26 de fevereiro de 2026
Elasticidade de preços como ferramenta estratégica no mercado farmacêutico brasileiro
Gabriel Batista Gonçalves Silva; William Barbosa
Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.
Esta pesquisa desenvolve e aplica um modelo de elasticidade de preços para maximizar a receita bruta de um medicamento, considerando as particularidades regulatórias e a dinâmica competitiva do mercado farmacêutico brasileiro. O estudo adapta técnicas estatísticas e econométricas para fornecer uma solução analítica aos desafios de precificação do setor, demonstrando como essa abordagem pode otimizar os resultados comerciais.
O mercado farmacêutico brasileiro é economicamente relevante e estruturalmente complexo. Em 2023, o setor faturou R$ 142,43 bilhões, com 5,77 bilhões de unidades comercializadas por 223 empresas, evidenciando intensa competitividade (CMED, 2024). O ambiente é influenciado pela regulação da Agência Nacional de Vigilância Sanitária (ANVISA) e da Câmara de Regulação do Mercado de Medicamentos (CMED), que estabelecem o Preço Máximo ao Consumidor (PMC) para a maioria dos produtos. Esse controle de preços (CMED, 2023) cria um paradigma comercial distinto de mercados como os dos Estados Unidos (FDA, 2025) ou da União Europeia (EMA, 2025); a precificação é majoritariamente livre.
A estrutura de preços no Brasil é multifacetada. Em 2023, medicamentos novos lideraram o faturamento com R$ 47,78 bilhões, seguidos pelos biológicos, que alcançaram R$ 38,55 bilhões devido ao seu preço médio de R$ 409,57 (CMED, 2024). Em contrapartida, os genéricos, com o menor preço médio (R$ 8,38), e os similares faturaram R$ 20,79 bilhões e R$ 24,78 bilhões, respectivamente. A heterogeneidade de preços e a diversidade de canais de compra — liderados por distribuidores (R$ 89,92 bilhões), farmácias privadas (R$ 21,83 bilhões) e governo (R$ 20,66 bilhões) — exigem estratégias de precificação sofisticadas.
A análise de dados da ANVISA revela que 94,56% dos medicamentos no Brasil estão sujeitos à regulação de preços, reforçando a importância de modelos que operem dentro dos limites impostos. A concentração de preços de fábrica entre R$ 100 e R$ 300 sugere um mercado de competição acirrada. Fatores como o custo de desenvolvimento de medicamentos novos, que justifica preços elevados devido a investimentos em pesquisa e patentes (INPI, 2023), e os custos de produção de biológicos são determinantes na formação de preços.
Nesse cenário, a precificação se torna um desafio analítico, especialmente para empresas com grandes portfólios. Este estudo preenche essa lacuna ao aplicar um modelo de regressão linear generalizado (GLM) e técnicas auxiliares para estimar a elasticidade-preço cruzada, fornecendo uma metodologia robusta e adaptada à realidade do setor farmacêutico brasileiro para a tomada de decisão estratégica.
Adotou-se a metodologia de estudo de caso para uma análise aprofundada das relações causais na precificação. O objeto de estudo foi o Cloridrato de Duloxetina, na apresentação de 60 miligramas com 30 comprimidos, utilizado no tratamento de quadros depressivos (Fundação Oswaldo Cruz, 2020). A escolha foi motivada pelo volume de dados históricos disponíveis, de abril de 2017 a maio de 2025, e pela presença de 20 produtos concorrentes, o que permitiu uma análise robusta da dinâmica competitiva. A restrição a uma única apresentação eliminou o viés de comparação entre produtos com preços desproporcionais.
As fontes de dados foram duas bases principais: a lista de preços de medicamentos da ANVISA, detalhando o PMC e o Preço Fábrica (PF), e uma auditoria de mercado privada, que coleta dados de vendas mensais a nível nacional. O cruzamento dessas bases foi fundamental para integrar as informações de preços regulados com os dados de demanda real do mercado, criando um conjunto de dados unificado para a modelagem.
A principal técnica para estimar a sensibilidade da demanda foi a elasticidade-preço, calculada por um modelo de regressão com dupla transformação logarítmica (log-log). Conforme Wooldridge (2013) e Gujarati e Porter (2011), essa abordagem permite que o coeficiente da variável de preço seja interpretado diretamente como a elasticidade. A especificação do modelo segue a forma ln(Qi) = β0 + β1ln(Pi) + εi, onde β1 estima a elasticidade-preço da demanda. A técnica foi escolhida por sua praticidade e facilidade de interpretação.
