Estimando alíquotas de imposto de importação dado o nível de competitividade relativa do brasil
Barra lateral de artigos
Conteúdo do artigo principal
Resumo
O objetivo deste artigo é propor uma metodologia baseada em modelos econométricos e de machine learning para estimar
alíquotas de imposto de importação que seriam esperadas dado o nível de competitividade relativo do Brasil. Busca-se, assim, contribuir de maneira quantitativa com o debate em torno de qual deve ser o grau e velocidade adequados de processos de abertura comercial, considerando que existem gargalos estruturais e institucionais (ou ‘Custo Brasil’) que prejudicam o ambiente de negócios e limitam a competitividade das indústrias brasileiras frente à concorrência externa. A metodologia proposta, a qual pode ser aplicada para diferentes setores e produtos de interesse, utiliza indicadores do Global Competitiveness Index (GCI) como proxies para o grau de competitividade dos países. Juntamente com os fluxos de comércio do país para o produto de interesse, tais dados compõem o conjunto de covariadas que explicam a tarifa de importação. Calibra-se tal função a partir dos dados disponíveis entre
2017 e 2019 para os demais países e, então, estima-se qual seria a tarifa para o caso do Brasil. Apenas para fins de ilustração, este artigo realiza um estudo de caso para a indústria química, mais especificamente, para lixívia de soda cáustica.
Detalhes do artigo
Referências
ACEMOGLU, D.; JOHNSON, S.; ROBINSON, A. The colonial origins of comparative development: An empirical investigation. American Economic Review, v.91, n.5, p.1369-1401, 2001.
BELLOC, M.; BOWLES, S. Persistence and Change in Culture and Institutions under Autarchy, Trade, and Factor Mobility. American Economic Journal: Microeconomics, v.9, p.245-276, 2017.
BOND, E. The optimal tariff structure in higher dimensions. International Economic Review, v.31, p.103-116, 1990.
BREINLICH, H.; CORRADI, V.; ROCHA, N.; RUTA, M.; SILVA, J. M. C. S.; ZYLKIN, T. Machine learning in international trade research: Evaluating the impact of trade agreements. Policy Research Working Paper 9629, World Bank Group. 2021.
COSTINOT, A. DONALDSON, D.; VOGEL, J.; WERNING, I. Comparative advantage and optimal trade policy. The Quarterly Journal of Economics, p.659-702, 2015.
DIXIT, A. Chapter 6: Tax policy on open economies in Handbook of Public Economics vol.1. Elservier Science Publishers B.V., 1985.
DUDEK, G. A Comprehensive Study of Random Forest for Short-Term Load Forecasting. Energies, v. 15, n. 20, p. 7547, 2022.
FAN, H.; LI, Y.; YEAPLE, S. Trade liberalization, quality and export prices. Review of Economics and Statistics, v.97, n.5, 2015.
FRIEDMAN, J; HASTIE, T; TIBSHIRANI, R. Regularization paths for generalized linear models via coordinate descent. Journal of statistical software, v. 33, n. 1, p. 1, 2010.
FURCERI, D; HANNAN, S; OSTRY, J; ROSE, A. Are tariffs bad for growth? Yes, say five decades of data from 150 countries. Journal of Policy Modeling, v.42, p.850-859, 2020.
HAMNER, B; FRASCO, M. Metrics: Evaluation Metrics for Machine Learning. R Package. 2018. Disponível em: https://CRAN.R-project.org/package=Metrics. Acesso em: 30/07/2023.
HAYAKAWA, K.; ISHIKAWA, J.; TARUI, N. What goes around comes around: Export-enhancing effects of import-tariff reductions. Journal of International Economics, v.126, 2020.
IDICULA-THOMAS, S.; GAWDE, U.; JHA, P. Comparison of machine learning algorithms applied to symptoms to determine infectious causes of death in children: national survey of 18,000 verbal autopsies in the Million Death Study in India. BMC Public Health, out. 2021. DOI: 10.1186/s12889-021-11829-y.
JANSEN, M.; NORDAS, H. K. Institution, trade policy and trade flows. Staff Working Paper ERSD-2004-02, World Trade Organization, Economic Research and Statistics Division, 2004.
KIM, I. S. Political cleavages within industry: Firm-level lobbying for trade liberalization. American Political Science Review, v. 111, n. 1, p. 1-20, 2017.
KUHN, M. Building Predictive Models in R Using the caret Package. Journal of Statistical Software, v.28, n.5, pág.1-26, 2008.
MAMOON, D.; MURSHED, S. M. Trade policy, openness, institutions. The Pakistan Development Review, v.45, n.1, p.99-119, 2006.
NAIDIN, L. C.; VEIGA, P. da M.; RIOS, S. P. Liberalização comercial sob Bolsonaro: O que foi feito e o que pode ser feito até o final do governo. Centro de Estudos de Integração e Desenvolvimento (CINDES). 2021.
NUNN, N.; TREFLER, D. The structure of tariffs and long-term growth. American Economic Journal: Macroeconomics, v.2, n.4, p.158-194, 2010.
PIERCE, J.; SCHOTT, P. Investment responses to trade liberalization: Evidence from U.S. industries and establishments. Journal of International Economics, v.115, p.203-222, 2018.
R Core Team. R: A language and environment for statistical computing. R Foundation for Statistical Computing. 2013. Disponível em: http://www.R-project.org/. Acesso em: 30/07/2023.
SAMUELSON, P. Ohlin was right. Swedish Journal of Economics, p.365–384, 1971.
SILVA, L. I. L.; ALCKMIN, G. Neoindustrialização para o Brasil que queremos. Governo Federal, 2023. Disponível em: https://www.gov.br/planalto/pt-br/vice-presidencia/central-de-conteudo/artigos/neoin-dustrializacao-para-o-brasil-que-queremos. Acesso em: 30/07/2023.
SHAPI, M.; RAMLI, N.; AWALIN, L. Energy consumption prediction by using machine learning for smart building: Case study in Malaysia. Developments in Built Environment, v.5, mar. 2018.
WEF. Global Competitiveness Report – 2018. World Economic Forum, 2018. Disponível em: https://www3.weforum.org/docs/GCR2018/05FullReport/TheGlobalCompetitivenessReport2018.pdf. Acesso: 30/07/2023.