t - Sistema de Bibliotecas da FGV - Fundação Getulio Vargas

FUNDAÇÃO GETULIO VARGAS
ESCOLA DE ECONOMIA DE SÃO PAULO
JOSÉ ANTONIO DE SOUZA
UM ESTUDO SOBRE A PRODUTIVIDADE TOTAL DOS FATORES EM SETORES
DE DIFERENTES INTENSIDADES TECNOLÓGICAS
SÃO PAULO
2009
1

JOSÉ ANTONIO DE SOUZA
UM ESTUDO SOBRE A PRODUTIVIDADE TOTAL DOS FATORES EM SETORES
DE DIFERENTES INTENSIDADES TECNOLÓGICAS
Dissertação apresentada à Escola de
Economia de São Paulo da Fundação Getúlio
Vargas, como requisito para a obtenção de
título de Mestre em Economia de Empresas.
Campo de Conhecimento:
Economia Industrial e da Tecnologia
Orientador:
Prof. Dr. Paulo Furquim de Azevedo
1

Souza, José Antonio de.
Um Estudo sobre a Produtividade Total dos Fatores em Setores de
Diferentes Intensidades Tecnológicas / José Antonio de Souza. - 2009.
121 f.
Orientador: Paulo Furquim de Azevedo.
Dissertação (mestrado) - Escola de Economia de São Paulo.
1. Produtividade. 2. Produção (Teoria econômica). 3. Modelos
matemáticos. 4. Indústria \ Métodos de produção. I. Azevedo, Paulo Furquim
de. II. Dissertação (mestrado) - Escola de Economia de São Paulo. III. Título.
CDU 338.31
2

JOSÉ ANTONIO DE SOUZA
UM ESTUDO SOBRE A PRODUTIVIDADE TOTAL DOS FATORES EM SETORES
DE DIFERENTES INTENSIDADES TECNOLÓGICAS
Dissertação apresentada à Escola de
Economia de São Paulo da Fundação Getúlio
Vargas, como requisito para obtenção de título
de Mestre em Economia de Empresas.
Campo de Conhecimento:
Economia Industrial e da Tecnologia
Data da Aprovação
_____ / _____/ ________
Banca Examinadora:
Prof. Dr. Paulo Furquim de Azevedo
(Orientador)
FGV – EESP
Prof. Dr. Cláudio Ribeiro de Lucinda
FGV – EESP
Prof. Dr. Jorge Oliveira Pires
FGV – EAESP
2

DEDICATÓRIA
Aos meus pais,
Por fazerem de mim quem sou;
À Cris,
Pela paciência e dedicação;
À Malú,
Por de repente surgir na minha vida…
E a ela dar razão.
3

AGRADECIMENTOS
Agradeço ao Professor Doutor Paulo Furquim de Azevedo pela valiosa orientação e
ensinamentos transmitidos.
Agradeço aos professores da EESP por me acolherem em seu seio.
Agradeço ao Professor Doutor Claudio Ribeiro de Lucinda por suas contribuições na
discussão deste trabalho.
Agradeço aos professores da FEA/USP, em especial ao professor Hélio Nogueira da
Cruz, por compartilhar comigo os objetos de pesquisa e me incentivar a seguir
adiante.
Agradeço aos amigos mestrandos e doutorandos da EESP que compartilharam
comigo esse período de aprendizado.
Agradeço à CAPES pelo suporte financeiro concedido durante o curso.
Agradeço ao IPEA, em especial ao Professor Doutor João Alberto De Negri, pela
disponibilização da valiosa base de dados.
Agradeço ao IBGE, em especial à equipe da Av. Gal. Canabarro, que me recebeu de
braços abertos, propiciando um caloroso ambiente de pesquisa.
4

RESUMO
Este trabalho investigou o problema da determinação da produtividade total dos
fatores em diversos setores industriais. Tal determinação se dá por meio de
estimação de funções de produção, obtendo-se a produtividade a partir do resíduo
destas estimações. A questão que aflora deste procedimento é a existência de
correlação entre os resíduos e as variáveis explicativas, implicando em diversos
vieses, entre eles o de simultaneidade, de variáveis omitidas e de seleção. Neste
trabalho foram abordados diversos métodos de estimação de funções de produção,
entre eles os métodos de Olley e Pakes e Levinsohn e Petrin. Todos os métodos
foram aplicados a diversos setores da economia. A escolha dos setores se deu com
base na intensidade tecnológica de cada um, sendo então escolhidos quatro setores
de alta intensidade tecnológica e quatro de baixa intensidade tecnológica.
A hipótese básica, fio condutor deste trabalho, é que os diversos métodos de
estimação de funções de produção apresentam diferentes resultados quando
aplicados a setores de diferentes intensidades tecnológicas. Um dos objetivos deste
estudo foi identificar se determinado método seria mais adequado a setores de baixa
intensidade tecnológica, enquanto outro seria mais apropriado a setores de alta
intensidade tecnológica. Conclui-se que o método de Olley e Pakes é levemente
superior ao de Levinsohn e Petrin em ambos os grupos de setores, mas não a ponto
de se descartar o segundo método. A sensibilidade dos resultados aos diferentes
métodos sugere que todos devem ser consultados. Um resultado adicional deste
trabalho é a constatação de que houve queda ou estagnação da produtividade nos
setores selecionados para a década de 1996 a 2005.
Palavras-chave: produtividade, produtividade total dos fatores, estimação de funções
de produção, métodos de estimação paramétricos e semi-paramétricos, intensidade
tecnológica.
5

ABSTRACT
The basic hypothesis and core of this dissertation is that various methods of
estimating production functions produce different results when applied to sectors of
different technological intensity. This dissertation focused on determining the total
factor productivity in several industries. Four sectors with high technological intensity
and four sectors of low technology intensity were selected for assess this hypothesis.
Production functions were estimated and its residue used to calculate the
productivity. The correlation between residuals and the explanatory variables
inherent to this procedure, including that of simultaneity, omitted variables and
selection, was taken into account.
One goal of this study was to identify whether a particular method would be more
suitable to estimate production functions for industries with low/high technological
intensity. This work studied several methods to estimate production functions,
including: Olley & Pakes, and Levinsohn & Petrin.
Our results show that, for industries with low and with high technological intensity, the
Olley & Pakes method estimates are marginally better than the ones from Levinsohn
& Petrin. In our opinion, such results do not provide enough advantage to put away
the Levinsohn & Petrin method as a method to estimate production functions. The
sensitivity of results to the different methods suggests that all of them should be
consulted.
In addition to the previously stated results, this work identified that the sectors
studied experienced a productivity decline or stagnation from 1996 to 2005.
Keywords: productivity, total factor productivity, the estimation of production
functions, methods of parametric estimation and nonparametric, technological
intensity.
6

ÍNDICE DE TABELAS
Tabela 1 – Setores de alta intensidade tecnológica. .................................................42
Tabela 2 – Setores de baixa intensidade tecnológica. ..............................................43
Tabela 3 – Gastos Totais de P&D sobre Valor da Transformação Industrial (%)......43
Tabela 4 – Gastos Totais de P&D sobre Valor da Bruto da Produção Industrial(%). 44
Tabela 5 – Gastos em Aquisição de Máquinas e Equipamentos sobre Valor da Bruto
da Produção Industrial (%). ..............................................................................45
Tabela 6: Número de empresas por setores industriais. ...........................................47
Tabela 7 – Média da receita líquida de vendas e respectivos desvios-padrão por
setores industriais (R$ 1.000). ..........................................................................48
Tabela 8 – Média do estoque de capital e respectivos desvios-padrão por setores
industriais (R$ 1.000)........................................................................................49
Tabela 9 – Médias de pessoal ocupado, e respectivos desvios-padrão, por setores
industriais..........................................................................................................51
Tabela 10 – Média dos salários ligados à produção, e respectivos desvios-padrão,
por setores industriais (R$ 1.000).....................................................................52
Tabela 11 – Resultados das estimativas para o coeficiente do trabalho...................59
Tabela 12 – Distância do coeficiente estimado do trabalho pelos métodos MQO, FE,
MQO c/Investimento, A&B e B&B, por setor e método, da média do setor. .....60
Tabela 13 – Resultados das estimativas para o coeficiente de capital .....................61
Tabela 14 – Distância do coeficiente estimado do capital pelos métodos MQO, FE,
MQO c/Investimento, A&B e B&B, por setor e método, da média do setor. .....62
Tabela 15 – Resultado das estimativas de O&P e L&P para o coeficiente do trabalho
..........................................................................................................................65
Tabela 16 – Distância do coeficiente estimado do trabalho pelos métodos de O&P e
L&P, por setor e método, da média do setor. ...................................................65
7

Tabela 17 – Resultados das estimativas de O&P e L&P para o coeficiente do capital
..........................................................................................................................67
Tabela 18 – Distância do coeficiente estimado do capital pelos métodos de O&P e
L&P, por setor e método, da média do setor. ...................................................67
Tabela 19 – Resultados do cálculo da Produtividade para o setor 17.......................75
Tabela 20 – Resultados do cálculo da Produtividade para o setor 18.......................76
Tabela 21 – Resultados do cálculo da Produtividade para o setor 20.......................76
Tabela 22 – Resultados do cálculo da Produtividade para o setor 36.......................76
Tabela 23 – Razões entre as médias de produtividade dos setores de alta
intensidade tecnologia e de baixa, considerando os métodos O&P e L&P.......81
Tabela 24 – Resultados das estimativas da Produtividade para o setor 30 ..............81
Tabela 25 – Resultados das estimativas da Produtividade para o setor 32 ..............81
Tabela 26 – Resultados das estimativas da Produtividade para o setor 34 ..............82
Tabela 27 – Resultados das estimativas da Produtividade para o setor 35 ..............82
8

ÍNDICE DE FIGURAS
Gráfico 1: Comparativo das Produtividades de O&P e L&P para o Setor 17. ...........78
Gráfico 2: Comparativo das Produtividades de O&P e L&P para o Setor 18. ...........78
Gráfico 3: Comparativo das Produtividades de O&P e L&P para o Setor 20. ...........79
Gráfico 4: Comparativo das Produtividades de O&P e L&P para o Setor 36. ...........79
Gráfico 5: Comparativo das Produtividades de O&P e L&P para o Setor 30. ...........84
Gráfico 6: Comparativo das Produtividades de O&P e L&P para o Setor 32. ...........84
Gráfico 7: Comparativo das Produtividades de O&P e L&P para o Setor 34. ...........85
Gráfico 8: Comparativo das Produtividades de O&P e L&P para o Setor 35. ...........85
9

SUMÁRIO
1 INTRODUÇÃO.................................................................................................. 11
2 DA ESTIMAÇÃO DE FUNÇÕES DE PRODUÇÃO .......................................... 15
3 DA REVISÃO DOS MÉTODOS DE ESTIMAÇÃO DA FUNÇÃO DE
PRODUÇÃO ............................................................................................................ 29
4 DOS DADOS, DO ESPAÇO E DAS ESTATÍSTICAS DESCRITIVAS. ............ 38
4.1 Da base de dados .................................................................................................................... 39
4.2 Do espaço de pesquisa............................................................................................................ 41
4.3 Das estatísticas descritivas ...................................................................................................... 47
5 DA ANÁLISE EMPÍRICA.................................................................................. 55
5.1 Dos métodos MQO, Efeitos Fixos, Arellano e Bond e Blundell e Bond................................... 57
5.2 Dos Métodos de Olley e Pakes e Levinsohn e Petrin.............................................................. 64
5.3 Das análises transversais. ....................................................................................................... 70
5.4 Do estudo da produtividade. .................................................................................................... 73
6 DAS CONSIDERAÇÕES FINAIS ..................................................................... 87
BIBLIOGRAFIA ....................................................................................................... 92
APÊNDICE A ........................................................................................................... 97
ANEXO A............................................................................................................... 120
10

1 INTRODUÇÃO
A produtividade total dos fatores não é uma grandeza que possa ser medida
diretamente. É até possível calcular diretamente as produtividades parciais, devidas
a determinados fatores, como a produtividade do trabalho, ou a produtividade do
capital. A produtividade total dos fatores (PTF) captura as diferenças no produto
entre as firmas, e através do tempo, que não podem ser contabilizadas com
mudanças no uso dos insumos.
A PTF, no entanto, pode ser portadora da interferência de um sem número de
fatores, tais como inovação tecnológica, mudanças organizacionais e institucionais,
mudanças nas atitudes sociais, flutuações na demanda, mudanças nas
participações dos fatores (a própria função de produção), variáveis omitidas e erros
de medida (HULTEN, 2000).
O objetivo deste trabalho é analisar os diversos métodos de determinação da PTF
existentes, avaliando de que forma eles tratam dos fatores elencados acima. Mais
ainda, este trabalho se propõe a investigar como os diversos métodos se comportam
quando aplicados a diferentes conjuntos de dados, aqui identificados como setores
industriais de diferentes intensidades tecnológicas.
Os autores apresentados neste trabalho se debruçaram sobre alguns destes fatores,
procurando limpar a PTF de algumas das referidas interferências. Tais interferências
produzem vieses nos coeficientes estimados para as funções de produção, entre
eles o viés de simultaneidade e o viés de seleção.
11

No capítulo dois são apresentados os métodos comumente usados para estimação
das funções de produção. A exposição começa com o célebre método dos Mínimos
Quadrados Ordinários (MQO), utilizado desde COBB e DOUGLAS (1928), e até
hoje, mesmo com todos os problemas detalhados no decorrer desta dissertação.
Uma alternativa é utilizar a estrutura de dados em painel e, a partir daí, estimar por
efeitos fixos ou primeiras diferenças. A questão é que a estimação de efeitos fixos, e
também a de primeiras diferenças, se prestam a eliminar a endogeneidade originada
de variáveis omitidas que são fixas no tempo. Como o objeto de estudo é a
produtividade, uma hipótese que não se pretende fazer é de que ela é fixa no tempo,
principalmente em séries de tempo mais longas.
Em seguida serão apresentados os métodos de ARELLANO e BOND (1991) e
BLUNDELL e BOND (2000). Estes autores utilizam o método dos momentos
generalizados (GMM) com a utilização de defasagens das variáveis explicativas
como instrumentos, no primeiro caso, e um sistema GMM, com os mesmos
instrumentos mais a defasagem da variável dependente como instrumento para a
equação no nível, no segundo. No primeiro caso os instrumentos mostraram-se
muito fracos.
A última abordagem avaliada no capitulo dois é o uso de técnicas econométricas
estruturais, sugeridas por OLLEY e PAKES (1996) e LEVINSOHN e PETRIN (2003).
No primeiro caso os autores se propõem a tratar dois problemas comuns neste tipo
de estimação: o viés de simultaneidade e o viés de seleção. Convém antecipar qual
é o problema do viés de seleção aqui mencionado. O argumento dos autores é que
a entrada e saída de empresas da amostra têm forte correlação com a
produtividade, ou seja, as empresas que saem são as menos produtivas e as que
entram, com processos produtivos novos, são as mais produtivas. OLLEY e PAKES
12

(1996) atacam estes dois vieses com uma estimação em dois estágios utilizando a
variável investimento como proxy para a produtividade e a estimação de uma função
de saída das empresas da amostra.
O procedimento de LEVINSOHN e PETRIN (2003) é muito semelhante ao de
OLLEY e PAKES (1996). Eles, no entanto, propõem uma alternativa ao uso da
variável investimento como proxy para a produtividade. Os autores defendem que
em setores de longa maturação dos investimentos esta variável pode não possuir
suficiente variabilidade. Propõem, então, o uso de insumos intermediários como
proxy para a produtividade.
No capitulo três é levada a cabo uma revisão da literatura dos métodos de
estimação de funções de produção. Nele são apresentadas as críticas a cada um
dos métodos, bem como outros problemas que surgem nestes tipos de estimação,
como adequação dos dados.
No capítulo quatro é apresentada uma descrição detalhada da base de dados que
será utilizada nos estudos empíricos deste trabalho. Na primeira seção desse
capítulo é apresentada a base de dados disponibilizada pelo Programa de Estudos
da Produção, Tecnologia e Inovação, do IPEA em conjunto com o IBGE. Na
segunda seção foi detalhada a delimitação do espaço de pesquisa segundo o
objetivo deste trabalho, qual seja, de estimar a função de produção em setores de
diferentes intensidades tecnológicas. Com este objetivo foram escolhidos quatro
setores de alta intensidade tecnológica e quatro setores de baixa intensidade
tecnológica. Na última seção do capítulo quatro são apresentadas estatísticas
descritivas a cerca dos setores escolhidos, destacando as características que os
distinguem.
13

No capítulo cinco são apresentados em detalhes os resultados das estimações das
funções de produção, buscando interpretar os valores obtidos para cada coeficiente
em cada método para cada setor. Na primeira seção do capítulo são abordados os
métodos paramétricos. Nesta seção são interpretados em detalhes os resultados
obtidos para o método de mínimos quadrados ordinários (MQO), painel com efeitos
fixos (FE), MQO com a inclusão da variável de investimento, ARELLANO e BOND
(A&B) e BLUNDELL e BOND (B&B). Na segunda seção são abordados os métodos
de OLLEY e PAKES (O&P) e LEVINSOHN e PETRIN (L&P). No caso deste
segundo, são implementadas quatro versões: três com a utilização de insumos
intermediários (matéria-prima, combustíveis e energia) como proxies da
produtividade e, a título de comparação com o método de O&P, também é
implementada uma versão de L&P com a variável investimento como proxy.
Na terceira seção do capitulo cinco são apresentadas análises transversais dos
resultados. O objetivo não é apenas comparar os métodos, mas a adequação de
cada método a setores específicos. Na última seção do capítulo são apresentadas
as produtividades calculadas a partir dos coeficientes gerados por cada um dos
métodos em cada um dos setores, e são discutidos os resultados obtidos.
No capítulo seis são apresentadas as considerações finais deste trabalho, bem
como futuras lacunas que devem ser objeto de estudo no futuro.
14

2 DA ESTIMAÇÃO DE FUNÇÕES DE PRODUÇÃO
A teoria econômica que enseja a realização deste trabalho provém da constatação
das limitações enfrentadas pela clássica função de produção do tipo Cobb-Douglas,
tanto em se tratando da utilização de dados agregados quanto na utilização de
microdados.
Em GRILICHES e MAIRESSE (1995) pode ser encontrada uma revisão bem
detalhada dos problemas enfrentados pela função de produção apresentada por
COBB e DOUGLAS (1928) como uma ferramenta para teste de hipóteses sobre
teoria da produtividade marginal e competitividade dos mercados de trabalho. Após
algumas críticas sobre sua inadequação quanto ao uso sobre dados agregados,
outras pesquisas começaram a aparecer, trabalhando desta vez sobre microdados.
Ou seja, buscou-se na utilização de dados desagregados contornar o problema de
determinação simultânea presente nas variáveis agregadas. Mesmo quando
aplicada sobre microdados, GRILICHES e MAIRESSE (1995) enumeram quatro
dificuldades conceituais e problemas com os dados:
1) O que se procura realmente está lá? O que se está representando
quando se utiliza uma função de Cobb-Douglas?
2) Têm-se todos os dados para a empreitada? Têm-se todos os insumos e
produtos?
3) Como a amostra foi gerada? Ela é representativa?
4) O procedimento de estimação é apropriado? As variáveis são
independentes, as suposições estão corretas, o modelo pode ser testado?
15

Claramente o atendimento a todas estas questões remete a uma situação ideal,
dificilmente alcançada num experimento real. Mas a observância de tais questões
ajuda a interpretar melhor os resultados que são gerados. GRILICHES e MAIRESSE
(1995) se propuseram a discutir apenas o último grupo de questões, mesmo cientes
de que todas as questões estão conectadas, e que o foco em apenas um grupo
pode agravar os problemas apresentados nas outras questões.
Retornando aos pontos críticos da função Cobb-Douglas, os dois primeiros
apresentados são a multicolinearidade dos dados utilizados e a dificuldade de
identificação, dado que o produto e os insumos são determinados simultaneamente
pelas mesmas forças. A dificuldade apresentada pode ser assim ilustrada.
Tome-se uma função de produção de Cobb-Douglas na sua forma log-log.
16
y = α z + βx
+ u
(1)
Onde y á o logaritmo do produto, z é o logaritmo do capital (ou todos os fatores
fixos), x é o logaritmo do trabalho e u representa as perturbações. O ponto crítico
apresentado por GRILICHES e MAIRESSE (1995), citando MARSCHAK e
ANDREWS (1944), é que não se pode tratar as variáveis capital e trabalho como
independentes e estimar por MQO, como feito originalmente por Cobb e Douglas.
São improváveis as suposições de exogeneidade necessárias para a consistência
do MQO e, mesmo que fosse considerado que os insumos fixos (z) são pré-
determinados no horizonte relevante de análise, os insumos variáveis (x) podem ser
ajustados pelo produtor a qualquer momento. Portanto, estimações simples da
função de produção por MQO serão viesadas.