Para refinar o modelo, foram utilizadas técnicas complementares. A Análise de Componentes Principais (PCA) foi aplicada para reduzir a dimensionalidade e mitigar a multicolinearidade entre os preços dos concorrentes, transformando variáveis correlacionadas em componentes não correlacionados (Jolliffe e Cadima, 2016; Abdi e Williams, 2010). A adequação dos dados para PCA foi confirmada pelo Teste de Esfericidade de Bartlett (Dolgun, 2021). Adicionalmente, o algoritmo “Stepwise” foi utilizado como método automatizado para a seleção de variáveis, removendo preditores insignificantes, com atenção às suas limitações (Zhang, 2016). Por fim, foi definida uma função objetivo para maximizar a receita bruta, utilizando os coeficientes da regressão para simular a demanda e a receita em diferentes níveis de preço e identificar o preço ótimo.
A análise exploratória dos dados confirmou a influência da categoria de registro e do regime de preço sobre os valores praticados. Medicamentos das categorias “Novo” e “Biológico” apresentaram preços médios mais altos. A análise restrita ao Cloridrato de Duloxetina revelou uma distribuição de preços concentrada, mas com produtos da categoria “Novo” em faixas de preço superiores, indicando uma segmentação de mercado baseada em marca, enquanto genéricos e similares competem em faixas de preço inferiores.
O processo de modelagem econométrica foi iterativo. Uma primeira regressão linear, com os preços de todos os 19 concorrentes, revelou multicolinearidade severa, indicada por um número de condição (Cond. No.) de 7.68e+03 e muitas variáveis não significantes, apesar de um R² ajustado de 0.89. A aplicação do “Stepwise” melhorou marginalmente o modelo, mas o número de condição permaneceu elevado (2.36e+03), mostrando que os problemas de correlação não foram resolvidos.
Para superar essa limitação, a PCA foi aplicada às variáveis de preço dos concorrentes. O Teste de Esfericidade de Bartlett confirmou a adequação dos dados (p-valor = 0.0). Foram retidos quatro componentes principais que capturaram a maior parte da variabilidade. Um novo modelo de regressão foi estimado utilizando o preço do produto focal e esses quatro componentes. Embora o R² ajustado tenha diminuído para 0.82, o número de condição foi reduzido para 1.26e+03, uma melhora substancial.
O passo final foi a aplicação do “Stepwise” a este modelo baseado em PCA, que removeu o primeiro componente principal por ser estatisticamente insignificante. O modelo final resultante apresentou excelente robustez. Todas as variáveis restantes — o preço do produto focal e os componentes principais 2, 3 e 4 — foram altamente significantes (p-valor = 0.00). O modelo final alcançou um R² ajustado de 0.83 e um número de condição de 713, valor drasticamente inferior aos modelos anteriores e considerado aceitável.
O coeficiente da variável “preco_focal” neste modelo final foi de -3,44. Este valor representa a elasticidade-preço da demanda, indicando que um aumento de 1% no preço está associado a uma redução de 3,44% na quantidade demandada. Sendo maior que 1 em valor absoluto, a demanda pelo produto é classificada como elástica, significando que os consumidores são altamente sensíveis a variações de preço.
Com o coeficiente de elasticidade de -3,44 e o intercepto do modelo, foi construída uma função de demanda para simular a receita em diferentes cenários de preço, dentro do intervalo permitido pela regulação. A análise das curvas de faturamento e receita estimadas revelou o ponto ótimo de precificação.
O resultado da simulação indicou que o preço que maximiza a receita bruta para o Cloridrato de Duloxetina é de R$ 140,86. Este valor representa um aumento em relação ao preço médio praticado pela empresa nos 12 meses anteriores (R$ 125,71). A implementação do preço ótimo projeta um aumento de aproximadamente 7% na receita bruta, passando de uma receita estimada de R$ 666.820,79 para R$ 713.498,26. Este resultado demonstra que, para um produto com demanda elástica, um aumento calculado de preço pode levar a um resultado financeiro superior.
Além de identificar o preço ótimo, a metodologia oferece insights estratégicos. A análise das curvas permite identificar outros pontos de interesse, como o preço que maximiza o faturamento total ou um que equilibre volume e rentabilidade. A análise dos componentes principais (PCA) também permite identificar quais concorrentes têm maior influência sobre a demanda do produto focal, fornecendo informações para estratégias comerciais e de marketing mais direcionadas.
Em conclusão, o estudo demonstrou a eficácia da aplicação de um modelo econométrico para a otimização de preços no mercado farmacêutico brasileiro. A análise, que integrou dados regulatórios e de mercado, estimou uma elasticidade-preço da demanda de -3,44 para o produto, revelando alta sensibilidade dos consumidores ao preço. A metodologia, que combinou regressão log-log com PCA e seleção de variáveis, superou desafios como a multicolinearidade e produziu um modelo preditivo confiável. A aplicação dos resultados resultou na identificação de um preço ótimo de R$ 140,86, que representa um potencial de aumento de 7% na receita.
