizando recursos e reduzindo custos. A necessidade de tal modelo emerge da complexidade da cadeia produtiva de pneumáticos; uma previsão de demanda imprecisa pode levar a desequilíbrios como custos de armazenagem elevados por excesso de insumos ou rupturas na produção por subestimação da demanda.

A relevância do estudo ancora-se na magnitude do mercado brasileiro de pneus, que movimenta mais de 50 milhões de unidades anualmente e é influenciado por fatores como o desempenho da indústria automobilística e indicadores macroeconômicos. A ciência de dados é fundamental para transformar dados brutos em conhecimento acionável. Conforme Grus (2019), a análise de dados permite extrair padrões ocultos. Este processo de transformar dados em informação e conhecimento constitui o que Fávero e Belfiore (2024) descrevem como a hierarquia do conhecimento, um pilar para a tomada de decisão estratégica e para a consolidação de uma vantagem competitiva.

A abordagem foca em modelos estatísticos robustos e interpretáveis como SARIMA e SARIMAX. A literatura, como o estudo de Taylor (2015) que utilizou redes neurais artificiais (ANN) e alcançou um coeficiente de determinação (R-squared) de 66%, serve como referência. Este estudo busca avançar ao testar modelos alternativos e incorporar variáveis exógenas do contexto brasileiro para obter um desempenho preditivo superior, permitindo que as empresas da cadeia de suprimentos ajustem seus planos de produção e otimizem a logística.

A aplicação de técnicas como análise de séries temporais representa uma evolução na gestão, permitindo uma postura proativa em vez de reativa. VanderPlas (2016) destaca que a ciência de dados capacita profissionais a resolver problemas concretos, como a incerteza na demanda de pneus. Ao fornecer um modelo preditivo confiável, o estudo oferece um subsídio prático para decisões mais informadas, alinhando oferta e demanda. A pesquisa se justifica pela sua aplicabilidade direta na indústria, com a expectativa de que os modelos desenvolvidos gerem impacto mensurável na eficiência operacional e reforcem o valor da análise de dados como ativo estratégico para a competitividade industrial.

A metodologia é uma pesquisa quantitativa e aplicada, fundamentada na análise de séries temporais com dados públicos e estruturados. A variável alvo, venda de pneus de passeio, foi obtida de relatórios mensais da Associação Nacional da Indústria de Pneumáticos (ANIP) de janeiro de 2018 a dezembro de 2024, totalizando 84 observações. Este período foi escolhido para capturar diferentes ciclos econômicos, incluindo a pandemia de COVID-19. Para enriquecer os modelos, foram incorporadas variáveis exógenas: produção e venda de veículos (ANFAVEA), indicadores setoriais de produtos de borracha (CNI), importação de pneus (ComexStat), e indicadores de conjuntura como inadimplência do consumidor (Serasa). Conforme Joseph e Tackes (2024), a incorporação de variáveis correlacionadas constrói modelos mais robustos. As séries temporais utilizadas são de natureza estocástica, com valores futuros parcialmente aleatórios, mas descritíveis por padrões.

O processamento e a modelagem foram realizados em Python, utilizando bibliotecas como Pandas e Numpy para manipulação de dados, e Matplotlib e Seaborn para visualização. A modelagem estatística foi implementada com a biblioteca statsmodels. A função seasonaldecompose foi usada para decompor as séries em tendência, sazonalidade e resíduo (Oliveira et al., 2024). A estacionariedade, pré-requisito para modelos ARIMA, foi verificada com o teste de Dickey-Fuller Aumentado (adfuller), que rejeita a hipótese nula de não estacionariedade para p-valores inferiores a 0,05. Para a seleção dos parâmetros (p, d, q) e (P, D, Q), utilizou-se a função autoarima do pacote pmdarima, que seleciona a configuração que minimiza o Critério de Informação de Akaike (AIC), uma métrica que equilibra ajuste e parcimônia (Hyndman e Athanasopoulos, 2021). Os modelos centrais foram o SARIMA e o SARIMAX, que estende o SARIMA ao incluir variáveis exógenas. A performance foi avaliada pelo Erro Percentual Absoluto Médio (MAPE), calculado com a função do pacote sklearn. A série de 84 observações foi dividida em um conjunto de treino com 72 observações (janeiro de 2018 a dezembro de 2023) e um de teste com 12 observações (janeiro a dezembro de 2024).