GRILICHES e MAIRESSE (1995) propõem três formas para tratar a questão da
determinação simultânea: a primeira é a utilização de dados em painel, seja com
transformação de efeitos fixos, seja com a de primeira diferença; a segunda é o uso
de insumos defasados como variáveis instrumentais; e a terceira é o uso de proxies
e equações adicionais para substituir o distúrbio não observado u. O uso de uma ou
de outra depende das hipóteses a cerca da fonte de correlação entre x e u.
Tomando o erro u da equação (1), pode-se, por definição, dividi-lo em três partes:
it
it
it
it
17
u = a + e + ε
(2)
Onde ait e eit são conhecidos pelo produtor, mas não pelo pesquisador, e ait é
conhecido a tempo de afetar as decisões correntes sobre x e eit revela-se apenas
depois e não é previsível. Já εit é o erro líquido introduzido por problemas de medida,
coleta dos dados e procedimentos computacionais. Ou seja, ignorando os erros de
medida, há apenas uma transmissão parcial de u, onde ait pode afetar o
comportamento presente e eit não, embora possa afetar o comportamento futuro se
suas realizações alterem as expectativas futuras com relação a u.
A principal questão é que os componentes de ait são conhecidos pelo produtor e
“transmitidos”, naquilo que for relevante, para a escolha de x, e também, com algum
atraso, para a escolha de longo prazo de z. Esta é a essência do problema de
simultaneidade da estimação da função de produção.
A principal maneira encontrada para superar os problemas de simultaneidade foi a
crescente disponibilidade de dados em painel. O argumento é que os principais
erros de especificação que são transmitidos para as decisões, tais como diferenças

na terra, capacidade empreendedora e qualidade do trabalho, são em grande parte
fixos no tempo e podem ser eliminados por uma transformação de efeitos fixos.
Dessa forma a equação (1) poderia ser reescrita da seguinte forma:
it
it
it
i
t
it
18
y = α z + βx
+ a + λ + e
(1’)
Onde ai e λt são efeitos individuais e de tempo “fixos” e podem ser eliminados por
subtração de médias por indivíduo e tempo apropriadas. Ignorando os erros de
medida e assumindo que os efeitos de tempo podem já estar presentes em z, tem-
se:
( z − z ) + β ( x − x ) + a + + ( e − e )
y α λ
(3)
it − yi•
= it i•
it i•
i t it i•
Onde a notação xi⋅ representa a média temporal para cada indivíduo i. Na medida
em que o erro e “não é transmitido” (não correlacionado com x e z), o problema da
simultaneidade está resolvido.
Na prática, no entanto, a aplicação do método de painel a microdados no setor
industrial trouxe dois problemas: coeficientes de capital baixos ou insignificantes e o
fato de que a transformação de efeitos fixos ou não eliminava todo o problema de
simultaneidade, ou agravava problemas pré-existentes, tais como erros em
variáveis.
GRILICHES e MAIRESSE (1995), citando CHAMBERLAIN (1982), apontam que o
uso da transformação de efeitos fixos para eliminação de ai introduz ei na equação e,
portanto, a necessidade de exogeneidade estrita de x, não apenas a sua pré-
determinação. Ou seja, os componentes de ei devem ser erros puros.

As alternativas para tal questão são a utilização, ao invés de efeitos fixos, da
primeira diferença ou estimação através do Método dos Momentos Generalizados
(Generalized Method of Moments - GMM). O uso da primeira diferença contorna a
necessidade de exogeneidade estrita sobre x, que também é eficiente para eliminar
os chamados “efeitos fixos”.
A equação então assumiria a seguinte forma:
( z − z ) + β ( x − x ) + + ( e − e )
y α ζ
(4)
t − yt−1
= t t−1
t t−1
t t t−1
Onde ζ t = at
− at−1
é a mudança em a. Se a for fixo, ζ t = 0 e (4) pode ser estimada
por MQO se et não puder ser antecipado e transmitido para xt e xt+1, mesmo que
afete decisões subseqüentes sobre x (e z). Se a informação em e (ou ζ t ) for
transmitida para valores correntes de x então a diferença em x precisa ser
instrumentalizada, ou seja, precisamos utilizar variáveis instrumentais que
apresentem correlação com as diferenças em x, mas não com o erro. Uma vez que o
número de variáveis instrumentais disponíveis, defasagens de x e z, depende do
tamanho do painel, procedimentos de estimação tornam-se mais complexos,
indicando o uso do Método de Momentos Generalizados, como será visto em
detalhe a seguir.
ARELLANO e BOND (1991) propõem um método de estimação utilizando um GMM
em 2 estágios. O modelo apresentado por eles, já com a inclusão de variáveis
exógenas, é da seguinte forma:
( t ) it i it it i it
19
*
yit = α yi
β ′ x η υ δ ′
−1
+ + + = x + η + υ
(5)

( ) ′ * ′
x
Onde it = yi(
t−
)
x 1 it é k x 1, it
correlacionados com η i . Se
* *
todo s < t e zero caso contrário, i i(
s 1)
diferenciada para o período s. Por outro lado, se
*
seja ( x ) = 0
E υ para todo t , s, então todos os
it
todas as equações.
is
υ não é serialmente correlacionado e
*
it
20
*
x it são todos
*
x forem predeterminados, ou seja, ( x ) ≠ 0
E υ para
x 1,..., x − são instrumentos válidos na equação
*
x it são estritamente exógenos, ou
*
x it ’s são instrumentos válidos para
O método de ARELLANO e BOND (1991) mostrou-se pouco eficiente na prática.
BLUNDELL e BOND (1998) relatam que, quando os parâmetros auto-regressivos
são moderadamente grandes e o número de observações na série de tempo é
moderadamente pequeno, o estimador GMM obtido depois de aplicada a primeira
diferença apresentou grande viés para amostras finitas e baixa precisão. A razão
apontada é que variáveis defasadas de séries são instrumentos fracos para
primeiras diferenças.
BLUNDELL e BOND (1998) consideram, então, duas alternativas que impõem
restrições adicionais sobre as condições iniciais do processo. O primeiro tipo de
restrição justifica o uso das diferenças defasadas de y it como instrumento para
equações no nível. O segundo tipo valida o uso do estimador do componente de erro
dos Mínimos Quadrados Generalizados (Generalized Least Squares – GLS) sobre
um modelo estendido condicionado aos valores iniciais observados.
BLUNDELL e BOND (1998) assumem o erro como u it = ai
+ ω it + ε , onde i a e ω it
são “transmitidos”, isto é, interferem na escolha de it x e ω it = ρωit
+ υit
é um
it
is

processo AR(1). Eles propõem usar x i,
t −1
e x i,
t −τ
para τ ≥ 2 como variável
instrumental para a equação:
( yit
− ρyi,
t−1
) − ( yit
−1
− ρyi,
t−2
) = α(
( xit
− ρxi,
t−1
) − ( xit
−1
− ρxi,
t−2
) ) +
+ β ( ( zit
− ρzi,
t−1
) − ( zit
−1
− ρzi,
t−2
) ) +
+ υ −υ
+ ( ε − ρε ) − ( ε − ρε )
it
i,
t−1
A estimação é baseada no momento condicional
it
i,
t−1
it−1
t−2
[ ( u − u ) − ( u − ρu
) | ( x , z ) ] = 0
E it i,
t−1
it−1
i,
t−2
iτ
iτ
τ = 1
i,
t−2
21
(6)
ρ (7)
Ao estimar funções de produção, seja da maneira menos restrita, com Arellano e
Bond, seja de uma maneira mais restrita, com Blundell e Bond, deve-se ter em
mente que o problema atacado é o de simultaneidade. Ou seja, a relação existente
entre o erro da equação estimada, que vem sendo associado à produtividade total
dos fatores, e as variáveis explicativas.
Há outro problema envolvido em estimações deste tipo: o viés de seleção. Deve ser
lembrado que uma condição importante para qualquer estimação é a qualidade da
amostra. O ponto que se quer ressaltar é que apenas as empresas que
sobreviveram são observadas, dado que o painel é dinâmico, onde há entrada e
saída de indivíduos (empresas). É mais do que intuitivo associar a saída de
empresas a produtividades mais baixas. Portanto, qualquer tentativa de estimação
da produtividade tenderá a sobreestimar o valor real, pois as empresas menos
produtivas em algum momento são excluídas da amostra. Quando trabalhamos com
painel balanceado tais empresas são descartadas, daí decorre o viés de seleção.
Uma nova linha de pesquisa em estimativas de funções de produção, chamada de
estrutural, foi inaugurada por OLLEY e PAKES (1996) e seguida por LEVINSOHN e

PETRIN (2003). Estes dois trabalhos serão analisado s em detalhes, com o objetivo
de identificar os pontos fortes e fracos de suas estratégias.
OLLEY e PAKES (1996) se debruçaram sobre a reestruturação da Indústria de
Equipamentos de Telecomunicações nos Estados Unidos nas décadas de 1970 e
1980, estimando os parâmetros de uma função de produção e utilizando-os depois
para acompanhar a evolução da produtividade das empresas. Tal reestruturação se
deveu, segundo os autores, às mudanças tecnológicas e a liberação do ambiente
regulatório no setor. Os autores mostram que as escolhas das firmas em continuar
produzindo ou não, e que quantidades continuar produzindo, dependem do produto
(ou vendas deflacionadas) por unidade de insumos consumidos, ou seja, sua
produtividade (ω), que apresenta grande variância entre as empresas e correlação
intertemporal. Daí se originaram dois problemas inter-relacionados quando se
passou à fase de estimação: viés de simultaneidade e viés de seleção.
Com o intuito de tratar tais problemas os autores introduziram um modelo dinâmico
do comportamento da firma que especifica a informação disponível no momento em
que as decisões sobre insumos são tomadas, bem como gera uma regra de saída,
ou seja, que informações disponíveis ao produtor levam-no a tomar a decisão de
cessar a produção. Na construção de tal modelo eles assumiram que o lucro da
firma é função de um conjunto de variáveis de estado próprias e de seus
concorrentes. O conjunto de variáveis escolhido inclui a idade (a), o estoque de
capital (k) e a produtividade (ω). Como a produtividade não é uma variável
observável, os autores propõem utilizar o fluxo de investimento como proxy. Eles
desenvolveram um estimador semiparamétrico baseados na suposição de que há
apenas uma variável de estado não-observada que modifica o comportamento da
22

firma (sua produtividade), e que, condicionado aos valores das outras variáveis de
estado observadas, o investimento é crescente com a produtividade.
No começo da cada período a firma deve tomar três decisões: decidir se liquida a
operação e recebe um valor Φ relativo ao desinvestimento; ou se continua, e então
deve decidir o quanto investir em fatores variáveis (trabalho) e decidir quanto ao
nível de investimento. O investimento realizado irá se somar ao nível de capital
existente formando o estoque de capital em t+1. As equações de acumulação de
capital e idade são dadas por:
t+
1
t+
1
( 1−
)
k = δ k
a
= a
t
+ 1
Onde t k é o estoque de capital, i t é o investimento, δ é a depreciação do estoque
de capital e a t é a idade da firma.
O índice de produtividade ϖ it é conhecido pela firma e evolui segundo um processo
exógeno de Markov e a distribuição de ϖ i,
t+
1 condicional a todas as informações
conhecidas em t é determinada pela família de funções de distribuição
t
+ i
{ F(
⋅ ϖ ) , ∈ Ω}
t
23
(8)
F = | it ω
(9)
ϖ
Assumiu-se também que a firma maximiza o valor presente dos lucros esperados,
que dependerá da percepção da firma com relação às estruturas de mercados dada
a informação atual. Uma forma apropriada de expressar esta relação é através da
equação de Bellman para uma firma estabelecida:
( ) ( ) ( ) [ ( ) ] ⎬
⎭ ⎫
⎧
Vt
ω t , at
, kt
= max⎨Φ,
supπ
t ωt
, at
, kt
− c it
+ βE
Vt
+ 1 ωt
+ 1,
at
+ 1,
kt
+ 1 | J t (10)
⎩ it
≥0

Onde Φ é o valor da planta; ( ⋅)
produtividade, da idade e do estoque de capital; ( i )
t
24
π é o lucro da empresa como função da
c é o custo do investimento; β
é o fator de desconto da firma e J t é o conjunto de informações disponíveis em t. A
solução para esta equação gera uma regra de saída e uma função demanda por
investimento. Definindo a função indicadora χ t como zero para a decisão das
empresas em sair, tem-se:
e
t
( a , k )
⎧1 if ϖ t ≥ ϖ t t t
χ t = ⎨
(11)
⎩0
caso contrário,
t
t
( ω , a k )
i = i ,
(12)
OLLEY e PAKES (1996) supuseram que a função investimento do tipo
( ϖ , k a )
i ,
t = i t t t , dados t
forma é possível inverter a função t
regressão semiparamétrico a seguir:
Onde
t
t
t
k e a t , é sempre crescente em ϖ , desde que 0 > i t . Dessa
t
it
l
ω , obtendo o modelo de
i , obtendo: = h ( i , k , a )
it
t
( iit
ait
kit
) it
t
t
y = β l + φ , , + η
(13)
( i , a , k ) = β 0 + β a + β k + h ( i , a , k )
φ (14)
it
it
it
a
A equação (13) identifica o coeficiente do trabalho, mas não os do capital e idade.
Os autores propuseram, então, o seguinte algoritmo de estimação. O primeiro passo
é estimar a equação (13) substituindo φ ( ⋅)
por uma aproximação polinomial de
quarta ordem:
it
k
it
t
t
it
t
it
it

y
it
=
β + β l
+
0
4
∑
x=
1
γ
l
4x
it
+
4
∑
x=
1
1x
4
x
x
( k a ) + γ ( k i ) + γ ( i a )
it
it
γ k
x
it
∑
x=
1
+
∑
x=
1
6x
4
γ
it
x
2xi
it
O próximo passo é estimar a probabilidade de sobrevivência. A probabilidade foi
obtida utilizando uma aproximação polinomial de quarta ordem em ( i a , k )
regressores em uma estimação Probit:
P
t
=
Pr ob
( χ = 1)
t+
1
=
4
∑
1x
x=
1
4
+
γ k
∑
x=
1
γ
x
it
4x
+
4
∑
x=
1
it
x
2xiit
4
+
4
∑
x=
1
4
∑
x=
1
γ
3x
3x
a
x
it
x
x
( k a ) + γ ( k i ) + γ ( i a )
it
it
γ
∑
x=
1
+
4
∑
x=
1
6x
γ
it
3x
it
it
a
it
x
it
x
4
∑
x=
1
3x
it
it
it
25
(15)
, como
No terceiro e último passo do algoritmo os autores tomaram os valores estimados de
β l , φ t e P t , dos dois primeiros passos e voltaram ao modelo semiparamétrico, com
as convenientes manipulações algébricas
e
t
( iit
, ait
, kit
) = ˆ φt ( iit
, ait
, kit
) − β aait
− k kit
it
it
x
(16)
hˆ β
(14’)
m
it − ll
it = c + aa
it + k kt
+ ∑∑
j m
− 4 4
+ 1 + 1 β + 1 β + 1
= 0 = 0
y β β hˆ
Pˆ
+ e
(13’)
Finalmente, para avaliar a evolução da produtividade no nível da firma, os autores
realizaram o seguinte cálculo:
it
mj
( y − b l − b k b a )
p = exp −
(17)
it
LEVINSOHN e PETRIN (2003) se somam a OLLEY e PAKES (1996) nos métodos
estruturais que tentam corrigir os efeitos de variáveis não observadas
l
it
k
it
a
it
m
t
j
t
it

correlacionadas serialmente, mas questionam o uso por O&P da variável
investimento como proxy para a produtividade. Eles argumentaram que investimento
é um controle sobre uma variável de estado e, por definição, é de ajustamento caro.
Tal custo pode causar problemas na estimação, porque as firmas que realizam
investimentos intermitentes podem ter observações truncadas em períodos de
investimento nulo.
No caso de OLLEY e PAKES (1996), que se concentraram na indústria de
equipamentos de telecomunicações, as observações truncadas representaram
apenas 8% do total. A estratégia destes era apropriada a setores mais dinâmicos,
nos quais há investimentos todos os anos. Essa estratégia poderia não se adequar a
setores cujos investimentos têm longo período de maturação, onde a dinâmica da
produtividade apresenta razoável defasagem em relação ao investimento.
Com este problema em mente LEVINSOHN e PETRIN (2003) propuseram a
utilização do consumo de insumos intermediários, tais como energia ou
combustíveis, como proxy para a variabilidade da produtividade. A hipótese é a
mesma: aumentos de produtividade tornam a firma mais eficiente, essa maior
eficiência leva um aumento do produto, levando a um maior consumo de insumos
intermediários.
A equação proposta por LEVINSOHN E PETRIN (2003) é da seguinte forma:
t
l
t
k
t
i t
t
t
26
y = β 0 + β l + β k + β i + ϖ + η
(18)
Onde y é o log do produto, k é o log do estoque de capital, l é o log do trabalho e i t é
a função demanda por insumos intermediários, que é dada por:

t
t
( ϖ k )
t
t
27
i = i ,
(19)
A mesma restrição é feita quanto à monotonicidade da função i t em ϖ t , de modo
que seja possível inverter a função e obter ϖ ( i , k )
interessa. Assim, é possível escrever:
E a equação para o segundo estágio fica:
t
( i , k ) β 0 + β k + β i ϖ ( i , k )
t
t
k
t
ϖ = , que, afinal, é o que
t
i t
t
φ = +
(20)
0
t
t
*
[ ϖ ϖ ]
*
yt = β + β k kt
+ βii
t + E t | + + ηt
(21)
Como apresentado em LEVINSOHN E PETRIN (2003), na prática há informações
sobre diversos insumos intermediários. A questão que se coloca então é qual deles
seria o mais apropriado como proxy para a produtividade? Uma inspeção dos
valores seria o primeiro passo a ser dado. Aquele que apresentasse o menor
número de valores zero é um forte candidato, pois teria o menor número de
observações truncadas. Outra importante característica é a continuidade de
fornecimento. E, por fim, os dados disponíveis de insumos devem ser relativos ao
consumo real em determinado período, ou seja, devem ser levadas em
consideração as aquisições no período, descontadas as variações de estoque.
Escolhido o insumo que se utilizará como proxy para a produtividade, nada impede
que os outros entrem na equação do primeiro estágio como variáveis livres.
Como em OLLEY e PAKES (1996), no primeiro estágio LEVINSOHN e PETRIN
(2003) estimam os valores dos coeficientes de trabalho e variáveis livres. No
segundo estágio a primeira condição de momento identifica β k , pois o capital não
responde ao choque na produtividade, e o segundo momento identifica β i (o insumo
t
t 1
t
t

usado como proxy), pois a escolha de matéria-prima do último período não está
correlacionada com o choque contemporâneo. Por fim, os autores apresentam
resultados obtidos com dados da economia chilena de 1979 a 1986 para quatro
setores industriais (produtos alimentícios, metais, têxteis e produtos de madeira).
Os diversos métodos apresentados neste capítulo foram propostos em contextos
específicos, e seus resultados se comportam bem nos conjuntos de dados
utilizados. Esta dissertação propõe investigar o comportamento dos diversos
métodos em diferentes conjuntos de dados. Tal diferenciação se dará por meio da
intensidade tecnológica da cada setor industrial. A questão básica que se pretende
responder será como os métodos se comportam em setores de diferentes
intensidades tecnológicas.
No próximo capítulo será apresentada uma breve revisão bibliográfica sobre os
diversos métodos de estimação da função de produção. O objetivo é apresentar as
questões levantadas pela academia a cerca dos métodos abordados.
28