Este trabalho contribui para a inteligência comercial do setor ao fornecer uma estrutura analítica adaptada às suas particularidades, como a regulação de preços e a competição. As ferramentas e insights gerados auxiliam os profissionais a tomar decisões de precificação mais informadas e baseadas em dados, movendo-se de ponderações arbitrárias para uma abordagem científica. Apesar das limitações, como a ausência de validação prática imediata, a metodologia é um passo para aprimorar as estratégias de preço. Conclui-se que o objetivo foi atingido: demonstrou-se um método para estimar um preço ótimo que maximiza a receita bruta, resultando em um aumento potencial de 7% em comparação à prática comercial vigente.
Referências:
Abdi, Hervé; Williams, Lynne J. 2010. Principal Component Analysis. Wiley Interdisciplinary Reviews: Computational Statistics 2(4): 433–459.
Câmara de Regulação do Mercado de Medicamentos [CMED]. 2023. Resolução CM-CMED nº 1, de 30 de março de 2023. Dispõe sobre a forma de definição do Preço Fabricante (PF) e do Preço Máximo ao Consumidor (PMC) dos medicamentos em 31 de março de 2023, estabelece a forma de apresentação do Relatório de Comercialização à CMED e disciplina a publicidade dos preços dos produtos farmacêuticos. Diário Oficial da União, Brasília, 31 mar. 2023. Seção 1 – Extra A, p. 1.
Câmara de Regulação do Mercado de Medicamentos [CMED]. 2024. CMED divulga anuário com dados do mercado nacional de medicamentos em 2023. Disponível em: <https://www. gov. br/anvisa/pt-br/assuntos/noticias-anvisa/2024/cmed-divulga-anuario-com-dados-do-mercado-nacional-de-medicamentos-em-2023>. Acesso em: 23 agosto 2025.
Dolgun, Alper. 2021. Factor Analysis as a Tool for Survey Analysis. American Journal of Applied Mathematics and Statistics, 9(1): 8-15.
European Medicines Agency [EMA]. 2023. Frequently asked questions. Disponível em: <https://www. ema. europa. eu/en/about-us/frequently-asked-questions>. Acesso em: 23 agosto 2025.
Food and Drug Administration [FDA]. 2023. Frequently Asked Questions About Drugs. Disponível em: <https://www. fda. gov/about-fda/center-drug-evaluation-and-research-cder/frequently-asked-questions-about-drugs>. Acesso em: 23 agosto 2025.
Fundação Oswaldo Cruz [FIOCRUZ]. 2020. Duloxetina para depressão: revisão rápida. Disponível em: <https://brasilia. fiocruz. br/aagts/wp-content/uploads/sites/4/2020/07/Duloxetina-para-depressaao. pdf>. Acesso em: 23 agosto 2025.
Gujarati, Damodar N.; Porter, Dawn C. 2011. Econometria Básica. 5ª edição. AMGH Editora, Porto Alegre, RS, Brasil.
Instituto Nacional da Propriedade Industrial [INPI]. 2023. Guia Básico. Disponível em: <https://www. gov. br/inpi/pt-br/servicos/patentes/guia-basico>. Acesso em: 23 agosto 2025.
Joliffe, I. T.; Cadima, J. 2016. Principal component analysis: a review and recent developments. Philosophical Transactions of the Royal Society A 374: 1-16.
Mulugeta, D.; Greenfield, J.; Bolen, T.; Conley, L. 2013. Price and Cross-Price Elasticity Estimation Using SAS®. SAS Global Forum Proceedings 425 (2013): 1–17.
Pindyck, Robert S.; Rubinfeld, Daniel L. 2014. Microeconomia. 8. Pearson Education do Brasil, São Paulo, SP, Brasil.
Stock, James H.; Watson, Mark W. Introdução à econometria. 3. ed. São Paulo: Pearson, 2015.
Wold, Svante; Esbensen, Kim; Geladi, Paul. 1987. Principal Component Analysis. Chemometrics and Intelligent Laboratory Systems 2(1): 37–52.
Wooldridge, Jeffrey M. 2012. Introductory Econometrics: A Modern Approach. 5ª edição. South-Western Cengage Learning, Mason, Ohio, Estados Unidos.
Zhang, Zhen. 2016. Variable selection with stepwise and best subset approaches. Annals of Translational Medicine 4(7): 136.
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:
