Estimando alíquotas de imposto de importação dado o nível de competitividade relativa do brasil

Contenido principal del artículo

Eduardo Dornelas Munhoz
Gesner José Oliveira Filho
José Matheus Andrade
Rafael Pereira Oliveira

Resumen

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.

Detalles del artículo

Sección
Artigos
Biografía del autor/a

Eduardo Dornelas Munhoz

Mestre em Economia pela Universidade de Brasília. Coordenador de Infraestrutura na GO Associados.

Gesner José Oliveira Filho

Ph.D. em Economia pela Universidade da Califórnia em Berkeley. Sócio executivo da GO Associados.

José Matheus Andrade

Mestre em Economia na Faculdade de Economia, Administração e Contabilidade da Universidade de São Paulo. Consultor Sênior na GO Associados

Rafael Pereira Oliveira

Mestre em Economia Faculdade de Economia, Administração e Contabilidade da Universidade de São Paulo. Gerente de Projetos e Macrossetorial da GO Associados.

Citas

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.