3 DA REVISÃO DOS MÉTODOS DE ESTIMAÇÃO DA FUNÇÃO DE
PRODUÇÃO
A literatura sobre estimação de funções de produção, como já citado anteriormente,
remonta ao célebre trabalho de COBB e DOUGLAS (1928). As questões levantadas
α β
por Charles Cobb e Paul Douglas, ao sugerirem a clássica função Y = L K eram:
“...a number of further problems would inevitably present themselves for
solution of which the following are typical. (1) Can we estimate, within limits,
whether this increase in production was purely fortuitous, whether it was primarily
caused by technique, and the degree, if any, to which it responded to changes in
the quantity of labor and capital?
(2) May it possible to determine, again within limits, the relative influence upon
production of labor as compared with capital?
(3) As the proportion of labor to capital changed from year to year, may it
possible to deduce the relative amount added to the total physical product by each
unit of labor and capital and what is more important still by the final units of labor
and capital in these respective years?
(…)
(4) Can we measure the probable slopes of the curves of incremental product
which are imputed to labor and to capital and thus give greater definiteness to what
is at present purely an hypothesis with no quantitative values attached?
(5) Finally from such a study of (a) the imputed physical product from year to
year of a unit of labor and capital when joined with (b) a study of the relative
exchange value of a physical unit of manufactured goods in these years and
compared with (c) the actual movement of “real” wages in manufacturing and of
real interest (if the latter can be ascertained), may we secure light upon the
question as to whether or not the process of distribution are modeled at all closely
upon those of the production of values?”
29
COBB, C.W., e DOUGLAS, P. H., “A Theory of Production,”
American Economic Review, 18 (1) 1928, Supplement, pp. 139 e 140
O trabalho de Cobb e Douglas tornou-se referência básica nos trabalhos de
estimação de funções de produção. Não tardaram, no entanto, os relatos de

problemas no uso da função. O primeiro problema encontrado foi o de determinação
simultânea das variáveis capital e trabalho, tomadas como exógenas e
independentes.
Um dos artigos mais citados nessa linha crítica é o de MARSCHAK e ANDREWS
(1944). Na introdução de seu trabalho eles deixam bem claro seu ponto de vista.
“To describe and measure causation, the economist cannot perform
experiments. That is, he cannot choose one variable as “dependent,” and, while
keeping the other, “independent,” ones under control (i.e., while making them
assume deliberately chosen sets of values), watch the values taken by the
dependent, i.e., uncontrolled variable. The economist has no independent
variables at his disposal because he has to take the values of all variables as they
come, produced by a mechanism outside his control. This mechanism is expressed
by a system of simultaneous equations, as many of them as there are variables.
The experiment can isolate on such equation, substituting his own action for all the
other equations. The economist cannot.”
30
MARSCHAK, J., e ANDREWS JR, W. H., “Random Simultaneous Equations and the Theory of
Production,” Econometrica, Vol. 12, No. 3/4 (Jul. - Oct., 1944), p. 143
O ponto crucial defendido pelos autores, que já se sobressai no texto acima, é que
não se pode simplesmente tratar as variáveis do lado direito da equação como
“independentes” e realizar a estimação por mínimos quadrados ordinários (MQO),
como Cobb e Douglas fizeram. Os insumos não estão sob o controle do economista,
mas dos produtores, que os escolhem de uma maneira ótima ou comportamental.
Não há nenhuma garantia de exogeneidade. Estimativas de funções de produção
através de MQO serão viesadas e não é possível assumir qualquer interpretação
estrutural.
Uma alternativa comumente empregada pelos econometristas quando enfrentam
este tipo de problema é introduzir no modelo variáveis instrumentais que possam

substituir aquelas variáveis que sejam endógenas, mantendo, ou quiçá melhorando,
o nível de explicação da equação. A questão é como conseguir tais variáveis.
Há na literatura duas linhas de pesquisa para suprir tal deficiência. Como já vimos
em detalhe no capítulo anterior, a primeira linha utiliza o Método dos Momentos
Generalizados em primeira diferença, utilizando também defasagens tanto das
variáveis “independentes” quanto das dependentes (ARELLANO e BOND, 1991;
ARELLANO e BOVER, 1995; BLUNDELL e BOND, 1998; BLUNDEL e BOND, 2000).
A segunda linha de pesquisa foca em técnicas estruturais, utilizando métodos semi-
paramétricos (OLLEY e PAKES, 1996; LEVINSOHN e PETRIN, 2003).
ACKERBERG et al. (2005) fazem uma análise detalhada dos trabalhos de OLLEY e
PAKES (O&P) (1996) e LEVINSOHN e PETRIN (L&P) (2003) e, ao passo que
identificam idéias sólidas e intuitivas, também argumentam que pode haver
problemas significativos de colinearidade no primeiro estágio destes métodos. Tais
problemas poderiam ser contornados com um processo de geração de dados (PGD)
apropriado que simultaneamente quebrasse esta colinearidade e fosse consistente
com as suposições tanto de L&P e O&P. Os autores encontram dois PGD´s para o
método de L&P, mas ambos se baseiam em pressupostos muito fortes e não
intuitivos 1 . Já para o método de O&P existe um PGD que para os autores é mais
1 O primeiro envolve uma história onde uma escolha da variável de entrada tem uma grande
quantidade de erros de otimização, enquanto a outra opção de variável de entrada tem exatamente
nenhum erro de otimização. O segundo PGD envolve o seguinte encadeamento: 1) insumos
intermediários são escolhidos antes do trabalho; 2) entre os pontos no tempo em que insumos
intermediários são escolhidos e o trabalho é escolhido, o nível de produtividade da empresa não
muda; 3) entre esses pontos no tempo, a empresa está exposta a um choque de preço ou de
demanda que influencia a escolha do trabalho; e 4) esse choque de preço ou de demanda varia entre
empresas e não está correlacionado ao longo do tempo. Nenhuma das hipóteses destes PGD’s
parece suficientemente realista (mesmo para uma aproximação) de invocar na prática. Para O&P, há
um PGD adicional que quebra a linearidade e é consistente com o modelo: ele estabelece que o
trabalho deva ser escolhido antes da produção e depende da evolução da produtividade entre o
31

ealístico. Os autores propõem, então, outra abordagem na qual o coeficiente do
trabalho seria estimado no segundo estágio. Eles argumentam que mesmo que
nenhum parâmetro fosse identificado no primeiro estágio, ele ainda se prestaria a
eliminar o erro não transmitidoε it da função de produção, que permitiria tratar a
evolução do erro transmitido ϖ it não parametricamente.
VAN BIESEBROECK (2005) faz uma apurada análise da muitas metodologias hoje
aplicadas para estimar a produtividade. Sua primeira conclusão é que muitas delas
não são muito robustas aos erros de medida. Dois outros focos de problema são as
lacunas de especificação da tecnologia de produção e as suposições errôneas feitas
à cerca da evolução da produtividade não observada. Ele compara a robustez de
cinco técnicas: (a) números índices, (b) análise de envelopamento de dados, e três
métodos paramétricos: (c) estimação de variáveis instrumentais, (d) fronteira
estocástica, e (e) estimação semiparamétrica. VAN BIESEBROECK (2005) chega a
cinco conclusões inesperadas:
(1) O método a ser usado para estimar a produtividade deve ser aquele
adequado às suposições feitas à cerca da sua evolução;
(2) O estimador O&P é robusto a uma série de complicações, especialmente
quando uma grande parte da produtividade é não transitória;
(3) A maioria dos métodos não é sensível a pequenos erros de medida, mas
responde mal a grandes erros. Ruídos aleatórios ajudam a evitar sobre-
tempo no qual o trabalho é escolhido e a produção acontece para quebrar a linearidade. Este PGD
parece ser mais realista que os necessários para validar o processo de L&P.
32

correção de vieses e métodos determinísticos não são piores que os
paramétricos em lidar com erros aleatórios de medida;
(4) Os métodos determinísticos, que não assumem homogeneidade entre as
empresas, não são mais robustos que os métodos paramétricos em lidar com
a heterogeneidade dos custos de ajustamento ou tecnologia de produção;
(5) Usar a mesma suposição de retornos de escala, tanto na estimação quanto
na geração dos dados, é necessário, mas não suficiente para resultados
precisos.
WOOLDRIDGE (2009) também analisa as técnicas estruturais apresentadas em
OLLEY e PAKES (1996), e LEVINSOHN e PETRIN (2003). Ele sugere, no entanto,
que sejam implementados especificando diferentes instrumentos para diferentes
equações e aplicando GMM. Avaliando os parâmetros dentro de um sistema de
duas equações, algumas questões de identificação são clarificadas e a estimação
conjunta dos parâmetros leva a uma estimação simples e estimadores mais
eficientes. WOOLDRIDGE (2009) propõe para futuras pesquisas a extensão da
abordagem estrutural de L&P/O&P com modelos que permitam efeitos não
observados por firma, como em BLUNDELL e BOND (2000), embora reconheça que
a estimação de tais modelos quando os insumos não fossem estritamente exógenos
seria um desafio.
MUENDLER (2004a) trata de estimativas de funções de produção quando a
mudança na produtividade é endógena. Ele apresenta um modelo no qual o efeito
não tratado decorre de respostas da eficiência planejada das empresas e, numa
extensão do modelo de OLLEY e PAKES (1996), defende que o investimento é uma
proxy apropriada para produtividade, desde que interagindo com uma variável de
33

competição no setor, tal como penetração no mercado estrangeiro. Tal procedimento
parece ser bem sucedido em eliminar o viés de sobrevivência e o viés de
transmissão. Ainda persiste o viés de preços omitidos, que se origina do fato de que
o preço não é observado nas receitas, mas endógeno. Sob competição imperfeita,
os fatores do lado da demanda reduzem os coeficientes da função de produção e
geram economias de escala subestimadas.
ORNAGHI (2006) discute em que extensão estimativas baixas para retornos de
escala, devidas a parâmetros da função de produção obtida através de estimadores
GMM, podem ser atribuídas a erros de medida, em especial ao uso de deflatores de
preços comuns entre firmas. O autor utiliza o método GMM em primeiras diferenças
defasadas em dois conjuntos de dados, um com preços específicos por firma e outro
com deflatores por setor. Ele conclui que grandes melhorias nos parâmetros podem
ser obtidas através de uma construção mais cuidadosa das variáveis (dependentes
e independentes) sem, no entanto, abrir mão do refinamento das técnicas
econométricas.
FELIPE et al. (2008) argumentam que o viés de endogeneidade que aparece
quando se estima funções de produção usando dados financeiros é resultado do
viés de variáveis omitidas devido à pobre aproximação da identidade contábil com
as quantidades físicas. Em virtude deste argumento, os autores questionam a
tentativa de resolver tal problema pelo desenvolvimento de novos estimadores. Eles
defendem que todas as variáveis que entram no modelo sejam medidas em
quantidades físicas. Embora exista também uma identidade contábil para valor
adicionado, os dados físicos podem ser obtidos a partir da identidade. Os autores
reconhecem a escassez de dados de quantidades físicas, encontrando estudos com
tal abordagem apenas na área de economia agrícola. Em análises de simulação os
34

autores encontraram substancial diferença entre a taxa de crescimento da
produtividade total dos fatores usando quantidades físicas e aquela encontrada a
partir dos dados monetários. Os autores reconhecem que o uso de quantidades
físicas não elimina os problemas com relação a lacunas de especificação ou
mudança técnica, mas reforçam que mais esforços deveriam ser gastos em coletar
tais quantidades do que em encontrar novos métodos de estimação.
DORASZELSKI e JAUMANDREU (2007) desenvolveram um estimador para funções
de produção que permite recuperar a produtividade e seu relacionamento com a
P&D da firma. Eles exploram o fato de que decisões sobre insumos, tais como
trabalho e matéria-prima, são baseados na produtividade corrente. Os autores
propõem um modelo dinâmico a partir de uma extensão do modelo de capital de
conhecimento de GRILICHES (1979), relaxando as suposições sobre o processo de
P&D e examinando o impacto do investimento em conhecimento na produtividade
das firmas. DORASZELSKI e JAUMANDREU (2007) mostram que a ligação entre
P&D e produtividade está sujeita a um alto grau de incerteza, não linearidade e
heterogeneidade. Eles também identificaram que a P&D é o maior determinante das
diferenças de produtividade entre as firmas e da evolução da produtividade de cada
firma ao longo do tempo. Os autores também argumentam que a grande diferença
entre as taxas de retorno de P&D e o investimento em capital físico sugere que tais
incertezas são economicamente significantes e importam para as decisões de
investimentos das firmas.
MUENDLER (2004b) analisa os efeitos da redução de barreiras ao comércio exterior
sobre a produtividade de empresas brasileiras. O autor identifica três canais em que
a liberalização do comércio pode atuar sobre a produtividade: (1) a competição
estrangeira pode induzir os empresários a inovar em processos e produtos (2)
35

acesso mais fácil a equipamentos e insumos estrangeiros; e (3) competição pode
induzir a saída de firmas menos competitivas. O autor faz uma extensão da função
de Cobb-Douglas para levar em consideração a participação de equipamentos e
insumos importados na função de produção. As medidas de produtividade são
calculadas por três meios: um índice com a intensidade de bens de capital assumida
de um terço (GRILICHES e MAIRESSE, 1990), um índice a partir de estimativas
MQO e um índice a partir do algoritmo de OLLEY e PAKES (1996) estendido
(MUENDLER 2004a). Segundo o autor, o canal (1) provou ser uma notável fonte de
mudança na produtividade, mesmo controlando a endogeneidade pela penetração
no mercado externo e tarifas. O canal (2) mostrou-se relativamente fraco, explicado
pela pequena diferença de eficiência entre insumos nacionais e importados, e pela
curva de aprendizagem, complementaridades de fatores e rearranjos na produção
requeridos pelas novas tecnologias. Já o canal (3) mostrou efeitos dúbios: é certo
que a probabilidade de sobrevivência cai e que as firmas de baixa eficiência saem
do negócio, mas, numa estimação contrafatual, as firmas eliminadas são pequenas,
o que causa pouco efeito sobre a produtividade agregada. Este efeito, no entanto,
causa realocações: firmas mais competitivas ganham mercado, economias menos
desenvolvidas podem se especializar em setores de baixo crescimento e,
finalmente, o aumento de custos pode absorver os ganhos obtidos.
Esta breve revisão dos métodos de estimação de funções de produção serve para
ilustrar que esta é ainda é uma linha de pesquisa em aberto. Não se consegue
divisar até o momento qualquer método que seja realmente superior ou
inquestionável. As questões em aberto vão desde a forma funcional, os processos
geradores dos dados até chegar ao método de estimação propriamente dito. O
presente trabalho se concentrará nesta última questão.
36

Este trabalho não tem a pretensão de estabelecer qual método seja o melhor, sob
quaisquer circunstancias. O foco deste trabalho é exatamente deixar claro que os
métodos apresentam diferentes respostas quando aplicados a diferentes conjuntos
de dados. Especificamente, se pretende mostrar que, quando aplicados a setores de
diferentes intensidades tecnológicas, os métodos podem divergir significativamente.
37

4 DOS DADOS, DO ESPAÇO E DAS ESTATÍSTICAS DESCRITIVAS.
As questões que motivam este trabalho encontrariam maior dificuldade em ser
respondidas se não houvesse o oportuno livro organizado por DE NEGRI e
SALERNO (2005): Inovações, Padrões Tecnológicos e Desempenho das Firmas
Industriais Brasileiras, publicado pelo IPEA. Nesse trabalho os pesquisadores do
IPEA traçaram o mais completo e amplo estudo já realizado sobre a inovação
tecnológica na indústria nacional. Uma das principais contribuições desse trabalho é
a forma inovadora como se construiu a base de dados para a pesquisa. Vários
trabalhos anteriores, por terem em mente questões específicas, se limitavam a
trabalhar com uma fonte de dados, quiçá cruzando com mais uma ou duas fontes,
pois o trabalho de agregação destas bases é por si só um fenomenal esforço de
pesquisa. Pois o IPEA foi além: identificou todas as bases de dados oficiais que
continham informações sobre as empresas industriais brasileiras, que envolviam
diferentes fontes, desenvolveu metodologias próprias e realizou um conjunto de
testes estatísticos que possibilita o tratamento conjunto dos microdados das bases
integradas. Este trabalho só foi possível devido às parcerias estabelecidas entre o
IPEA, o IBGE, o MTE, o BACEN, o MPOG e a SECEX/MDIC.
38

4.1 Da base de dados
O presente trabalho tem como pilar duas bases de dados mantidas pelo IBGE. São
elas a Pesquisa Industrial Anual – Empresa (PIA-Empresa) e a Pesquisa Industrial
de Inovação Tecnológica (PINTEC). A PIA-Empresa, referenciada no restante deste
trabalho apenas como PIA, reúne informações econômico-financeiras que permitem
perceber as características estruturais básicas do segmento empresarial das
indústrias no país, assim como acompanhar sua evolução ao longo do tempo. Já a
PINTEC tem por objetivo coletar e disponibilizar informações das atividades de
inovação tecnológica das empresas brasileiras com 10 ou mais pessoas ocupadas,
tendo como universo de investigação, além das atividades industriais, a partir de
2005 os setores de telecomunicações, informática e pesquisa e desenvolvimento,
sabidamente de alta intensidade tecnológica.
Às bases disponíveis no próprio IBGE foram agregadas as seguintes bases: Relação
Anual de Informações Sociais (RAIS) do Ministério do Trabalho e Emprego,
Secretaria de Comércio Exterior (SECEX) do Ministério do Desenvolvimento,
Indústria e Comércio Exterior (MDIC), Censo do Capital Estrangeiro (CEB) e
Registro de Capitais Brasileiros no Exterior (CBE) do Banco Central do Brasil
(Bacen).
DE NEGRI et al. (2005) descrevem em detalhes a montagem dessa base de dados.
Nessa base original as informações tinham periodicidade anual e compreendiam o
período de sete anos: 1996-2002. A base utilizada para esta dissertação já havia
sido estendida até 2005. A esta base foram agregadas as informações de estoque
de capital e idade da firma, imprescindíveis para este trabalho.
39

O estoque de capital da firma, indispensável em quase todos os modelos de
estimação de funções de produção, não era alvo de investigação pela PIA até 2000,
e não há segurança com relação aos dados pelo menos até 2002. Essa lacuna foi
preenchida por meio do trabalho de ALVES e SILVA (2008). Nesse trabalho os
autores se valem do estoque de capital setorial em 1995, fornecido pela metodologia
anterior da PIA, distribuindo-o entre as firmas proporcionalmente ao seu número de
funcionários. A partir deste estoque inicial os autores preencheram os anos
seguintes deflacionando o estoque de capital, acrescentando as variações líquidas
(investimentos mais melhorias menos depreciação). Havia ainda a preocupação com
o excessivo número de missing values, que foram corrigidos pelo procedimento de
imputação de dados, uma vez que foi constatado o comportamento aleatório na
ausência de respostas.
A idade das firmas, outra informação importante para as estimações que se
seguirão, foi incorporada a partir do trabalho de COSTA et al. (2006). Os autores
propõem uma proxy para a idade da firma utilizando amostragem complexa,
sugerindo a utilização do tempo de emprego máximo dentro de uma empresa como
estimativa para a idade da firma. Eles testaram sua hipótese através de um plano
amostral estratificado em comparação com a idade real das empresas coletadas via
Internet. O setor de construção civil foi o que apresentou os piores resultados para a
utilização da proxy. Agropecuários e comércio apresentaram resultados um pouco
melhores, e os setores da indústria, governo e serviços apresentaram resultados
satisfatórios. Para os autores os resultados sugerem um forte potencial de utilização
da informação do tempo máximo de emprego para a imputação estatística da idade
real da firma.
40

4.2 Do espaço de pesquisa
De posse de tão expressiva e volumosa base de dados, convinha então delimitar o
espaço de pesquisa que se pretendia utilizar. Como o objetivo principal da pesquisa
é comparar métodos de estimação de funções de produção e verificar sua
adequação conforme a intensidade tecnológica do setor industrial, os setores
econômicos serão organizados em dois conjuntos de setores de diferentes
intensidades tecnológicas.
A classificação dos setores quanto a sua intensidade tecnológica (MARKWALD,
2004) obedece à metodologia da OCDE (Organização para Cooperação e
Desenvolvimento Econômico), que em 1984 desenvolveu uma classificação
baseada num indicador direto de intensidade tecnológica, qual seja, a relação entre
despesas em P&D e faturamento. Tal indicador era adequadamente ponderado por
setor industrial e por país, possibilitando a classificação dos diferentes segmentos
em três categorias: alta, média e baixa intensidade tecnológica.
A OCDE atualizou a classificação em meados da década de 1990, incluindo um
indicador indireto de intensidade tecnológica. Este indicador indireto foi estimado
com base na tecnologia incorporada nos bens de capital e intermediários utilizados
nos diferentes setores industriais. Tais indicadores, direto e indireto, denotam os
setores tanto como produtores como consumidores de alta tecnologia. Os
indicadores utilizados pela OCDE foram: gastos de P&D divididos pelo valor
adicionado, gastos de P&D divididos pela produção e gastos de P&D mais
tecnologia incorporada em bens de capital e intermediários divididos pela produção.
Os indicadores mostraram-se altamente correlacionados: ou seja, indústrias que
41

investem grande parcela de seu faturamento em despesas em P&D também utilizam
insumos e equipamentos tecnologicamente mais sofisticados.
A nova classificação, com base em indicadores de intensidade tecnológica para 22
setores industriais de 10 países ao longo do período 1980/1992, acabou por
discriminar os setores em quatro categorias: alta tecnologia, média-alta tecnologia,
média-baixa tecnologia e baixa tecnologia. Em 1997, a OCDE aprimorou a
classificação anterior, complementando o enfoque setorial conforme apresentado em
HATZICHRONOGLOU (1997).
Os dois conjuntos de setores que serão cotejados nesta dissertação foram assim
selecionados: quatro setores de alta intensidade tecnológica e outros quatro setores
de baixa intensidade tecnológica. A identificação dos setores obedece a
classificação CNAE a dois dígitos e a escolha dos setores que comporiam cada um
dos conjuntos levou em consideração a classificação quanto à intensidade
tecnológica apresentada na tabela 1 do ANEXO A, extraída de IBGE (2005b). Entre
os setores de alta intensidade tecnológica presentes na referida tabela foram
escolhidos aqueles que apresentaram os maiores níveis de investimento médio por
empresas e os maiores níveis de produtividade do trabalho. Exceção feita ao setor
de Refino de Petróleo, que, por apresentar números muito díspares dos demais
setores de alta intensidade tecnológica, foi excluído para não distorcer a análise. Na
tabela 1 são apresentados os setores selecionados.
Tabela 1 – Setores de alta intensidade tecnológica.
CNAE
(2 dígitos)
Descrição
30 Máquinas para escritório e equipamentos de informática
32 Material eletrônico e de aparelhos e equipamentos de comunicações
34 Veículos automotores, reboques e carrocerias
35 Outros equipamentos de transporte
Fonte: PIA(2003)-IBGE
42

Tabela 2 – Setores de baixa intensidade tecnológica.
CNAE
(2 dígitos)
Descrição
17 Produtos têxteis
18 Confecção de artigos do vestuário e acessórios
20 Produtos de madeira
36 Artigos do mobiliário
Fonte: PIA(2003)-IBGE
Na tabela 2 são apresentados os setores escolhidos para compor o conjunto de
setores de baixa intensidade tecnológica. Neste caso foram escolhidos aqueles que
apresentaram os menores níveis de investimento médio e de produtividade do
trabalho.
São apresentados a seguir, para os setores selecionados, os indicadores descritos
pela OCDE. Os resultados observados para as empresas brasileiras não permitem
ver muito nitidamente a discriminação entre setores de alta e baixa intensidade
tecnológica, o que pode ser resultado de duas distorções. A primeira é o nível
generalizado de baixo investimento em pesquisa e desenvolvimento no país. Mesmo
as empresas dos setores considerados de alta intensidade tecnológica não investem
muito em P&D, na maioria das vezes licenciando processos e produtos já
desenvolvidos lá fora para produzir internamente. A segunda distorção se deve ao
fato de que os setores de baixa intensidade tecnológica estavam tão atrasados, que
para enfrentar a concorrência internacional, principalmente de China e Índia, tiveram
que se modernizar, principalmente via aquisição de novas máquinas e
equipamentos.
Tabela 3 – Gastos Totais de P&D sobre Valor da Transformação Industrial (%).
Baixa Intensidade Tecnológica Alta Intensidade Tecnológica
ano 17 18 20 36 30 32 34 35
2000 0,0240% 0,0184% 0,0444% 0,0382% 0,0151% 0,0381% 0,0530% 0,0407%
2003 0,1183% 0,1877% 0,0737% 0,1553% 0,0826% 0,1319% 0,1820% 0,7158%
2005 0,0990% 0,1719% 0,1178% 0,1905% 0,0904% 0,1374% 0,1774% 0,2823%
Fonte: PINTEC-IBGE
43

A tabela 3, na página anterior, mostra a relação entre os Gastos Totais em P&D,
aquisições aí incluídas, com o Valor da Transformação Industrial. Observando as
médias dos setores de baixa intensidade tecnológica contra aquelas dos setores de
alta intensidade, as diferenças são muito pequenas. As exceções são os valores
observados no ano de 2003, onde os setores de alta intensidade gastam mais de
duas vezes a mais em P&D. O destaque nesse indicador é o setor 35 – Outros
equipamentos de transporte, que gastou quase quatro vezes mais que o segundo
colocado nesse quesito
Quando a relação entre os Gastos Totais em P&D é feita contra o Valor Bruto da
Produção Industrial, como se pode ver na tabela 4, a diferença se torna mais
perceptível. Referindo-nos novamente ao ano de 2003 a diferença chega a 134% em
favor dos setores de alta intensidade. No ano de 2000 a diferença chega a mais de
46% também em favor dos setores de alta intensidade tecnológica. O destaque
novamente é para o setor 35, com gastos em P&D em relação ao VBPI quase sete
vezes a média do próprio setor em 2003, e mais de duas vezes e meia em 2005.
Na tabela 5, na próxima página, pode-se perceber bem o efeito das distorções
alegadas. Nela são apresentados os Gastos em Aquisição de Máquinas e
Equipamentos sobre o Valor Bruto da Produção Industrial. Percebe-se claramente
que quem mais investiu na aquisição de máquinas e equipamentos em 2003 e 2005,
proporcionalmente à produção, foi o setor 17 – Produtos Têxteis.
Tabela 4 – Gastos Totais de P&D sobre Valor Bruto da Produção Industrial(%).
Baixa Intensidade Tecnológica Alta Intensidade Tecnológica
ano 17 18 20 36 30 32 34 35
2000 0,0038% 0,0021% 0,0059% 0,0038% 0,0027% 0,0055% 0,0085% 0,0061%
2003 0,0149% 0,0251% 0,0110% 0,0162% 0,0137% 0,0150% 0,0197% 0,1086%
2005 0,0161% 0,0230% 0,0168% 0,0204% 0,0132% 0,0155% 0,0185% 0,0416%
Fonte: PINTEC-IBGE
44

Tabela 5 – Gastos em Aquisição de Máquinas e Equipamentos sobre Valor Bruto da
Produção Industrial (%).
Baixa Intensidade Tecnológica Alta Intensidade Tecnológica
ano 17 18 20 36 30 32 34 35
2000 0,0028% 0,0013% 0,0047% 0,0022% 0,0003% 0,0018% 0,0037% 0,0015%
2003 0,0073% 0,0029% 0,0044% 0,0042% 0,0008% 0,0035% 0,0056% 0,0044%
2005 0,0073% 0,0034% 0,0046% 0,0032% 0,0014% 0,0015% 0,0043% 0,0049%
Fonte: PINTEC-IBGE
O setor 20 – Produtos de madeira – também teve um desempenho
consistentemente superior aos de alta intensidade tecnológica. Comparando a
tabela 4 com a tabela 5 é possível verificar que boa parte dos Gastos Totais em P&D
nos setores de baixa intensidade tecnológica são absorvidos pela aquisição de
máquinas e equipamentos com alguma tecnologia incorporada.
FURTADO e CARVALHO (2005) discutem em detalhes essa discrepância. Os
autores observam que há padrões diferenciados de esforços tecnológicos entre
países desenvolvidos e em desenvolvimento. Furtado e Carvalho concluem que as
diferenças são mais acentuadas em setores de média e alta intensidade tecnológica,
podendo ser atribuídas à especialidade produtiva. Nos países desenvolvidos tais
setores comportam indústrias sólidas que se apóiam em importantes grupos locais.
Já nos países em desenvolvimento a indústria local é menos forte, com
predominância de filiais de empresas multinacionais. Conforme apontado pelos
autores, e observado nas tabelas acima, o padrão mais homogêneo de esforço
tecnológico torna a classificação da OCDE pouco significativa para países em
desenvolvimento.
Por fim, Furtado e Carvalho propõem uma classificação dos setores de acordo com
sua intensidade em P&D útil para identificar fatores críticos que explicam a diferença
entre os padrões setoriais dos países desenvolvidos e em desenvolvimento. Tais
45

fatores são: origem do capital, o conteúdo de produção local, conteúdo
codificado/tácito da tecnologia e políticas públicas. O esforço de Furtado e Carvalho
é louvável, mas dada a necessidade deste trabalho dialogar com outros trabalhos,
será seguida a classificação oferecida pelo IBGE (IBGE, 2005b).
46

4.3 Das estatísticas descritivas
Escolhidos os setores, o próximo passo é delimitar o horizonte de pesquisa. O
pesquisador sempre almeja as séries mais longas possíveis, que propiciem robustez
às estimativas feitas. No caso deste trabalho a maioria das bases apresenta séries
de 10 anos, de 1996 a 2005. Quando os estudos envolverem a PINTEC, o horizonte
é consideravelmente mais curto. Até o momento só foram divulgadas as PINTEC´s
de 2000, 2003 e 2005, portanto apenas três observações.
A seguir serão apresentadas algumas estatísticas descritivas a cerca dos setores
selecionados. O primeiro dado que é fundamental para as análises que se seguirão
é o número de empresas em cada setor. Ele dá a dimensão cross-section do painel
que será utilizado. O que se pode observar apenas por inspeção da tabela 6 é que o
número de empresas em setores de baixa intensidade tecnológica é visivelmente
maior que o número em setores de alta intensidade tecnológica. Percebe-se também
que, ao longo de uma década, o número de empresas tem crescido constantemente,
a menos de uma pequena oscilação em 2002.
Tabela 6 – Número de empresas por setores industriais.
Baixa Intensidade Tecnológica Alta Intensidade Tecnológica
17 18 20 36 30 32 34 35
1996 1521 2637 1470 2041 122 365 1089 319
1997 1636 2853 1601 2201 137 405 1145 345
1998 1465 2804 1575 2209 118 349 1097 310
1999 1490 3017 1615 2216 126 379 1097 329
2000 1688 3334 1892 2300 153 430 1136 372
2001 1777 3520 1941 2346 165 452 1176 386
2002 1722 3619 1859 2358 162 454 1145 414
2003 1801 3858 1975 2513 171 461 1239 446
2004 1927 3904 2028 2407 167 465 1288 454
2005 2078 4396 2238 2619 202 523 1419 601
Fonte: PIA-IBGE
47

Na tabela 7 são apresentadas as médias da Receita Líquida de Vendas, e seus
respectivos desvios-padrão, para os setores industriais selecionados para a década
de 1996 a 2005. Percebe-se claramente que as receitas médias de vendas dos
setores de maior intensidade tecnológica são bem mais expressivas que as dos
setores de menor intensidade tecnológica. Falando em termos médios essa
diferença varia de 9 a 17 vezes, entre 1996 e 2005. Isso porque os setores de alta
intensidade tecnológica tiveram crescimento acelerado da receita líquida de vendas
na década analisada, com destaque para os setores 30 – Máquinas para escritório e
equipamentos de informática e 35 – Outros equipamentos de transporte, que tiveram
suas receitas aumentadas de 505% e 450%, respectivamente. Tal crescimento das
médias foi acompanhado linearmente pelo crescimento dos desvios-padrão.
Tabela 7 – Médias das receitas líquidas de vendas e respectivos desvios-padrão por
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
Fonte: PIA-IBGE.
setores industriais (R$ 1.000).
Baixa Intensidade Tecnológica Alta Intensidade Tecnológica
17 18 20 36 30 32 34 35
2.710
(22.499) 1
3.295
(20.966)
2.818
(24.786)
4.013
(32.486)
3.925
(33.846)
3.943
(40.786)
4.116
(48.369)
4.897
(54.326)
4.868
(58.581)
4.531
(52.028)
612
(9.474)
619
(9.435)
649
(10.338)
653
(11.828)
659
(11.492)
644
(11.347)
634
(11.196)
664
(11.613)
725
(12.896)
885
(13.259)
621
(7.132)
719
(7.285)
596
(7.533)
801
(10.929)
758
(11.079)
912
(13.942)
1.166
(17.792)
1.736
(27.273)
1.971
(34.268)
1.973
(33.751)
837
(9.758)
911
(10.704)
928
(11.459)
999
(13.640)
1.156
(17.190)
1.229
(18.147)
1.336
(19.842)
1.322
(16.635)
1.613
(23.014)
1.525
(21.933)
6.309
(39.545)
12.639
(77.885)
12.733
(73.247)
18.591
(103.033)
39.379
(229.060)
36.050
(209.963)
29.403
(170.047)
26.214
(174.872)
30.480
(173.238)
38.150
(179.343)
17.396
(134.079)
19.145
(147.369)
17.878
(157.458)
23.379
(224.569)
31.422
(245.937)
35.119
(268.550)
28.829
(259.277)
28.539
(292.199)
40.215
(367.818)
41.937
(379.249)
14.945
(333.994)
17.740
(364.759)
15.705
(324.644)
15.403
(314.623)
19.678
(393.196)
23.053
(442.250)
24.466
(490.331)
31.584
(538.524)
39.713
(658.291)
43.624
(735.186)
5.022
(48.360)
6.951
(72.371)
8.928
(106.517)
12.373
(194.285)
16.613
(273.541)
20.710
(360.609)
20.276
(384.821)
20.283
(337.964)
29.883
(477.215)
27.602
(383.355)
Nota: 1) – Valores entre parênteses representam o desvio padrão associado à média anual de cada
setor
48

Nota-se que para a maioria dos setores a relação desvio-padrão pela média fica
constante, excetuando-se os setores 17, 20 e 35. Percebe-se também uma relação
desvio-padrão pela média muito alta para a maioria dos setores, o que pode indicar
a existência de observações muito díspares (outliers) que podem causar impacto
nas estimativas a serem feitas com tais dados. O destaque negativo fica para o setor
34 - Veículos automotores, reboques e carrocerias, onde esta relação oscila entre 17
e 22 vezes.
Na tabela 8, na página a seguir, são apresentadas as evoluções das médias de
estoque de capital das empresas, e respectivos desvios-padrão, dos setores
selecionados. Novamente é possível perceber uma diferença significativa em favor
dos setores de maior intensidade tecnológica. Essa diferença chega a ser da ordem
de 7,7 vezes na década. O destaque aqui fica para o crescimento mais acelerado
dos setores de baixa intensidade tecnológica no acúmulo de capital, onde os setores
20 e 36 apresentam, respectivamente, taxas de crescimento de 293% e 263% na
década. Se bem que o maior crescimento é observado no setor 34, que chega a
316%.
Os desvios-padrão apresentados para o estoque de capital não são muito grandes,
oscilando entre duas e oito vezes em média. Deve-se ressaltar que esta série foi
construída através do método do inventário perpétuo, conforme descrito por ALVES
e SILVA (2008). Mesmo assim há muitos valores faltantes nesta série de capital. Nos
setores 30 e 35 chegam a estar ausentes valores de capital para 50% da amostra.
Nos demais setores os ausentes são cerca de 20% a 30%. Destaque para o setor
18, que para o ano de 2005 apresenta apenas 10% de valores faltantes.
49

Tabela 8 – Médias dos estoques de capital e respectivos desvios-padrão por setores
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
industriais (R$ 1.000).
Baixa Intensidade Tecnológica Alta Intensidade Tecnológica
5.705
(18.700) 1
6.321
(16.004)
7.126
(24.919)
8.398
(33.384)
8.113
(37.562)
10.787
(56.708)
11.916
(65.710)
14.325
(75.791)
14.874
(83.129)
15.006
(84.453)
17 18 20 36 30 32 34 35
986
(4.375)
1.061
(3.999)
1.080
(4.845)
1.224
(5.659)
1.172
(6.825)
1.294
(7.979)
1.212
(9.796)
1.541
(11.314)
1.608
(12.237)
1.529
(12.626)
1.724
(7.734)
2.011
(4.993)
2.452
(15.038)
3.120
(18.360)
3.442
(21.791)
3.870
(25.159)
4.392
(31.711)
5.498
(41.266)
5.842
(44.345)
6.778
(47.019)
766
(4.019)
1.040
(2.358)
1.231
(5.360)
1.480
(7.467)
1.733
(8.844)
2.107
(10.488)
2.040
(11.605)
2.338
(11.014)
2.675
(13.800)
2.783
(13.397)
19.410
(88.448)
19.687
(90.770)
21.390
(95.373)
32.681
(106.797)
46.538
(158.921)
52.786
(197.276)
39.530
(132.283)
37.047
(124.380)
41.812
(127.207)
36.310
(124.653)
15.193
(63.519)
16.384
(56.831)
19.057
(71.993)
22.741
(91.334)
32.183
(108.139)
34.122
(123.002)
39.631
(147.304)
42.628
(182.614)
44.702
(182.258)
40.760
(184.759)
19.120
(187.212)
22.817
(158.920)
26.437
(218.698)
31.700
(272.168)
39.836
(322.022)
49.503
(402.717)
55.870
(489.568)
66.715
(546.368)
73.038
(609.056)
79.601
(674.313)
13.276
(63.840)
14.985
(65.203)
15.951
(66.160)
14.085
(43.039)
21.986
(60.358)
19.104
(69.402)
20.807
(84.404)
28.507
(111.245)
32.826
(127.638)
29.851
(125.497)
Fonte: PIA-IBGE.
Nota: 1) – Valores entre parênteses representam o desvio padrão associado à média anual de cada
setor
Será apresentado, nas duas tabelas a seguir, um quadro sobre a evolução do
emprego nos setores selecionados na década de 1996 a 2005. Na tabela 9, na
página a seguir, vê-se a evolução da média do pessoal ocupado, e respectivos
desvios-padrão, nos setores selecionados. Percebe-se claramente uma estagnação
no número de pessoas ocupadas, quando não uma diminuição. A única exceção fica
por conta do setor 30 – Máquinas para escritório e equipamentos de informática, que
teve um crescimento de mais de 120%. Já o setor 32 – Material eletrônico e de
aparelhos e equipamentos de comunicações apresentou uma redução de 22% de
pessoal ocupado na década.
50

Tabela 9 – Médias de pessoal ocupado, e respectivos desvios-padrão, por setores
industriais.
Baixa Intensidade Tecnológica Alta Intensidade Tecnológica
17 18 20 36 30 32 34 35
1996 64
(414) 1
26 28 26 43 110 122 63
(259) (156) (158) (162) (620) (1.460) (349)
1997 72
(346)
1998 58
(397)
1999 68
(445)
2000 63
(428)
2001 63
(572)
2002 59
(546)
2003 58
(509)
2004 53
(509)
2005 52
(504)
26
(223)
24
(220)
25
(251)
25
(215)
23
(209)
24
(199)
24
(429)
25
(212)
25
(224)
29
(144)
27
(152)
27
(151)
27
(157)
26
(148)
26
(152)
31
(199)
30
(210)
29
(203)
27
(152)
27
(174)
25
(162)
25
(159)
25
(158)
25
(157)
23
(148)
25
(171)
24
(158)
73
(380)
65
(289)
71
(313)
91
(251)
86
(333)
76
(316)
65
(304)
77
(325)
97
(378)
107
(510)
95
(486)
90
(505)
102
(483)
100
(438)
83
(382)
84
(565)
85
(377)
86
(410)
128
(1.496)
113
(1.295)
105
(1.222)
105
(1.236)
109
(1.144)
102
(1.130)
116
(1.081)
113
(1.101)
118
(1.151)
62
(313)
69
(396)
65
(436)
68
(448)
77
(565)
69
(551)
91
(722)
95
(709)
96
(673)
Fonte: PIA-IBGE.
Nota: 1) – Valores entre parênteses representam o desvio padrão associado à média anual de cada
setor
Comparando, agora, os setores de alta e baixa intensidade tecnológica, tem-se a
princípio um resultado que parece contrariar a lógica. Poder-se-ia esperar que os
setores de menor intensidade tecnológica fossem mais intensivos em mão-de-obra,
mas o que se observa na tabela 9 é que as empresas dos setores de alta
intensidade tecnológica têm, em média, 2,5 vezes mais trabalhadores que suas
congêneres nos setores de baixa intensidade tecnológica. Pode-se explicar esse
resultado com a constatação que muitas das empresas dos setores de baixa
intensidade tecnológica escolhidos são constituídas na forma de micro ou pequenas
empresas. Outra explicação para este fato decorre do paradigma tecnológico da
microeletrônica, que é, de fato, intensivo em pessoas (conhecimento) e menos
sujeito a economias de escala. Também deve ser observado que setores intensivos
51

em capital, como o siderúrgico, de cimento, alumínio, entre outros, não são
intensivos em tecnologia.
Analisando a tabela acima com foco nos desvios-padrão, percebe-se que há algum
problema com os setores 18 e 34, onde os números encontrados estão bem acima
daqueles observados nos demais setores. Enquanto estes dois setores têm desvios-
padrão de cerca de dez vezes a média, os outros se situam na faixa de seis vezes.
Observando, agora, pela ótica dos salários pagos aos trabalhadores dos dois grupos
de setores é possível constatar, mais uma vez, a prevalência dos setores de alta
intensidade tecnológica. Na tabela 10 pode-se claramente divisar um fosso que
separa a média dos salários das empresas dos dois grupos de setores.
Tabela 10 – Médias dos salários ligados à produção, e respectivos desvios-padrão,
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
Fonte: PIA-IBGE
por setores industriais (R$ 1.000).
Baixa Intensidade Tecnológica Alta Intensidade Tecnológica
301
(2.407) 1
376
(2.439)
300
(2.429)
343
(2.277)
340
(2.569)
363
(3.610)
364
(3.981)
410
(4.151)
413
(4.527)
433
(4.925)
17 18 20 36 30 32 34 35
76
(1.312)
83
(1.270)
78
(1.206)
81
(1.185)
81
(1.150)
82
(1.295)
91
(1.242)
99
(1.329)
118
(1.559)
133
(1.725)
80
(866)
95
(873)
92
(961)
95
(854)
97
(894)
111
9981)
125
(1.214)
175
(2.579)
194
(2.839)
206
(2.879)
97
(1.002)
106
(976)
107
(974)
103
(976)
113
(1.031)
118
(1.084)
132
(1.169)
134
(1.242)
163
(1.563)
163
(1.618)
263
(1.680)
481
(2.503)
554
(3.747)
544
(2.846)
1.131
(6.323)
1.005
(5.212)
843
(4.813)
681
(4.430)
845
(5.039)
1.167
(5.743)
713
(6.699)
807
(5.812)
766
(5.717)
737
(5.997)
1.144
(8.667)
1.158
(8.678)
1.098
(7.807)
820
(5.806)
1.180
(7.847)
1.542
(14.832)
1.348
(24.774)
1.512
(27.212)
1.423
(26.472)
1.335
(27.178)
1.485
(28.787)
1.622
(29.642)
1.564
(29.311)
1.866
(30.510)
2.099
(30.271)
2.392
(35.020)
487
(4.199)
552
(5.180)
641
(6.759)
668
(7.879)
791
(9.461)
943
(11.842)
1.031
(16.220)
1.433
(20.021)
1.994
(26.728)
2.011
(25.276)
Nota: 1) – Valores entre parênteses representam o desvio padrão associado à média anual de cada
setor
52

Se ponderada pelo número de empresas no setor, a diferença gira também em torno
de duas vezes e meia. E esse fosso tende a aumentar, uma vez que o crescimento
dos salários dos setores de alta intensidade tecnológica tem sido mais expressivo. O
destaque fica por conta dos setores 32 – Material eletrônico e de aparelhos e
equipamentos de comunicações e 35 – Outros equipamentos de transporte, com
crescimentos de 176% e 173% quando ponderados pelo número de empresas,
respectivamente. Aqui novamente chama-se a atenção para a ordem de grandeza
dos desvios-padrão dos setores 18 e 34, o primeiro situando-se acima de 15 vezes a
média, enquanto que o segundo se situa 18 vezes acima da média calculada.
A partir dos dados das estatísticas descritivas apresentadas nas tabelas 6 a 10,
tem-se um quadro mais claro da diferenciação entre os setores de alta e baixa
intensidade tecnológica do que aquele apresentado nas tabelas 3 a 5. Conforme já
apresentado, citando FURTADO e CARVALHO (2005), apesar de esta classificação
ser construída a partir da PINTEC, pesquisa semelhante àquela utilizada pela OCDE
para classificação dos setores quanto à intensidade tecnológica, por problemas
estruturais da economia, ou mesmo por alguma inconsistência na pesquisa, os
dados não apresentam o comportamento que se deveria esperar. Já os resultados
apresentados nestas últimas cinco tabelas estão perfeitamente alinhados ao que se
espera do comportamento para os setores selecionados.
No próximo capítulo tal questão da diferenciação entre setores de alta e baixa
intensidade tecnológica será aprofundada. O objetivo é identificar, ao executar os
diversos procedimentos para estimação das funções de produção em cada um dos
setores selecionados, quais procedimentos se adequam melhor a quais conjuntos de
dados. Esta análise se dará em duas dimensões. Na vertical, serão analisados os
resultados de todos os métodos em cada um dos setores, buscando identificar qual
53

método melhor se encaixa em cada setor. Na dimensão horizontal verificar-se-ão os
resultados de cada método em todos os setores, identificando em qual setor cada
método produz as respostas mais plausíveis.
54

5 DA ANÁLISE EMPÍRICA
Ao longo deste trabalho será explorado o fato de que existem diversos métodos
econométricos para a estimação de funções de produção. A questão que permeia
todo este trabalho, e que neste capítulo procura-se responder de maneira empírica,
é quais são as diferenças nos métodos de mensuração da produtividade? A hipótese
que se quer testar, em relação a esta pergunta, é que os métodos de estimação de
funções de produção não são robustos às diferenças de intensidade tecnológica
entre os setores.
Como já foi apresentado em detalhes no capítulo 2, a estimação de funções de
produção, mesmo que apoiada em conjuntos de microdados quase censitários,
apresenta um leque não negligenciável de questões.
O que será apresentado neste capítulo de análise empírica é que um mesmo
método pode apresentar diferentes resultados quando aplicado a setores
econômicos de diferentes intensidades tecnológicas. Estes diferentes resultados não
se restringem a pequenas variações nos valores dos coeficientes principais da
função de produção, capital e trabalho. Há discrepâncias na ordem de grandeza dos
coeficientes, no nível de significância destes, na direção dos vieses e nas
estatísticas como um todo.
Outro ponto que chama a atenção é a discrepância de resultados entre os diversos
métodos para um mesmo setor. Tal diferença pode significar que determinados
métodos, ou pequenas modificações em sua implementação, podem ser mais
adequados a um setor que a outro. Ou seja, determinado método pode dar melhores
55

espostas quando aplicado em setores de alta intensidade tecnológica, enquanto
outro método pode produzir resultados mais plausíveis em setores de baixa
intensidade tecnológica.
Como a cada momento será interessante explorar uma nuance deste estudo
comparativo, diversas formas de apresentação serão utilizadas. A idéia é partir dos
métodos mais simples até os mais elaborados, procurando observar nos resultados
o que se pode inferir de cada um. Tal análise ocorrerá em um sentido vertical, onde
avaliamos as resultados de cada método para um mesmo setor. Esta análise será
apresentada nas duas primeiras seções deste capítulo.
Na terceira seção o objetivo será efetuar uma análise horizontal, pelos diversos
setores, de um método em particular. Neste caso a intenção é avaliar em que
setores um determinado método apresenta resultados mais consistentes, quanto a
significância de estimadores e alguns testes básicos.
Como o próprio título desta dissertação denota, um dos objetivos primeiros deste
trabalho é o cálculo das produtividades totais dos fatores em setores de diferentes
intensidades tecnológicas. Na última seção serão apresentados os resultados
obtidos para o cálculo das referidas produtividades, abordando três aspectos: as
diferenças de produtividade entre setores de diferentes intensidades tecnológicas;
as diferentes produtividades geradas por diferentes métodos para um mesmo setor
econômico; e a evolução das produtividades calculadas ao longo da década
analisada.
56

5.1 Dos métodos MQO, Efeitos Fixos, Arellano e Bond e Blundell e Bond.
Nesta seção serão apresentados os resultados de cinco métodos comumente
utilizados em estudos econométricos para estimar funções de produção. São eles:
Mínimos Quadrados Ordinários (MQO); Painel com Efeitos Fixos (FE); MQO,
incluindo o investimento no modelo; o método apresentado por ARELLANO e BOND
(1991); e o método apresentado por BLUNDELL e BOND (2000) 2 .
O método de Mínimos Quadrados Ordinários, utilizado desde o início, em COBB e
DOUGLAS (1928), não deve ser de todo desprezado. Ele provê algumas intuições,
idéias de grandezas, sinais, etc. Citando Abramovitz, “ele nos dá a medida da nossa
ignorância” (ABRAMOVITZ, 1956 – p.11). Neste trabalho serão utilizados os dados
cross-section na versão pooled. Os dados referentes a cada um dos dez anos serão
“empilhados” e rodaremos um MQO sobre todo o conjunto. Uma tentativa que será
feita para melhorar o desempenho do MQO é incluir a variável de investimento. Com
a inclusão desta variável parte-se do pressuposto que quanto maior a produtividade,
tanto maior também será o investimento na empresa.
O uso de painel com efeitos fixos supõe que a endogeneidade apresentada na
estimação da função de produção devida a variáveis não observadas possa ser
eliminada quando os efeitos fixos por indivíduo (empresa) ou pelo tempo (ano) são
eliminados. Ou seja, supõe que a endogeneidade seja apenas contemporânea ou,
de outra forma, que os efeitos fixos não variam com o tempo.
2 As estimações serão rodadas no Software STATA® 9.0 da Stata Corp LP e os respectivos
comandos são apresentados na tabela 4, do Anexo A. Em todos os métodos trabalharemos com
variáveis deflacionadas, sendo que diferentes deflatores foram utilizados para diferentes variáveis
(veja tabela 3 do Anexo A).
57

O problema de variáveis não observadas se reflete no fato de essa omissão ser
capturada pelo erro da estimação, o que produz algum tipo de endogeneidade no
modelo. Se a variável omitida guarda alguma relação com as demais variáveis do
modelo, como acontece na maioria dos casos, tem-se então que o erro da
estimação está correlacionado com as variáveis ditas explicativas.
Uma alternativa para se eliminar este problema é o uso de variáveis instrumentais,
ou seja, uso de variáveis que tenham forte correlação com a variável omitida, mas
não sejam muito correlacionadas com as demais variáveis explicativas. A inclusão
desta variável “limparia” o erro da estimação, diminuindo o viés atribuído ao
problema de endogeneidade. O problema é que tais variáveis instrumentais não são
assim tão fáceis de encontrar. Muitas vezes há dificuldade até em identificar a
origem da endogeneidade e, com isso, proceder a busca de uma variável
instrumental apropriada.
O método de ARELLANO e BOND (1991) propõe contornar esta questão utilizando
um estimador GMM em primeiras diferenças, explorando o fato de que todas as
restrições sobre os momentos decorrem da suposição de que não há correlação
serial entre os erros. Os autores então utilizam diferenças defasadas da variável
dependente como instrumento das equações no nível junto com defasagens da
variável dependentes como instrumentos para as equações em primeiras diferenças.
BLUNDELL e BOND (1998) mostram que o modelo proposto por Arellano e Bond
pode produzir instrumentos fracos quando os regressores não são estritamente
exógenos. Os autores então propõem, em trabalho subseqüente (BLUNDELL e
BOND, 2000), a diferença defasada da variável dependente como instrumento para
a defasagem da mesma variável dependente na equação em nível.
58