A análise do segmento de vendas para montadoras (OEM) revelou uma queda abrupta em 2020 devido à pandemia e um forte componente de sazonalidade anual. O teste de Dickey-Fuller Aumentado confirmou a estacionariedade da série (p-valor = 0,000896), não necessitando de diferenciação (d=0). A ferramenta auto_arima sugeriu um modelo SARIMA(2, 0, 0)(0, 1, 1), que, após treino e validação, resultou em um MAPE de 8,74%, equivalente a uma assertividade de 91,26%.

Para aprimorar o modelo, foi investigada a correlação com a produção de veículos de passeio, que se mostrou forte e positiva (0,9). A inclusão desta variável exógena no modelo, transformando-o em um SARIMAX, manteve a mesma ordem de parâmetros ARIMA(2, 0, 0)(0, 1, 1). Ao treinar e validar o novo modelo, o MAPE obtido foi de 7,92%, melhorando a assertividade para 92,08%. Essa redução no erro confirma o valor preditivo da variável. A comparação das previsões para os primeiros quatro meses de 2025 com dados reais mostrou a superioridade do SARIMAX, com uma diferença acumulada de 210.139 unidades contra 218.523 do modelo SARIMA.

A análise foi replicada para o mercado de reposição. A série temporal também se mostrou estacionária. O auto_arima identificou o modelo SARIMA(1, 0, 0)(1, 1, 1) como o mais adequado, que após treinamento e validação apresentou um MAPE de 12,38% (assertividade de 87,62%). O erro superior ao do mercado de montadoras é esperado, pois o mercado de reposição é influenciado por uma gama maior de fatores aleatórios ligados à decisão do consumidor final, como aponta Morettin (2018).

Para o modelo SARIMAX do mercado de reposição, a análise de correlação revelou uma correlação negativa moderada (-0,5) entre as vendas de pneus e o índice de inadimplência da Serasa. A lógica é que um aumento no endividamento leva ao adiamento de despesas como a troca de pneus. Incorporando o índice de inadimplência como variável exógena, o modelo SARIMAX, com a mesma ordem ARIMA(1, 0, 0)(1, 1, 1), foi treinado e validado. O resultado foi uma melhora significativa na performance, com o MAPE caindo para 9,71% (assertividade de 90,29%). A previsão para os primeiros quatro meses de 2025 com este modelo também se mostrou mais precisa, com uma diferença acumulada de 475.660 unidades em relação ao real, contra 687.898 do modelo SARIMA.

Os resultados para o mercado de montadoras indicaram que o modelo com duas variáveis (Venda Pneus, Prod. Veículos novos) apresentou o menor AIC e o menor MAPE (7,92%), sendo a opção mais eficiente. A adição de uma terceira variável (Índice Indústria IBGE) não trouxe melhorias, sugerindo redundância da informação. Para o mercado de reposição, o modelo com duas variáveis (Venda Pneus, Índice Inadimplência) obteve o menor MAPE (9,71%), confirmando-se como a melhor escolha. Embora seu AIC tenha sido ligeiramente superior ao do modelo univariado, a melhora substancial no MAPE justificou a escolha do SARIMAX. A tentativa de adicionar uma terceira variável (Atividade do Comércio de Veículos) resultou em uma piora do MAPE para 14,33%, validando que nem toda variável correlacionada contribui positivamente para a predição, um princípio na seleção de features discutido por Nielsen (2021).

Os resultados demonstram que a aplicação do modelo SARIMAX é altamente eficaz para a previsão de venda de pneus no Brasil. Para o mercado de montadoras, a inclusão da produção de veículos foi crucial para alcançar uma assertividade superior a 92%. Para o mercado de reposição, a incorporação do índice de inadimplência do consumidor permitiu elevar a assertividade para mais de 90%. A discussão dos resultados reforça a distinção entre os dois mercados. O segmento de montadoras opera de forma mais determinística, com uma relação direta com a produção de veículos. Em contrapartida, o mercado de reposição é mais estocástico, sujeito às flutuações da confiança do consumidor e da saúde econômica. A pesquisa valida a hipótese de que modelos customizados para cada segmento, utilizando variáveis exógenas apropriadas, superam os modelos univariados. A assertividade alcançada, em ambos os casos acima de 90%, representa um avanço em relação a benchmarks anteriores, como o estudo de Taylor (2015), e oferece uma ferramenta de grande valor prático.

O estudo demonstrou com sucesso a viabilidade e a eficácia da aplicação de modelos de séries temporais SARIMA e SARIMAX para a previsão de vendas de pneus de passeio no mercado brasileiro. Os modelos desenvolvidos alcançaram índices de assertividade superiores a 90% para ambos os segmentos analisados, validando-os como ferramentas robustas para o suporte ao planejamento de produção e gestão de estoques. A pesquisa identificou que a incorporação de variáveis exógenas específicas para cada mercado, como a produção de veículos para o segmento de montadoras e o índice de inadimplência para o de reposição, foi fundamental para aprimorar a acurácia das previsões. As implicações práticas destes resultados são diretas, oferecendo às indústrias um método quantitativo para antecipar a demanda e otimizar a alocação de recursos.

Apesar dos resultados positivos, o estudo possui limitações. A principal reside no horizonte de previsão; os modelos são mais indicados para previsões de curto prazo, idealmente de três a quatro meses, pois a incerteza das variáveis aumenta em horizontes mais longos. Recomenda-se uma aplicação contínua, com reajustes mensais. Como sugestão para trabalhos futuros, a exploração de modelos de machine learning e redes neurais como LSTM ou GRU poderia trazer melhorias. Além disso, a expansão da análise para incluir outras categorias de pneus, como os de caminhões e ônibus, representaria um próximo passo lógico. Conclui-se que o objetivo foi atingido: demonstrou-se que é possível criar modelos preditivos de alta performance para a venda de pneus no Brasil utilizando dados públicos e técnicas estatísticas consolidadas, gerando conhecimento aplicável para a tomada de decisão estratégica no setor industrial.

Referências:
Associação de Fabricantes de Veículos Automotores [ANFAVEA]. 2025. Relatórios de vendas de automóveis. Disponível em: https://anfavea. com. br/site/edicoes-em-excel/ . Acesso em: 01 Jul. 2025.
Associação Nacional da Indústria de Pneumáticos [ANIP]. 2025. Relatórios de vendas de pneus. Disponível em: https://www. anip. org. br/anip-em-numeros/publicacoes/ . Acesso em: 01 Jul. 2025.
Comex Stat. 2025. Estatísticas de importação de pneus, borracha natural e tela de pneus. Disponível em: https://www. gov. br/mdic/pt-br/assuntos/comercio-exterior/estatisticas/base-de-dados-bruta. Acesso em: 01 Jul. 2025.
Confederação Nacional da Indústria [CNI]. 2025. Indicadores. Disponível em: https://indicadores. sistemaindustria. com. br/indicadores/externo/estatisticaAcessoSistemaExterno. faces . Acesso em: 01 Jul. 2025.
Fávero, Luis Paulo; Belfiore, Patrícia. 2024. Manual de Análise de Dados: estatística e machine learning com Excel®, SPSS®, R® e Python®. 2ed. LTC, Rio de Janeiro, Brasil.
Grus, Joel. 2019. Data Science from Scratch. 2ed. O’Reilly, Sebastopol, EUA.
Hyndman, R. J., Athanasopoulos, G. 2021. Forecasting: principles and practice. 3rd edition. OTexts, Melbourn, Australia. Disponível em: < https://otexts. com/fpppg/arima-estima%C3%A7%C3%A3o. html >. Acesso em: 01 Jul 2025.
Joseph, Manu; Tackes, Jeffrey. 2024. Modern Time Series Forecasting with Python. 2ed. Packt, Birmingham, Reino Unido.
Morettin, Pedro A. 2018. Análise de Séries Temporais. 1ed. Editora Blusher, São Paulo, Brasil.
Nielsen, Aileen. 2021. Análise Prática de Séries Temporais: predição com estatística e aprendizado de máquina. 1ed. Alta Books, Rio de Janeiro, Brasil.
Oliveira et al. 2024. Introdução às séries temporais: uma abordagem prática em Python. 1ed. Editora Mackenzie, São Paulo, Brasil.
Serasa. 2025. Indicadores de inadimplência. Disponível em: <https://www. serasaexperian. com. br/conteudos/indicadores-economicos/ >. Acesso em: 05 Jul 2025.
Taylor, Brent S. 2015. Utilizing ANNs to Improve the Forecast for Tire Demand. In partial fulfillment of the requirements for the degree Master of Science. Russ College of Engineering and Technology of Ohio University, Ohio University, Ohio, USA.
VanderPlas, Jake. 2016. Python Data Science Handbook. Essential Tools for Working with Data. 1 ed. O’Reilly, Sebastopol, EUA.

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:

Quem editou este artigo

Mais recentes

Você também pode gostar

Compliance E Esg

11 de setembro de 2026

Inteligência Artificial na Gestão Contratual: Supervisão Humana, Riscos Jurídicos e Governança Algorítmica

O advento da inteligência artificial como tecnologia disruptiva reconfigurou processos econômicos, institucionais e jurídicos, conferindo centralidade à automação contratual na gestão de relações complexas. A automação contratual revelou-se um fenômeno juridicamente não neutro, com opacidade decisória, geração automatizada de cláusulas abusivas e dificuldades de atribuição de responsabilidade, deslocando a elaboração contratual para o domínio jurídico-normativo. O estudo analisou como a inteligência artificial na automação contratual intensificou a colisão entre eficiência tecnológica e segurança jurídica, e em que medida mecanismos de supervisão humana significativa e de governança algorítmica funcionaram como instrumentos de ponderação normativa para preservar princípios do direito contratual brasileiro. A pesquisa adotou abordagem qualitativa de estudo de casos múltiplos, com análise documental de quatro casos paradigmáticos: Moffatt v. Air Canada, United States v. RealPage, Deloitte/DEWR e INSS/TRF-4ª Região, representando os contextos consumerista, concorrencial, consultivo-contratual e administrativo. A análise identificou cinco padrões estruturais recorrentes – opacidade decisória, substituição da racionalidade normativa por inferências probabilísticas, accountability gap, assimetria informacional e incompreensão semântica – que emergiram de forma sistêmica. O desfecho fragmentado do caso RealPage reforçou a conclusão de que a jurisprudência sobre automação decisória permanece em formação. A governança algorítmica eficaz demonstrou exigir a integração de mecanismos de auditabilidade, responsabilização e supervisão humana, conforme as normas ISO 31000, COSO ERM e ISO 37301, como condição necessária à legitimidade dos sistemas automatizados de gestão contratual.

Palavras-chave: Contratos; Governança algorítmica; Inteligência artificial; Segurança jurídica; Supervisão humana.

Compliance E Esg

11 de setembro de 2026

Rituais de Verificação sob Pressão: Categorias de Ação ESG Relatadas por Grande Grupo Frigorífico Antes e Após Operação Deflagrada Pela Polícia Federal e Seus Desdobramentos, em Passado Recente

Relatórios de sustentabilidade são amplamente empregados como instrumentos de gestão da legitimidade corporativa, mas sua função como mecanismo de reorganização cognitiva em contextos de crise reputacional permaneceu subexplorada na literatura. O estudo analisou as transformações nas categorias de ação ESG reportadas pela Empresa JBS em seus relatórios anuais de sustentabilidade de 2015 a 2018, período que compreendeu dois anos anteriores e dois anos posteriores à Operação Carne Fraca e seus desdobramentos. O objetivo foi investigar como a organização alterou sua estrutura cognitiva após a crise reputacional, por meio de um de seus sistemas de reporte. Empregou-se um processo de catalogação sistemática de 1.088 práticas relatadas, classificadas por pilar ESG, tema material e categoria de ação. O referencial teórico mobilizou Mary Douglas (1986), Michael Power (1997), Meyer e Rowan (1977) e Edelman (2016) para interpretar os fenômenos observados. Os resultados evidenciaram um crescimento exigido em governança, que coexistiu com o colapso do pilar social, o desaparecimento de categorias substantivas e a substituição de ações voltadas a prêmios por ações que ressignificaram as relações da organização e seu posicionamento no mercado. Além disso, treinamentos de liderança migraram do tema de cultura para compliance, campanhas de comunicação cederam lugar a canais estruturais permanentes, e investidores tornaram-se a audiência de maior crescimento proporcional. Concluiu-se que a sofisticação do esforço de legitimação residiu não no que a empresa necessariamente fez, mas na consistência com que reorganizou quem ela diz ser e para quem, a partir das categorias de ação que relatou.

Palavras-chave: Crise reputacional; ESG; Pensamento institucional; Relatórios de sustentabilidade; Estratégia organizacional.

Gestão Escolar

11 de setembro de 2026

Liderança Escolar à Luz da Teoria U: um Diálogo com as Lideranças Transformacional e Servidora.

A integração de diferentes modelos de liderança mostrou-se um caminho relevante para instituições de ensino que buscaram inovar e alcançar excelência em suas práticas educacionais. Contudo, foram escassas as pesquisas empíricas que investigaram a aplicação da Teoria U na gestão escolar associada às abordagens Transformacional e Servidora, o que configurou uma lacuna na literatura. Este estudo buscou compreender como gestores educacionais perceberam e aplicaram princípios da Teoria U — escuta generativa, presencing e cocriação — em diálogo com as abordagens teóricas da Liderança Transformacional e da Liderança Servidora em suas práticas de gestão. A pesquisa, de natureza qualitativa e exploratória, foi realizada em uma instituição de ensino privada, localizada na cidade de São Paulo, que abrangeu desde a Educação Básica até a Pós-Graduação. Os dados foram coletados por meio de um roteiro de perguntas semiestruturadas, aplicado a sete gestores educacionais, e foram analisados com base na Análise de Conteúdo de Bardin. Os resultados evidenciaram aproximações entre as práticas observadas e os pressupostos teóricos dos modelos estudados, com a escuta destacando-se como a competência que melhor articulou as três abordagens no contexto investigado. Também foram identificadas algumas tensões entre os referenciais teóricos e o cotidiano da gestão. O estudo contribuiu para uma reflexão crítica sobre as possibilidades e os limites da integração desses diferentes modelos de liderança em ambientes escolares, ampliando o debate e oferecendo subsídios relevantes para o fortalecimento do campo da gestão educacional.

Palavras-chave: Análise de Conteúdo; Escuta Generativa; Estudo de Caso; Gestão Escolar; Liderança.

10 de setembro de 2026

Desempenho de Modelos de Machine Learning na Seleção de Ações da Bolsa de Valores Brasileira

O mercado acionário brasileiro, caracterizado por elevada volatilidade e restrições de liquidez, impõe desafios à aplicação de modelos de aprendizado de máquina na previsão de retornos e na construção de estratégias de investimento. O estudo comparou o desempenho preditivo e econômico de modelos de aprendizado de máquina e métodos estatísticos tradicionais na estimação de retornos futuros e na formação de carteiras baseadas em ranking de ativos. Utilizaram-se dados históricos de ações da B3, com variáveis técnicas e financeiras derivadas de preços e volume. Avaliaram-se modelos lineares (Regressão Linear, Ridge, LASSO, Elastic Net), de ensemble (Random Forest, XGBoost, LightGBM) e uma rede neural (Multilayer Perceptron). A avaliação preditiva ocorreu por métricas de erro em conjunto de teste, e a econômica por backtest de estratégias long-only, com custos operacionais baseados no turnover para análise de retornos brutos e líquidos. Os resultados revelaram baixa capacidade preditiva em todos os modelos, com R² negativos e erros elevados. Embora diferenças marginais nas previsões tenham gerado variações no desempenho econômico, estas foram de baixa magnitude e instáveis. O modelo LightGBM obteve o melhor desempenho econômico, mas com ganhos limitados em relação ao benchmark após a inclusão de custos operacionais. Não se observou evidência consistente de geração de retorno ajustado ao risco superior.

Palavras-chave: aprendizado de máquina; backtest; mercado acionário; previsão de retornos; seleção de ativos.