Os resultados obtidos com os cinco métodos explanados acima são apresentados
nas tabelas numeradas de 7 a 14, do Apêndice A. Serão discutidos em detalhe 3 , a
seguir, os coeficientes de trabalho e capital obtidos nestes métodos. O objetivo é
avaliar como os diversos métodos se comportam sobre um mesmo conjunto de
dados. Serão apresentados nas próximas tabelas os valores obtidos para os
coeficientes de trabalho e capital nos setores selecionados, bem como as
respectivas médias e erros quadráticos por setor e método.
A tabela 11 é propícia para iniciar a discussão sobre o viés que se diz haver na
estimação pelo método MQO. À exceção de alguns problemas em determinados
setores, pode-se perceber que não é tão claro que o MQO superestima o valor do
coeficiente do trabalho na estimação de uma função de produção.
Tabela 11 – Resultados das estimativas para o coeficiente do trabalho.
MQO Efeitos MQO c/ Arellano Blundell
Fixos Investimento & Bond & Bond
Setor
Coef.
(t)
Coef.
(t)
Coef.
(t)
Coef.
(z)
Coef.
(z)
17
0,828868
(66,87)
0,694939
(18,62)
0,808125
(66,27)
0,647276
(9,64)
0,094336
(2,47)
18
0,823376
(88,78)
0,767526
(32,05)
0,821364
(87,81)
0,687592
(17,17)
0,146557
(1,6)
20
0,853089
(76,04)
0,846348
(28,66)
0,853487
(75,31)
0,850242
(17,27)
0,489260
(7,57)
36
0,859508
(78,35)
0,812156
(26,09)
0,860226
(77,77)
0,758862
(15,19)
0,263545
(3,48)
Média 0,841210 0,780242 0,835801 0,735993 0,248425
30
0,627311
(18,55)
0,551915
(5,18)
0,706031
(21,29)
0,562721
(4,82)
0,316920
(7,55)
32
0,644319
(34,62)
0,533037
(6,71)
0,659596
(35,71)
0,694473
(9,69)
0,748352
(46,70)
34
0,612862
(54,56)
0,597610
(11,42)
0,625406
(54,85)
0,663623
(10,44)
0,247072
(8,00)
35
0,773059
(39,00)
0,699376
(10,33)
0,751856
(38,10)
0,672996
(10,05)
0,659225
(150,48)
Média 0,664388 0,595485 0,685722 0,648455 0,492892
Fonte: Elaboração própria.
Baixa Intensidade
Tecnológica
Alta Intensidade
Tecnológica
Média do
Setor
0,744802
0,774964
0,850792
0,822688
0,611995
0,632856
0,624877
0,724322
3 A estratégia adotada para analisar o desempenho de um ou outro método é a comparação direta
com seus congêneres. Para tanto trabalharemos com as médias dos coeficientes por método e por
setor. O instrumento de análise será a distância de determinado coeficiente da média, medida pelo
erro entre o coeficiente e a média do setor ao quadrado.
59

Pelo que se pode apreender da tabela 11, na página anterior, há uma diferença
perceptível de nível entre os coeficientes estimados para o conjunto de setores de
baixa intensidade tecnológica e aqueles de alta intensidade. No grupo de setores de
baixa intensidade tecnológica o coeficiente obtido via MQO é o supremo, seja sem a
inclusão da variável investimento (setores 17 e 18) seja com a inclusão (setores 20 e
36), com a média destes setores sendo 0,84, tanto num como no outro. Já quando
se trata de setores de alta intensidade tecnológica, tal viés de superestimação não é
tão claro, mesmo ainda aparecendo como supremo no setor 35 e no setor 30, na
sua versão com a variável de investimento. Um detalhe que chama a atenção é que
a inclusão da variável investimento no método MQO parece atuar no sentido de
diminuir o viés, seja no caso dos setores de baixa intensidade tecnológica, quando
reduz a média dos coeficientes estimados, seja no caso dos setores de alta
intensidade, quando eleva a média. Este fato é um indício a ser melhor investigado
sobre a direção do viés do método MQO depender da intensidade tecnológica do
setor. Esta questão voltará a ser discutida mais adiante.
Tabela 12 – Distância do coeficiente estimado do trabalho pelos métodos MQO, FE,
Baixa
Intensidade
Tecnológica
Alta
Intensidade
Tecnológica
MQO c/Investimento, A&B e B&B, por setor e método, da média do setor.
MQO Efeitos
Fixos
MQO c/
Investimento
Arellano
& Bond
Blundell
& Bond
Setor Erro Erro Erro Erro Erro
Soma
dos Erros
17 0,007067 0,002486* 0,004010 0,009511 0,423106 + 0,446181
18 0,002344 0,000055* 0,002153 0,007634 0,394895 + 0,407081
20 0,000005 0,000020 0,000007 0,000000* 0,130705 + 0,130738
36 0,001356 0,000111* 0,001409 0,004074 0,312641 + 0,319591
30 0,000235 0,003610 0,008843 0,002428 0,087069 + 0,102183
32 0,000131* 0,009964 0,000715 0,003797 0,013339 + 0,027946
34 0,000144* 0,000743 0,000000* 0,001502 0,142737 + 0,145127
35 0,002375 0,000622* 0,000758 0,002634 0,004238 + 0,010628
Fonte: Elaboração própria.
Notas: * – Menor distância da média do setor.
+ – Maior distância da média do setor.
60

O valor dos coeficientes do trabalho em todos os métodos, à exceção de B&B, são
cerca de 20% a 30% maiores nos setores de baixa intensidade tecnológica, em
relação aos de alta. Outro ponto que se deve salientar é que a grande maioria dos
coeficientes obtidos é muito significativa. A implementação do método de B&B deve
ser melhor investigada, pois não produziu resultados satisfatórios em nenhum dos
setores, do ponto de vista do critério adotado, qual seja, a distância da média do
setor.
Um ponto que merece destaque, apresentado na tabela 12, é o quanto o método de
B&B se distância da média dos outros métodos. Ele apresenta as maiores
dispersões em todos os setores analisados. O método mais consistente, tomando
por parâmetro a dispersão em relação aos outros métodos, é o painel com efeitos
fixos, que se saiu bem nos setores de baixa intensidade tecnológica. O MQO
apresentou a menor dispersão em dois setores de alta intensidade tecnológica.
Tabela 13 – Resultados das estimativas para o coeficiente de capital.
MQO Efeitos MQO c/ Arellano Blundell
Fixos Investimento & Bond & Bond
Setor Coef. Coef. Coef. Coef. Coef.
(t)
(t)
(t)
(z) (z)
17
0,315125
(19,35)
0,390289
(4,22)
0,267244
(15,19)
0,421123
(2,37)
0,526551
(1,67)
18
0,436746
(32,26)
0,230223
(2,52)
0,381791
(26,22)
0,254293
(1,53)
-0,511356
(-0,91)
20
0,383543
(26,29)
0,449829
(5,85)
0,318728
(19,69)
0,467291
(2,61)
-0,048432
(-0,13)
36
0,393933
(33,11)
0,294472
(5,67)
0,314934
(23,31)
0,337356
(3,38)
0,712103
(2,49)
Média 0,382337 0,341205 0,320674 0,370015 0,169716
30
0,309566
(6,46)
-0,849801
(-0,98)
0,243341
(5,11)
1,05102
(1,39)
2,536474
(3,81)
32
0,406972
(18,79)
0,167297
(0,66)
0,369693
(15,47)
0,388548
(2,28)
0,362146
(6,84)
34
0,398827
(31,57)
0,298544
(4,11)
0,335293
(23,84)
0,178564
(1,72)
0,373959
(2,26)
35
0,238073
(10,29)
0,302356
(1,70)
0,188043
(7,67)
0,856963
(2,39)
1,175084
(39,28)
Média 0,338359 (0,020401) 0,284093 0,618773 1,111916
Fonte: Elaboração própria.
Baixa Intensidade
Tecnológica
Alta Intensidade
Tecnológica
Média do
Setor
0,384066
0,158340
0,314192
0,410559
0,658119
0,338931
0,317038
0,552104
61

A tabela 13, na página anterior, apresenta os coeficientes estimados para a variável
de capital. Neste caso as tendências já não são tão claras. Nos setores 30 e 35 há
problemas que podem ser atribuídos ao alto percentual de observações ausentes na
variável de estoque de capital, conforme destacado na seção 4.3. Ainda assim o
nível de significância dos estimadores é muito bom.
Conforme podemos ver na tabela 14, novamente é o método de B&B que apresenta
as maiores dispersões em quase todos os setores analisados. Notável, no entanto, o
fato de ele apresentar a menor dispersão em relação à média para o setor 32. O
método mais consistente, tomando por parâmetro a dispersão em relação aos outros
métodos, continua sendo o painel com efeitos fixos, que se saiu bem em dois
setores de baixa intensidade tecnológica e um de alta. O MQO apresentou a menor
dispersão em um setor de alta intensidade tecnológica e outro de baixa, assim como
sua versão com investimento.
Tabela 14 – Distância do coeficiente estimado do capital pelos métodos MQO, FE,
Baixa
Intensidade
Tecnológica
Alta
Intensidade
Tecnológica
MQO c/Investimento, A&B e B&B, por setor e método, da média do setor.
MQO Efeitos
Fixos
MQO c/
Investimento
Arellano
& Bond
Blundell
& Bond
Setor Erro Erro Erro Erro Erro
62
Soma
dos Erros
17 0,004753 0,000039* 0,013647 0,001373 0,020302 + 0,040114
18 0,077510 0,005168* 0,049930 0,009207 0,448497 + 0,590313
20 0,004810 0,018397 0,000021* 0,023439 0,131496 + 0,178163
36 0,000276* 0,013476 0,009144 0,005359 0,090928 + 0,119184
30 0,121490* 2,273826 0,172041 0,154369 3,528216 + 6,249942
32 0,004629 0,029458 + 0,000946 0,002462 0,000539* 0,038035
34 0,006690 0,000342 0,000333* 0,019175 + 0,003240 0,029780
35 0,098616 0,062374* 0,132540 0,092939 0,388104 + 0,774573
Fonte: Elaboração própria.
Notas: * – Menor distância da média do setor.
+ – Maior distância da média do setor.

Outro ponto que se deve destacar é a sensível diferença entre os parâmetros
estimados para cada um dos setores. De alguma forma isso já era esperado uma
vez que se pode dizer que os setores de baixa intensidade tecnológica seriam mais
intensivos em mão-de-obra, enquanto que os setores de alta intensidade tecnológica
seriam mais intensivos em capital.
Um último ponto que deve ser observado nas estimações dos diversos métodos nos
oito setores é o maior poder de explicação, das estimações MQO e do painel de
efeitos fixos, nos setores de maior intensidade tecnológica. Com efeito, pode-se
observar nas tabelas de 7 a 14 do Apêndice A, que o R 2 para as estimações
aplicadas aos setores de menor intensidade tecnológica gira em torno de 0,50,
enquanto que o R 2 das estimações nos setores de maior intensidade tecnológica se
situa acima de 0,60.
De uma maneira geral, no quadro dos métodos analisados nesta seção, o método
de painel com efeitos fixos foi o que se saiu melhor no quesito distância da média
dos setores. Deve-se notar que ele se sai especialmente bem nos setores 17 e 18,
de baixa intensidade tecnológica. Mas, como apontado no capítulo dois, os
coeficientes de capital são em sua maioria baixos ou insignificantes. A
transformação de efeitos fixos também não elimina todo o problema de
simultaneidade e agrava problemas pré-existentes.
Mesmo essa eficiência não se sustenta quando cotejada junto aos métodos de
OLLEY e PAKES (1996) e LEVINSOHN e PETRIN (2003). Como será apresentado
na próxima seção, estes métodos apresentam médias para os coeficientes de capital
e trabalho bem diferentes das observadas até aqui. Ao final da próxima seção será
traçado um panorama geral dos métodos.
63

5.2 Dos Métodos de Olley e Pakes e Levinsohn e Petrin.
Para realizar as estimativas de OLLEY e PAKES (O&P) (1996) e LEVINSOHN e
PETRIN (L&P) (2003) serão utilizados os trabalhos desenvolvidos por YASAR et al.
(2008) e PETRIN et al. (2004), respectivamente 4 .
Na tabela 15, na próxima página, podem ser observados os coeficientes estimados
para a variável de trabalho nos setores selecionados, obtidos através das
metodologias de O&P e L&P. Para o método de L&P este trabalho apresentará os
resultados para três insumos intermediários como proxy para a produtividade:
matéria-prima, combustíveis e energia elétrica. Para estabelecer um elo de
comparação com O&P, também será apresentado o resultado da variável de
investimento como proxy para a produtividade no método de L&P.
Pode-se observar que todos os coeficientes são muito próximos, a menos de uma
ou outra exceção. Percebe-se que os coeficientes do trabalho se comportam de
maneira homogênea tanto nos setores de menor intensidade tecnológica quanto nos
de maior intensidade. A princípio não há instrumentos para identificar qual dos
métodos é o mais adequado. Repetindo a estratégia apresentada na seção anterior,
foi adotada a análise de dispersão das estimativas dentro do grupo dos cinco
coeficientes ora em estudo como instrumento. Na tabela 16, na próxima página, são
apresentadas as distâncias dos coeficientes estimados em relação à média, bem
como a soma dos erros para cada um dos setores selecionados.
4 Nestes trabalhos os autores apresentam comandos construídos para o STATA® para implementar
cada um dos métodos. No primeiro caso temos o comando opreg e no segundo temos o comando
levpet. A utilização destes comandos acelerou sobremaneira os trabalhos de estimação, e
agradecemos sinceramente os autores por compartilharem seu conhecimento conosco.
64

Tabela 15 – Resultado das estimativas de O&P e L&P para o coeficiente do trabalho.
OP
LP
(MP)
LP
(Comb)
LP
(Ener)
LP
(Inv)
Setor
Coef.
(z)
Coef.
(z)
Coef.
(z)
Coef.
(z)
Coef.
(z)
17
0,801711
(18,51)
0,808586
(18,22)
0,754349
(16,82)
0,809354
(19,50)
0,805776
(19,28)
18
0,816908
(38,39)
0,794855
(34,69)
0,826947
(37,42)
0,827877
(41,49)
0,825505
(35,65)
20
0,854670
(31,02)
0,846891
(31,83)
0,858478
(35,06)
0,859995
(32,28)
0,859869
(32,94)
36
0,858800
(31,30)
0,842720
(32,86)
0,863476
(34,18)
0,862077
(34,53)
0,860035
(32,99)
Média 0,833022 0,823263 0,825813 0,839826 0,837796
30
0,704428
(9,56)
0,696518
(7,58)
0,701408
(7,82)
0,707394
(7,76)
0,703808
(8,07)
32
0,651950
(10,64)
0,647069
(9,66)
0,627987
(10,08)
0,654270
(10,24)
0,654480
(10,85)
34
0,625179
(9,79)
0,577538
(10,47)
0,629585
(11,72)
0,627969
(10,80)
0,625407
(10,97)
35
0,732943
(10,09)
0,716793
(10,34)
0,741701
(10,67)
0,726137
(9,64)
0,730541
(9,94)
Média 0,678625 0,659479 0,675170 0,678942 0,678559
Fonte: Elaboração própria.
Média do
Setor
0,795955
0,818419
0,855981
0,857422
0,702711
0,647151
0,617135
0,729623
Tomando a média dos coeficientes do setor como referência, fica clara a prevalência
do método de O&P sobre L&P. O método de O&P apresenta coeficientes da variável
trabalho mais próximos à média para todos os setores de baixa intensidade
tecnológica, bem como também para o setor 34, de alta.
Tabela 16 – Distância do coeficiente estimado do trabalho pelos métodos de O&P e
Baixa
Intensidade
Tecnológica
Alta
Intensidade
Tecnológica
L&P, por setor e método, da média do setor.
OP
LP
(MP)
LP
(Comb)
LP
(Ener)
LP
(Inv)
Setor Erro Erro Erro Erro Erro
Soma dos
Erros
17 0,000033* 0,000160 0,001731 + 0,000180 0,000096 0,002200
18 0,000002* 0,000555 + 0,000073 0,000089 0,000050 0,000770
20 0,000002* 0,000083 + 0,000006 0,000016 0,000015 0,000122
36 0,000002* 0,000216 + 0,000037 0,000022 0,000007 0,000283
30 0,000003 0,000038 + 0,000002 0,000022 0,000001 0,000066*
32 0,000023 0,000000* 0,000367 + 0,000051 0,000054 0,000495
34 0,000065* 0,001568 + 0,000155 0,000117 0,000068 0,001973
35 0,000011 0,000165 + 0,000146 0,000012 0,000001 0,000334*
Fonte: Elaboração própria.
Notas: * – Menor distância da média do setor; + – Maior distância da média do setor.
65

L&P só conseguem este feito para o setor 32, com a matéria-prima como proxy para
a produtividade, e para os setores 30 e 35, utilizando a variável investimento como
proxy. Deve ser lembrado, no entanto, que a utilização do investimento como proxy
é uma aplicação da idéia de O&P no método de L&P. Restringindo a análise, por
enquanto, aos coeficientes de trabalho, os resultados obtidos com L&P utilizando a
proxy investimento são muito próximos daqueles obtidos com O&P. Para reforçar
ainda mais tal análise, os resultados de maior dispersão foram obtidos com L&P,
sendo a proxy matéria-prima responsável por seis setores (18, 20, 36, 30, 34 e 35) e
a proxy combustíveis pelos outros dois (17 e 32).
Nas tabelas 17 e 18, na página a seguir, são apresentados, respectivamente, os
coeficientes estimados para a variável capital pelos métodos de O&P e L&P e as
distâncias da média do setor dos coeficientes gerados para cada setor por cada um
dos métodos. Da mesma forma que na avaliação dos coeficientes de capital gerados
pelos métodos apresentados na seção 5.1, aqui os resultados não são tão claros.
Há coeficientes de capital muito grandes, muito pequenos, e até um negativo. O
problema com relação a este coeficiente em particular pode ser em grande parte
atribuído às ressalvas que já foram feitas na seção 4.3 e na seção 5.1 com respeito
à variável utilizada como estoque de capital. Novamente os problemas são mais
visíveis nos setores 30 e 35, aqueles com cerca de 50% de observações faltantes
nesta variável de estoque de capital. Fica claro também que há problemas no setor
20, onde há grande variabilidade dos coeficientes estimados, contando inclusive
com um coeficiente negativo. Voltando à base de dados foi observado que no início
da série histórica a variável de estoque de capital neste mesmo setor 20 tem 30% de
valores faltantes.
66

Tabela 17 – Resultados das estimativas de O&P e L&P para o coeficiente do capital.
OP
LP
(MP)
LP
(Comb)
LP
(Ener)
LP
(Inv)
Setor
Coef.
(z)
Coef.
(z)
Coef.
(z)
Coef.
(z)
Coef.
(z)
17
0,273406
(1,52)
0,733495
(2,97)
0,560180
(3,68)
0,464144
(2,73)
0,268713
(1,69)
18
0,354215
(3,90)
0,150260
(1,19)
0,162202
(0,71)
0,291728
(3,27)
0,877939
(4,73)
20
0,183800
(0,65)
0,328772
(7,54)
0,636347
(2,94)
-0,008874
(-0,26)
0,908807
(6,73)
36
0,792903
(3,86)
0,499304
(2,98)
0,408763
(4,18)
0,287759
(3,17)
0,849580
(14,42)
0,401081 0,427958 0,441873 0,258689 0,726260
30
0,130337
(0,33)
1,130210
(2,91)
0,348689
(1,76)
0,284646
(1,02)
0,467250
(2,03)
32
0,492659
(3,26)
0,544048
(4,78)
0,444346
(3,68)
0,473609
(3,79)
0,387673
(3,07)
34
0,633027
(2,64)
0,179043
(0,92)
0,330064
(2,53)
0,359954
(4,89)
0,771515
(3,98)
35
0,242169
(0,70)
0,420982
(2,48)
0,174201
(1,03)
0,028890
(0,10)
0,012026
(0,15)
0,374548 0,568571 0,324325 0,286775 0,409616
Fonte: Elaboração própria.
Baixa Intensidade
Tecnológica
Alta Intensidade
Tecnológica
Média do
Setor
0,459988
0,367269
0,409770
0,567662
0,472226
0,468467
0,454721
0,175654
Muitos dos coeficientes obtidos para a variável de capital nestes três setores sequer
são significativos. Olhando pelo prisma da significância dos estimadores, o método
mais eficiente para estimar o coeficiente de capital é o de L&P, seja com matéria-
Tabela 18 – Distância do coeficiente estimado do capital pelos métodos de O&P e
Baixa
Intensidade
Tecnológica
Alta
Intensidade
Tecnológica
L&P, por setor e método, da média do setor.
OP
LP
(MP)
LP
(Comb)
LP
(Ener)
LP
(Inv)
Setor Erro Erro Erro Erro Erro
Soma
dos Erros
17 0,034813 0,074806+ 0,010039 0,000017* 0,036586 0,156261
18 0,000170* 0,047093 0,042053 0,005706 0,260785+ 0,355807
20 0,051063 0,006561* 0,051337 0,175264 0,249038+ 0,533262
36 0,050734 0,004673* 0,025249 0,078346 0,079478+ 0,238478
30 0,116888 0,432942+ 0,015261 0,035186 0,000025* 0,600303
32 0,000585 0,005713 0,000582 0,000026* 0,006528+ 0,013434
34 0,031793 0,075998 0,015539 0,008981* 0,100359+ 0,232670
35 0,004424 0,060186+ 0,000002* 0,021540 0,026774 0,112926
Fonte: Elaboração própria.
Notas: * – Menor distância da média do setor.
+ – Maior distância da média do setor.
67

prima, seja com investimento, como proxies da produtividade. Ainda por esta ótica, o
método de O&P é o menos eficiente, pois só apresenta coeficientes significativos
para os setores 18, 36, 32 e 34. Tomando novamente a média dos coeficientes do
setor como referência, não se tem mais a prevalência de O&P sobre L&P. O&P só
apresenta menor dispersão na estimativa do coeficiente de capital para o setor 18.
Mas tão pouco se consegue identificar em L&P um insumo como proxy que se
sobressaia. Matéria-prima apresenta a menor dispersão para o caso dos setores 20
e 36, combustíveis para o setor 35 e energia apresenta a menor dispersão para os
setores 17, 32 e 34. Um caso a parte é o uso do investimento como proxy, pois
apesar de apresentar a menor dispersão para o setor 30, apresenta a maior
dispersão para cinco setores (18, 20, 36, 34 e 35). O uso da matéria-prima também
gera um paradoxo, pois, apesar de apresentar menor dispersão para os setores 20 e
36, apresenta também a maior dispersão para os setores 17, 30 e 35.
Como interpretar os valores acima? Infelizmente ainda não foram desenvolvidos
testes que pudessem avaliar a robustez dos resultados. O único teste disponibilizado
por PETRIN et al. (2004) é o teste de Wald para retornos constantes de escala.
Referindo-se às tabelas numeradas de 7 a 14, do Apêndice A, pode-se observar que
para todos os setores sempre há uma ou mais implementações de L&P que não
satisfazem o critério de 5% para o teste de Wald. Para os setores 30 e 35, que são
aqueles com o maior número de observações faltantes para a variável de estoque
de capital, nenhuma implementação de L&P satisfaz o critério de 5% neste teste.
Há alguns outros pontos que devem ser realçados. O primeiro diz respeito ao
conjunto de variáveis utilizados como proxy de produtividade: investimento, para
O&P, e insumos intermediários, para L&P. No caso de investimento, não é possível
68

observar seu coeficiente na saída do comando opreg, do STATA®, que implementa
o método de O&P, mas foi possível observar o comportamento desta variável no
procedimento de L&P, como variável livre. Ela é muito significativa na grande
maioria dos setores e, se elevado o nível de significância para 10%, ela será
significativa para todos. No caso dos insumos intermediários, quando estes entram
no modelo como variáveis livres, o comportamento não é tão homogêneo. A matéria-
prima é significativa em quase todos os setores, à exceção dos setores 34 e 36. No
outro extremo, combustível apenas é significativo para o setor 20, enquanto que
energia só é significativa nos setores 34 e 35. Como L&P não apresentam regras
mais conclusivas sobre a escolha de um ou outro insumo intermediário como proxy,
esta pode ser uma boa prática para escolha: verificar qual o comportamento do
insumo como variável livre no modelo.
O último ponto que deve ser destacado é que a variável de idade, mesmo sendo
uma variável de estado nos dois procedimentos, não é significativa em nenhum
procedimento para nenhum setor.
69

5.3 Das análises transversais.
Nesta seção serão realizadas algumas análises transversais da aplicação dos
métodos paramétricos, O&P e L&P a todos os setores selecionados, tentando
identificar quaisquer características quanto à adequação de cada método a
determinado setor.
Voltando a atenção novamente para as tabelas 11 e 15, onde foram apresentados
os coeficientes estimados para a variável de trabalho por todos os métodos em
todos os setores, bem como para as tabelas 12 e 16, onde foram apresentadas as
distâncias entre os coeficientes gerados em cada método para cada setor e as
médias do setor, pode-se perceber uma clara divisão entre os valores obtidos para
os setores de baixa intensidade tecnológica e os valores obtidos para os setores de
alta intensidade tecnológica. Para os setores de baixa intensidade tecnológica é
claro o viés de alta do MQO, se bem que a diferença não é tão expressiva assim.
Mas, nos setores de alta intensidade tecnológica, o MQO apresenta coeficientes de
trabalho menores que O&P e todas as implementações de L&P. Então já não se
pode dizer que MQO sempre superestima os coeficientes de trabalho. Há indícios de
que o sentido do viés depende da intensidade tecnológica do setor.
Com certeza pode-se dizer apenas que o uso de efeitos fixos apresenta os menores
coeficientes para a variável do trabalho entre todos os métodos implementados para
os setores de alta intensidade tecnológica. O uso da variável investimento reduz um
pouco da sobreestimação observada no MQO para setores de baixa intensidade
tecnológica e, ao mesmo tempo, aumenta a média dos coeficientes estimados para
os setores de alta intensidade tecnológica. Está claro, portanto, porque O&P a utiliza
70

em suas formulações. Arellano e Bond produzem as menores estimativas para os
coeficientes da variável do trabalho para os setores de baixa intensidade
tecnológica, e vem em segundo para os de alta, ou seja, pelo critério adotado de
distância da média do setor, são grandes as chances de o método de A&B estar
subestimando o coeficiente do trabalho.
Os coeficientes obtidos para a variável do trabalho através do método de O&P se
situam em uma posição intermediária em relação às implementações de L&P, tanto
para os setores de baixa intensidade tecnológica quanto para os de alta, todos muito
próximos. Pelo critério aqui adotado, O&P então se mostra superior a L&P com
relação à estimação dos coeficientes do trabalho tanto para os setores de alta como
de baixa intensidade tecnológica.
Quando a atenção é voltada para as tabelas 13 e 17, onde foram apresentados os
coeficientes estimados para a variável de capital por todos os métodos em todos os
setores, bem como para as tabelas 14 e 18, onde foram apresentadas as distâncias
entre os coeficientes gerados em cada método para cada setor e as médias do
setor, a análise intersetorial se torna uma tarefa mais árdua. As relações tão
evidentes quando a análise envolvia as variáveis de trabalho agora demandam um
pouco mais de atenção. Correndo o risco da repetição, deve novamente ser
chamada a atenção para os problemas observados na obtenção da variável estoque
de capital. A primeira conclusão a que se pode chegar, olhando de maneira geral
todos os coeficientes obtidos para a variável de capital, é que já não é tão visível a
diferença entre os setores de alta e de baixa intensidade tecnológica. Em alguns
casos tem-se que as médias dos coeficientes obtidos nos setores de baixa
intensidade tecnológica para a variável de capital é maior do que aquelas dos
setores de alta intensidade tecnológica, como é o caso de O&P e as
71

implementações de L&P que utilizam combustíveis e investimentos como proxy para
a produtividade. Em função da dispersão dos coeficientes nos métodos de O&P e
L&P, só é possível tecer algum comentário sobre o setor 32, cujos coeficientes da
variável de capital se situam em torno de 0,47. Este também é o setor de menor
dispersão dos coeficientes para os métodos paramétricos, mas que nesse caso se
situam ao redor de 0,33, indicando que tais métodos paramétricos podem estar
subestimando o coeficiente de capital. De uma maneira geral percebe-se que o
método MQO subestima os coeficientes de capital quando comparado aos métodos
de L&P e O&P em ambos os grupos de intensidade tecnológica.
72

5.4 Do estudo da produtividade.
Este trabalho viu-se impelido a dispensar razoável esforço na revisão teórica e
empírica das diversas metodologias para obtenção da produtividade total dos
fatores. Tal esforço se deu devido à variedade dos métodos existentes e à hipótese,
colocada no início deste capítulo, de que o sucesso de cada um dos métodos
depende muito mais do conjunto de dados utilizados que do labor de cada um dos
respectivos autores em justificar teoricamente seus procedimentos.
O objetivo central deste trabalho, no entanto, é explicitar a produtividade das
empresas, que não é diretamente observável. Com efeito, o que se fez até o
momento foi tentar identificar qual a melhor ferramenta para seguir adiante com a
investigação. Mas como já foi dito, a escolha não será uma tarefa fácil. Este trabalho
se deparou, ao longo do processo, com uma dificuldade comum aos trabalhos
empíricos: a qualidade dos dados. De maneira geral a qualidade dos dados obtidos
junto ao IBGE é excepcional, mas, como se tratam de dados obtidos de pesquisas
que são espontâneas, muitas vezes há observações faltantes, ou mesmo outliers,
frutos de erros de entendimento ou digitação.
A seguir são apresentadas tabelas contendo as produtividades calculadas a partir
dos resíduos das equações estimadas. De uma maneira geral a produtividade é
obtida através do seguinte cálculo:
N ⎡
⎤
(22) pit
= exp⎢ln( yit
) − ∑ β
k ln(
xkit
) ⎥⎦
⎣
k = 1
73

Onde i identifica cada empresa e t representa o tempo. Esta formulação permite a
utilização de N insumos x, com seus respectivos coeficientes βk, para a produção y.
A função levpet, que implementa o método de L&P, já gera automaticamente tais
valores.
Para efeito de comparação são apresentadas também duas medidas comumente
utilizadas como representativas da produtividade: Valor da Transformação Industrial
sobre Total de Pessoal Ocupado (VTI/PO) e Valor da Transformação Industrial sobre
o Total de Salários Ligados à Produção (VTI/SAL). As duas representam a relação
do VTI pela mão-de-obra, que é uma medida da produtividade do trabalho. No
primeiro caso o valor de VTI é deflacionado pelo IGP-M anual, adotando o ano de
2005 como 100. No segundo caso, como as duas grandezas foram utilizadas em
unidades monetárias (R$) correntes e a relação gerada é adimensional, não há a
necessidade de deflacioná-las. Em todos os métodos econométricos foram utilizados
apenas os salários ligados à produção como variável trabalho. Nestes métodos
todas as variáveis foram deflacionadas com o deflator adequado.
Uma questão de fundo neste trabalho é como comparar os diversos métodos. Como
as produtividades foram calculadas de diversas formas, por métodos paramétricos e
semi-paramétricos, e como os dados apresentaram uma variabilidade não
imaginada a princípio, optou-se por apresentar os valores padronizados das médias
calculadas para cada setor. Ou seja, como os valores produzidos são as médias das
empresas em cada setor, todas foram divididas por seus respectivos desvios-
padrão. Nas páginas a seguir são apresentadas as produtividades padronizadas
VTI/PO, VTI/SAL, e as calculadas por A&B, B&B, O&P, assim como pelas quatro
versões do método L&P.
74

Tabela 19 – Resultados do cálculo da Produtividade para o setor 17.
ano
VTI/PO
5
VTI/SAL 6 A&B 7 B&B 8 OP 9
LP
(MP) 10
LP
(Comb) 11
LP
(Ener) 12
75
LP
(Inv) 13
1996 0,4789 0,4896 0,0396 0,0431 0,0420 0,0422 0,0384
1997 0,4507 0,3275 0,0566 0,0619 0,0611 0,0597 0,0577
1998 0,3272 0,2441 0,0728 0,2284 0,0473 0,0513 0,0516 0,0523 0,0444
1999 0,2906 0,3325 0,1336 0,1965 0,0462 0,0479 0,0458 0,0471 0,0426
2000 0,3672 0,2019 0,0749 0,2124 0,0324 0,0297 0,0294 0,0292 0,0284
2001 0,0452 0,1963 0,0534 0,2073 0,0358 0,0417 0,0403 0,0363 0,0424
2002 0,1654 0,0965 0,0630 0,1857 0,0252 0,0309 0,0277 0,0264 0,0285
2003 0,1284 0,0810 0,0446 0,1609 0,0282 0,0332 0,0328 0,0311 0,0304
2004 0,3002 0,2368 0,0305 0,1821 0,0234 0,0258 0,0252 0,0250 0,0239
2005 0,1989 0,2255 0,0590 0,2150 0,0679 0,0727 0,0770 0,0747 0,0608
Fonte: Elaboração própria.
O que fica claro, no entanto, da análise da tabela 19, e das tabelas 20, 21 e 22, na
próxima página é que, independente do método utilizado, não houve um crescimento
consistente da produtividade ao longo da década analisada. Mesmo sendo esse
período de aprofundamento da abertura econômica e intensa modernização na
economia brasileira, não é possível perceber ganhos permanentes. Mais ainda, nos
setores apresentados neste primeiro bloco, de baixa intensidade tecnológica, afora
pequenas oscilações, a tendência é de estagnação ou pequena queda.
5 Valor da Transformação Industrial sobre Total do Pessoal Ocupado.
6 Valor da Transformação Industrial sobre Total de Salários pagos na Indústria.
7 Produtividade calculada a partir dos coeficientes estimados pelo método de Arellano e Bond (1991).
8 Produtividade calculada a partir dos coeficientes estimados pelo método de Blundell e Bond (2000).
9 Produtividade calculada a partir dos coeficientes estimados pelo método de Olley e Pakes (1996).
10 Produtividade calculada a partir dos coeficientes estimados pelo método de Levinsohn e Petrin
(2003), utilizando como proxy da produtividade o consumo de matéria-prima.
11 Produtividade calculada a partir dos coeficientes estimados pelo método de Levinsohn e Petrin
(2003), utilizando como proxy da produtividade o consumo de combustíveis.
12 Produtividade calculada a partir dos coeficientes estimados pelo método de Levinsohn e Petrin
(2003), utilizando como proxy da produtividade o consumo de energia.
13 Produtividade calculada a partir dos coeficientes estimados pelo método de Levinsohn e Petrin
(2003), utilizando como proxy da produtividade o investimento.

Tabela 20 – Resultados do cálculo da Produtividade para o setor 18.
ano VTI/PO VTI/SAL A&B B&B OP
LP
(MP)
LP
(Comb)
LP
(Ener)
LP
(Inv)
1996 0,3347 0,3290 0,0369 0,0353 0,0331 0,0327 0,0334
1997 0,1848 0,0813 0,0296 0,0272 0,0256 0,0274 0,0329
1998 0,2412 0,2856 0,0247 0,0448 0,0337 0,0340 0,0332 0,0348 0,0381
1999 0,2681 0,2714 0,0813 0,0387 0,0341 0,0337 0,0318 0,0389 0,0485
2000 0,2118 0,2664 0,0336 0,0325 0,0323 0,0379 0,0372 0,0430 0,0447
2001 0,2408 0,2210 0,1082 0,0326 0,0183 0,0187 0,0187 0,0194 0,0187
2002 0,3238 0,0996 0,0610 0,0315 0,0155 0,0165 0,0154 0,0164 0,0227
2003 0,1986 0,2544 0,0513 0,0299 0,0195 0,0204 0,0193 0,0208 0,0264
2004 0,2161 0,1933 0,0173 0,0249 0,0251 0,0204 0,0196 0,0200 0,0311
2005 0,2657 0,3433 0,0275 0,0264 0,0185 0,0152 0,0150 0,0148 0,0239
Fonte: Elaboração própria.
Tabela 21 – Resultados do cálculo da Produtividade para o setor 20.
ano VTI/PO VTI/SAL A&B B&B OP
LP
(MP)
LP
(Comb)
LP
(Ener)
LP
(Inv)
1996 0,4112 0,3099 0,0297 0,0312 0,0312 0,0312 0,0303
1997 0,3425 0,3646 0,9340 0,9164 0,5241 0,6869 0,3084
1998 0,4123 0,3377 0,0332 0,1849 0,0273 0,6501 0,6376 0,6044 0,0272
1999 0,1450 0,1380 0,0403 0,1677 0,0319 0,0392 0,0370 0,0363 0,0325
2000 0,2895 0,3370 0,0617 0,1641 0,0323 0,0280 0,0301 0,0295 0,0353
2001 0,1603 0,3028 0,0412 0,1707 0,0242 0,0250 0,0266 0,0261 0,0262
2002 0,2506 0,3933 0,0462 0,1295 0,9540 0,9175 0,6426 0,8070 0,3855
2003 0,2795 0,3586 0,0251 0,1301 0,0422 0,0378 0,0341 0,0337 0,0319
2004 0,0662 0,1472 0,0290 0,1646 0,0324 0,0318 0,0301 0,0311 0,0302
2005 0,2150 0,0904 0,0375 0,0317 0,0349 0,0364 0,0363 0,0370 0,0335
Fonte: Elaboração própria.
Tabela 22 – Resultados do cálculo da Produtividade para o setor 36.
ano VTI/PO VTI/SAL A&B B&B OP LP(MP) LP(Cb) LP(En) LP(Inv)
1996 0,2866 0,3662 0,0388 0,0321 0,0323 0,0334 0,0294
1997 0,1781 0,2703 0,0350 0,0348 0,0348 0,0341 0,0364
1998 0,1868 0,2217 0,0517 0,2020 0,0257 0,6423 0,6514 0,7628 0,0298
1999 0,2080 0,2392 0,0490 0,1756 0,0319 0,0359 0,0359 0,0358 0,0319
2000 0,2303 0,2328 0,0531 0,2320 0,0206 0,0213 0,0212 0,0213 0,0206
2001 0,2665 0,3044 0,0376 0,1754 0,0288 0,0233 0,0232 0,0234 0,0269
2002 0,1652 0,3230 0,0272 0,1638 0,0181 0,0180 0,0176 0,0173 0,0193
2003 0,2074 0,2123 0,0629 0,1669 0,4054 0,4552 0,4267 0,3866 0,4469
2004 0,2164 0,1635 0,0213 0,1549 0,0310 0,0313 0,0312 0,0312 0,0309
2005 0,2530 0,1870 0,0241 0,0257 0,0906 0,0921 0,0922 0,0922 0,0916
Fonte: Elaboração própria.
Para ilustrar melhor este argumento, são apresentados a seguir quatro gráficos que
expressam a evolução das produtividades padronizadas obtidas através dos
métodos de O&P e L&P. No gráfico 1 pode-se perceber claramente uma queda
76

contínua das produtividades em todas as implementações para o setor 17. Houve
um crescimento considerável, de cerca de 50% entre 1996 e 1997. A partir de 1997,
observa-se uma queda gradativa até atingir seu vale em 2004, com as
produtividades caindo a um terço do que eram em 1997. Pode-se, porém, observar
um forte crescimento em 2005, de mais de 200%. O quanto este fato se deve a um
crescimento real e o quanto pode ser devido a problemas nos dados do último ano
da amostra é difícil dizer. O que fica evidente, também, é o quanto as cinco
implementações caminham muito próximas.
No gráfico 2, que expressa as produtividades padronizadas para o setor 18, pode-se
observar que o crescimento das produtividades se prolonga até o ano 2000,
havendo uma queda abrupta em 2001. O setor ensaia alguma recuperação até o
ano de 2004 e há novamente uma queda brusca em 2005. Neste segundo gráfico já
não fica tão clara a proximidade entre os diversos métodos utilizados, com o insumo
energia claramente gerando produtividades maiores que os demais.
Nos dois gráficos seguintes pode-se observar que a tendência é de estagnação,
com alguns “choques de produtividade”. No gráfico 3, que mostra as produtividades
do setor 20, pode-se observar uma forte variação dos coeficientes entre os anos de
1997 e 1998, e em 2002. O que se pode dizer do choque na produtividade entre
1997 e 1998 é ele foi sentido imediatamente em 1997 pela via do investimento e
rapidamente também se dissipou, como o atestam O&P e L&P com investimento,
mas que houve uma transmissão para 1998 pela via dos insumos intermediários. Em
2002, também houve um choque de produtividade, mas também de dissipação
rápida. Já no gráfico 4, das produtividades do setor 36, também foram observados
dois choques, só que agora instantâneos em 1998 e em 2003.
77