10 de setembro de 2026

Precificação Hedônica de Imóveis na Grande Florianópolis: Uso e Comparação de Modelos de “Machine Learning”

O mercado imobiliário da Grande Florianópolis tem experimentado valorização acelerada, impulsionada pelo crescimento populacional e pela demanda turística e de investimento. Este estudo analisou os determinantes do valor de imóveis residenciais e comparou o desempenho preditivo de modelos de aprendizado de máquina, especificamente Random Forest e Gradient Boosting (XGBoost), com uma regressão por Mínimos Quadrados Ordinários (MQO). Os dados foram coletados via web scraping de dois portais imobiliários em março de 2026, abrangendo os municípios de Florianópolis, São José, Palhoça e Biguaçu, resultando em 8.056 observações válidas após limpeza. Avaliou-se o desempenho dos modelos por meio das métricas R², RMSE e MAPE. O XGBoost apresentou o melhor desempenho preditivo geral (R² = 0,742, RMSE = R$ 927.113), enquanto o Random Forest obteve o menor erro relativo (MAPE = 25,69%). Os principais determinantes do preço identificados foram a área construída, a região de localização e o número de banheiros. Uma análise complementar por segmento de mercado revelou que o MQO dependeu dos valores extremos para sustentar seu ajuste, enquanto os modelos ensemble mantiveram desempenho estável. Concluiu-se que os métodos de aprendizado de máquina são mais robustos para precificação hedônica em mercados imobiliários heterogêneos, especialmente na presença de imóveis atípicos.

Palavras-chave: Ensemble; Imobiliário; Regressão; Residencial; Web Scraping.

Neurociência E Aprendizagem Na Educação

10 de setembro de 2026

A Produção de Memes como Estratégia de Formação Literária e Multiletramentos no Ensino Fundamental Ii

A leitura de obras literárias clássicas apresenta desafios no contexto escolar contemporâneo, devido ao distanciamento entre a linguagem dos textos e o repertório dos estudantes. Investigou-se como a utilização de memes contribuiu para a construção de sentidos na leitura da obra Senhora, de José de Alencar, no Ensino Fundamental II. A pesquisa adotou uma abordagem qualitativa, com caráter de pesquisa participante, e foi desenvolvida com duas turmas de 9º ano de uma escola privada em Volta Redonda, Rio de Janeiro. Os dados foram coletados por meio de questionários e das produções dos estudantes, e analisados à luz da análise de conteúdo. Os resultados indicaram que a utilização de memes favoreceu a aproximação dos alunos com o texto literário, reduziu a resistência inicial e ampliou o engajamento com a leitura. Observou-se, também, o avanço progressivo na compreensão da narrativa, evidenciado pela capacidade de interpretar fatos, analisar personagens, identificar relações implícitas e elaborar posicionamentos críticos. As produções revelaram a articulação entre o conteúdo da obra e o repertório sociocultural dos estudantes, indicando a construção de aprendizagens com significado. Concluiu-se que a integração entre literatura e cultura digital potencializou a mediação pedagógica, contribuindo para a formação de leitores mais ativos e interpretativamente autônomos.

Palavras-chave: aprendizagem significativa; cultura digital; leitura literária; multiletramentos; neurociência.

Gestão Tributária

10 de setembro de 2026

Definição de Insumos para Fins de Aproveitamento de Créditos de Pis e Cofins

O estudo analisou a interpretação e a aplicação da definição de insumos para fins de creditamento do Programa de Integração Social (PIS) e da Contribuição para o Financiamento da Seguridade Social (COFINS) no regime não cumulativo, à luz do entendimento firmado pelo Superior Tribunal de Justiça (STJ) no julgamento do Recurso Especial n.º 1.221.170 (Tema 779). Objetivou-se examinar os limites jurídicos da utilização desses créditos, considerando os critérios de essencialidade ou relevância estabelecidos pela jurisprudência do STJ. Realizou-se pesquisa documental e jurisprudencial, com análise de acórdãos representativos do Conselho Administrativo de Recursos Fiscais (CARF) e do STJ, abrangendo períodos anteriores e posteriores ao Tema 779. Complementarmente, conduziu-se pesquisa bibliográfica e estudos de dois casos concretos do CARF, com abordagem qualitativa, para verificar a aplicação prática dos critérios. Constatou-se que o STJ afastou a aplicação automática da definição de insumo do IPI, consolidando os critérios de essencialidade e relevância. Entretanto, a análise dos julgados do CARF evidenciou que, embora houvesse reconhecimento formal do precedente do STJ, sua incidência foi modulada conforme a natureza da atividade empresarial, mostrando-se mais restritiva para empresas de revenda. Os casos concretos ilustraram que creditamentos de fretes foram tratados de forma distinta, dependendo da vinculação do gasto à produção ou à revenda. Concluiu-se que a definição de insumos permanece um ponto sensível do sistema tributário, e a correta utilização dos créditos demanda análise casuística rigorosa, pautada na observância dos precedentes judiciais e dos limites normativos vigentes, para evitar glosas e penalidades.

Palavras-chave: COFINS; Creditamento; Insumos; PIS.

Gestão Tributária

10 de setembro de 2026

Fiscalização Delegada do ITR: Desestímulo aos Convênios, Reflexos na Arrecadação e Desinteresse Processual da União

O Imposto Territorial Rural (ITR), de competência da União, pode ter sua fiscalização e cobrança delegadas aos Municípios e ao Distrito Federal. Este trabalho examinou a adesão municipal a esses convênios e o impacto na arrecadação, analisou se os entraves processuais para os Municípios remeterem demandas aos órgãos federais desestimulavam a celebração de acordos, e avaliou o interesse processual da União em litígios de ITR sob delegação, à luz da Teoria Eclética da Ação, bem como a efetividade da diretriz constitucional de desestímulo a propriedades improdutivas. A pesquisa utilizou um estudo de caso, com base em dados e relatórios oficiais da Receita Federal do Brasil e referencial doutrinário jurídico. Os resultados indicaram baixa adesão municipal aos convênios, com quase 75% dos municípios sem acordo. A arrecadação do ITR, mesmo integralmente repassada, não justificou os investimentos municipais, e a manutenção da atuação processual pela União desestimulou a continuidade dos ajustes. Verificou-se que a União carecia de interesse processual nessas demandas, dada a ínfima representatividade do ITR na arrecadação federal e a ausência de proveito econômico-financeiro, o que impediu o cumprimento efetivo da diretriz constitucional de desestímulo à improdutividade rural. Concluiu-se que são necessárias modificações legislativas para que o ITR alcance seus objetivos de arrecadação e função social.

Palavras-chave: Arrecadação; Eficiência; Fiscalização; ITR; Municípios.

10 de setembro de 2026

Governança de Dados e Risco Financeiro no Setor Florestal: Evidências Empíricas em Perspectiva Brasil-Finlândia

A fragmentação informacional no setor florestal brasileiro constituiu o ponto de partida desta pesquisa, que investigou como a governança de dados impactou a capacidade analítica, o risco financeiro e a competitividade da gestão florestal, por meio de um estudo comparativo entre Brasil e Finlândia. Submeteram-se 332 documentos, incluindo 307 informativos CEPEA/Esalq/USP (2001–2025) e 25 relatórios setoriais (Bracelpa, ABRAF, Ibá, 2003–2025), a um pipeline de extração automatizado baseado em OCR, mineração de texto e expressões regulares, obtendo-se 13.059 registros estruturados. Realizou-se análise de sensibilidade do Valor Presente Líquido (VPL) e análise de sentimento léxica. Apenas 12,1% dos registros de custo continham Custo Operacional Efetivo preenchido, e nenhum apresentou margem líquida calculável. A incerteza nos dados de entrada oscilou o VPL de um projeto florestal em mais de R$ 20.000/ha, evidenciando a distorção da decisão orientada por dados quando a sofisticação algorítmica não substituiu a qualidade dos dados de origem. A análise de sentimento léxica confirmou a transição dos relatórios setoriais brasileiros de formato estatístico para promocional. Em contraste, o modelo finlandês demonstrou a viabilidade de uma governança integrada, com o inventário florestal consolidado como pilar de inteligência industrial. Os resultados indicaram que o fortalecimento da governança de dados constituiu pré-requisito para a transição do setor para um sistema de planejamento sustentado por evidências.

Palavras-chave: competitividade; fragmentação informacional; inteligência artificial; soberania digital; tomada de decisão.

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