0,0800
0,0700
0,0600
0,0500
0,0400
0,0300
Comparativo das Produtividades de O&P e L&P para o Setor 17
0,0200
1996 1997 1998 1999 2000 2001 2002 2003 2004 2005
Gráfico 1: Comparativo das Produtividades de O&P e L&P para o Setor 17.
Fonte: Elaboração própria.
0,0500
0,0450
0,0400
0,0350
0,0300
0,0250
0,0200
0,0150
Comparativo das Produtividades de O&P e L&P para o Setor 18
0,0100
1996 1997 1998 1999 2000 2001 2002 2003 2004 2005
Gráfico 2: Comparativo das Produtividades de O&P e L&P para o Setor 18.
Fonte: Elaboração própria.
78
OP_17
LP_17_MAT
LP_17_COMB
LP_17_ENER
LP_17_INV
OP_18
LP_18_MAT
LP_18_COMB
LP_18_ENER
LP_18_INV

1,0000
0,9000
0,8000
0,7000
0,6000
0,5000
0,4000
0,3000
0,2000
0,1000
-
Comparativo das Produtividades de O&P e L&P para o Setor 20
1996 1997 1998 1999 2000 2001 2002 2003 2004 2005
Gráfico 3: Comparativo das Produtividades de O&P e L&P para o Setor 20.
Fonte: Elaboração própria.
0,8000
0,7000
0,6000
0,5000
0,4000
0,3000
0,2000
0,1000
-
Comparativo das Produtividades de O&P e L&P para o Setor 36
1996 1997 1998 1999 2000 2001 2002 2003 2004 2005
Gráfico 4: Comparativo das Produtividades de O&P e L&P para o Setor 36.
Fonte: Elaboração própria.
79
OP_20
LP_20_MAT
LP_20_COMB
LP_20_ENER
LP_20_INV
OP_36
LP_36_MAT
LP_36_COMB
LP_36_ENER
LP_36_INV

O ponto a se notar neste gráfico 4 é que tanto o método de O&P quanto o de L&P
que utiliza investimento como proxy não responderam ao suposto choque de 1998.
Pode-se supor que tenha sido apenas um choque de preços nos insumos. A menos
desta exceção, os métodos se mostram mais alinhados neste setor 36 do que no
setor 20.
Nas tabelas 24, 25, 26 e 27, nas páginas seguintes, são apresentadas as
produtividades geradas para os setores de alta intensidade tecnológica. Novamente
aqui encontramos uma série de problemas com os valores gerados que neste
momento apenas podemos atribuir a inconsistências nos dados, com uma suspeita
muito forte sobre a variável de estoque de capital, apontadas no capítulo anterior.
Mesmo com todos os problemas, uma constatação já esperada é que os valores
apresentados nas tabelas a seguir para as produtividades padronizadas são
substancialmente maiores que aqueles apresentados nas tabelas para os setores de
baixa intensidade tecnológica. Se computada a média ano a ano dos métodos de
O&P e L&P, conforme apresenta a tabela 23, na próxima página, essa diferença só
é a favor dos setores de baixa intensidade tecnológica em 1997, mas chega a ser de
quase vinte vezes em 2001. Podemos observar claramente que se excetuando os
anos de graves crises, como 1997, 2002 e 2003, os setores de alta intensidade
tecnológica tendem a ter uma produtividade em média dez vezes maior que a dos
setores de baixa intensidade tecnológica. Ao que parece, as crises afetam de
maneira mais imediata os setores de alta intensidade tecnológica. A provável
hipótese, que não será elucidada neste trabalho, é que os setores de alta
intensidade são mais sensíveis a variações nos níveis de investimento, que estão
diretamente ligadas às taxas reais de juros. Ainda na tabela 23 percebe-se que as
maiores relações entre as médias de produtividade ocorre nos anos de juro real
80

mais baixo. A única exceção é o ano de 2002, em que o juro real caiu, em virtude da
aceleração da inflação, mas os investimentos não ocorreram devido às incertezas
que cercavam o processo eleitoral.
Tabela 23 – Razões entre as médias de produtividade dos setores de alta
intensidade tecnologia e de baixa, considerando os métodos O&P e L&P.
ano 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005
A/B 1 7,08 0,42 6,63 4,77 11,10 19,94 1,19 1,53 9,71 1,33
Juro
2 16,29% 18,59% 26,69% 15,28% 10,81% 8,96% 5,90% 12,85% 8,03% 12,64%
real
Fonte: Elaboração própria.
Notas: 1) Razão entre a média das produtividades calculadas pelos métodos de O&P e L&P dos
quatro setores de alta intensidade tecnológica sobre as médias dos quatro setores de baixa
intensidade tecnológica
2) Taxa OVER/SELIC deflacionada pelo IPCA
Tabela 24 – Resultados das estimativas da Produtividade para o setor 30.
ano VTI/PO VTI/SAL A&B B&B OP
LP
(MP)
LP
(Comb)
LP
(Ener)
LP
(Inv)
1996 0,4039 0,4174 0,5572 0,6297 0,8794 0,8229 0,5531
1997 0,3676 0,4483 0,1041 0,0995 0,1003 0,1007 0,0975
1998 0,4794 0,5196 0,5089 0,4140 0,5922 0,6309 0,7228 0,6920 0,6128
1999 0,4470 0,4137 0,1340 0,4936 0,1085 1,0320 0,5258 0,5410 0,1099
2000 0,3911 0,5847 0,1403 0,4674 0,0945 0,1324 0,1004 0,1007 0,1041
2001 0,3934 0,3759 0,3186 0,5661 0,6771 0,7314 0,6579 0,6208 0,7658
2002 0,2780 0,5055 0,3382 0,4776 0,4939 0,6677 0,5101 0,6476 0,4812
2003 0,3113 0,4341 0,2244 0,3110 0,4849 0,6506 0,3164 0,3889 0,3591
2004 0,2141 0,3315 0,3078 0,3328 0,6595 0,6094 1,0170 1,0207 0,9989
2005 0,4509 0,3351 0,1196 0,6006 0,0899 0,1061 0,0915 0,0918 0,0892
Fonte: Elaboração própria.
Tabela 25 – Resultados das estimativas da Produtividade para o setor 32.
ano VTI/PO VTI/SAL A&B B&B OP
LP
(MP)
LP
(Comb)
LP
(Ener)
LP
(Inv)
1996 0,2757 0,5114 0,1163 0,2941 0,1287 0,1636 0,1171
1997 0,3380 0,2762 0,0574 0,0616 0,0597 0,0599 0,0576
1998 0,2675 0,2116 0,4550 0,2797 0,7795 0,9223 0,7315 0,8716 0,7152
1999 0,2680 0,3902 0,1457 0,3471 0,0539 0,0579 0,0568 0,0570 0,0543
2000 0,3813 0,4253 0,0733 0,0920 0,1068 0,1000 0,0969 0,0954 0,1112
2001 0,3743 0,4352 0,0700 0,1873 0,9136 0,9154 0,8499 0,9811 0,8978
2002 0,3138 0,3789 0,0346 0,1547 0,1581 0,1692 0,1324 0,1360 0,1646
2003 0,3805 0,2055 0,0575 0,0532 0,2441 0,2755 0,2515 0,1819 0,2853
2004 0,1937 0,1488 0,0730 0,0718 0,0633 0,0807 0,0613 0,0639 0,0642
2005 0,2134 0,3200 0,0894 0,0668 0,0658 0,0762 0,0708 0,0755 0,0644
Fonte: Elaboração própria.
81

Tabela 26 – Resultados das estimativas da Produtividade para o setor 34.
ano VTI/PO VTI/SAL A&B B&B OP LP(MP) LP(Cb) LP(En) LP(Inv)
1996 0,7408 0,8395 0,0600 0,0654 0,0603 0,0607 0,0665
1997 0,5010 0,4533 0,0516 0,0577 0,0499 0,0499 0,0478
1998 0,5749 0,7544 0,0700 0,1325 0,0629 0,0627 0,0604 0,0608 0,0638
1999 0,4379 0,7759 0,0586 0,1726 0,0609 0,0585 0,0528 0,0531 0,0493
2000 0,1353 0,3588 0,0560 0,1481 0,7655 1,1024 1,1669 1,1896 0,6099
2001 0,0555 0,4921 0,0390 0,1535 0,0414 0,0745 0,0622 0,0622 0,0649
2002 0,1879 0,4991 0,0529 0,1723 0,0365 0,0632 0,0551 0,0539 0,0537
2003 0,2452 0,5074 0,1080 0,1819 0,0438 0,0326 0,0341 0,0345 0,0466
2004 0,1270 0,2875 0,1479 0,1763 0,0493 0,0370 0,0442 0,0501 0,0591
2005 0,2370 0,2626 0,0413 0,0416 0,0550 0,0373 0,0448 0,0499 0,0661
Fonte: Elaboração própria.
Tabela 27 – Resultados das estimativas da Produtividade para o setor 35.
ano VTI/PO VTI/SAL A&B B&B OP LP(MP) LP(Cb) LP(En) LP(Inv)
1996 0,4579 0,5084 0,0684 0,0721 0,0718 0,0725 0,0679
1997 0,3815 0,3262 0,0936 0,0977 0,0929 0,1033 0,0842
1998 0,3689 0,2361 0,0812 0,5932 0,4726 0,5595 0,3448 0,3355 0,6530
1999 0,3517 0,4869 0,0851 0,4474 0,1575 0,1562 0,1721 0,1888 0,1268
2000 0,4915 0,4031 0,0822 0,3732 0,1544 0,1629 0,1591 0,1593 0,1613
2001 0,3435 0,3505 0,2830 0,3260 0,6344 0,5140 0,5087 0,4686 0,3920
2002 0,4732 0,3794 0,0946 0,3919 0,1206 0,1262 0,1232 0,1231 0,1256
2003 0,4251 0,4537 0,1002 0,5065 0,0607 0,0639 0,0629 0,0632 0,0608
2004 0,4118 0,4203 0,0999 0,0968 0,0861 0,0958 0,0946 0,0933 0,0907
2005 0,2834 0,5479 0,0756 0,1132 0,0717 0,0732 0,0762 0,0765 0,0617
Fonte: Elaboração própria.
Diferentemente do que foi observado nas produtividades padronizadas para os
setores de baixa intensidade tecnológica, nos setores de alta intensidade não é
possível perceber qualquer tendência. Ao contrário, percebe-se um comportamento
um tanto quanto caótico dos valores obtidos. À exceção do setor 34, que tem um
forte pico no ano de 2000, e nos outros anos continuou estável, os demais
apresentam um contínuo sobe e desce. Diante de tal variabilidade cabe ao
pesquisador identificar possíveis fontes de variação, como preço dos insumos, taxa
de juros (preço do investimento) ou variações cambiais, que possam causar impacto
nas suas estimativas. Uma regularidade, no entanto, impressiona. Todas as
82

produtividades observadas no ano de 2005 são menores que aquelas observadas
em 1996. Em todas as implementações e em todos os setores.
Para o setor 30, em particular, percebe-se que em determinados anos as estimativas
por meio de cada um dos métodos são muito díspares. Dada a coerência entre os
métodos estudados até aqui, tais disparidades apenas podem ser atribuídas aos
problemas enfrentados com a variável de estoque de capital também neste setor 30.
No gráfico 5 fica evidente esta dispersão entre os métodos. Nos três gráficos
seguintes, onde são apresentadas as curvas para os setores 32, 34 e 35, os
métodos novamente voltam a demonstrar alguma coerência. Tal uniformidade só é
quebrada nos chamados “choques de produtividade”, onde cada método responde
com uma intensidade diferente. Em relação ao setor 32, cumpre destacar o quanto o
método de O&P e as diferentes implementações do método de L&P caminham
juntos. Um ponto a se destacar é que, enquanto a maioria dos setores experimentou
dois choques de produtividade, com pequena variabilidade nos anos de ocorrência,
o setor 34 apresentou apenas um choque no ano 2000, como mostra o gráfico 7. No
setor 35, apresentado no gráfico 8, onde se esperava um comportamento mais
estranho, por conta dos problemas já relatados nos dados, os métodos se alinham
bem. O único ponto a destacar é que nele os picos de produtividade são bem
menores que nos outros setores, quase metade do pico observado no setor 34.
83

1,0500
0,9500
0,8500
0,7500
0,6500
0,5500
0,4500
0,3500
0,2500
0,1500
Comparativo das Produtividades de O&P e L&P para o Setor 30
0,0500
1996 1997 1998 1999 2000 2001 2002 2003 2004 2005
Gráfico 5: Comparativo das Produtividades de O&P e L&P para o Setor 30.
Fonte: Elaboração própria.
1,0000
0,9000
0,8000
0,7000
0,6000
0,5000
0,4000
0,3000
0,2000
0,1000
-
Comparativo das Produtividades de O&P e L&P para o Setor 32
1996 1997 1998 1999 2000 2001 2002 2003 2004 2005
Gráfico 6: Comparativo das Produtividades de O&P e L&P para o Setor 32.
Fonte: Elaboração própria.
84
OP_30
LP_30_MAT
LP_30_COMB
LP_30_ENER
LP_30_INV
OP_32
LP_32_MAT
LP_32_COMB
LP_32_ENER
LP_32_INV

1,2000
1,0000
0,8000
0,6000
0,4000
0,2000
-
Comparativo das Produtividades de O&P e L&P para o Setor 34
1996 1997 1998 1999 2000 2001 2002 2003 2004 2005
Gráfico 7: Comparativo das Produtividades de O&P e L&P para o Setor 34.
Fonte: Elaboração própria.
0,6600
0,6000
0,5400
0,4800
0,4200
0,3600
0,3000
0,2400
0,1800
0,1200
Comparativo das Produtividades de O&P e L&P para o Setor 35
0,0600
1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006
Gráfico 8: Comparativo das Produtividades de O&P e L&P para o Setor 35.
Fonte: Elaboração própria.
85
OP_34
LP_34_MAT
LP_34_COMB
LP_34_ENER
LP_34_INV
OP_35
LP_35_MAT
LP_35_COMB
LP_35_ENER
LP_35_INV

À guisa de conclusão desta seção convém ressaltar a proximidade das
produtividades calculadas a partir dos coeficientes estimados pelos métodos de O&P
e L&P. A questão que fica em aberto é porque eles respondem de maneira tão
diversa aos choques de produtividade. E estes são, evidentemente, os eventos que
mais interessam ao pesquisador, ao economista.
O método de O&P parece ser um pouco superior ao de L&P, mas não a ponto de se
descartar completamente o segundo. O que se apreende desta pesquisa é que
talvez a variabilidade não seja tão ruim assim. Afinal, são nas variabilidades que
estão contidas as informações de determinados eventos. A sugestão que fica ao
pesquisador que está determinado a conhecer como se comporta a produtividade
total dos fatores de uma determinada indústria é aplicar todos os métodos, pois a
partir deles este terá um conhecimento maior da sua base de dados, identificando
problemas que apenas por inspeção seria inviável. Os métodos podem informar que
talvez haja problema de mensuração ou uma anomalia qualquer em determinado
ano. Talvez o consumo de determinado insumo possa estar fora dos padrões.
Citando novamente VAN BIESEBROECK (2005), a maioria dos métodos não é
sensível a pequenos erros de medida, mas respondem mal a grandes erros. Tais
informações podem auxiliar o pesquisador a corrigir de maneira mais informada sua
base e, num processo iterativo, ir melhorando suas estimativas de produtividade até
um ponto que expressar sua confiança nelas.
86

6 DAS CONSIDERAÇÕES FINAIS
O objetivo deste trabalho é o de determinar de forma efetiva qual é a produtividade
total dos fatores no nível da cada empresa. Ou seja, a partir da formulação da
função de produção de Cobb-Douglas, identificar o que, além dos fatores capital e
trabalho, poderia impulsionar a produção.
Como a formulação de Cobb-Douglas só leva em consideração capital e trabalho,
este algo mais que impulsiona a produção deve estar contido nos resíduos. A
questão é que este resíduo, chamado de produtividade técnica, produtividade total
dos fatores, ou para nós apenas produtividade, claramente interfere na escolha dos
demais componentes da função de produção, pois por definição ela é conhecida
pelo produtor. Há, então, correlação dos resíduos com as variáveis explicativas, o
que compromete a maioria dos métodos econométricos. Este trabalho faz então uma
revisão dos métodos mais utilizados e como cada um deles tenta, a sua maneira,
resolver o problema da correlação entre os resíduos e as variáveis explicativas.
Antes de prosseguir, no entanto, convém tecer um pequeno leque de comentários a
cerca da base de dados. A base de dados utilizada para levar a cabo tais
experimentos econométricos é fundamentalmente a Pesquisa Industrial Anual (PIA),
do IBGE. O que está claro ao final deste trabalho é que, apesar da PIA ser a melhor
e mais ampla base de dados disponível sobre o comportamento das empresas, há
que se ter algum cuidado ao utilizá-la. Deve-se investir algum tempo no início dos
trabalhos em conhecer melhor a base e entendê-la em todas as suas dimensões.
Como a PIA é uma pesquisa censitária, e não uma base cadastral, há muitos
87

problemas de informações faltantes, erros de digitação, extratos amostrais e outros
afins, que neófitos em seu uso devem dar mais atenção. Este passo pode interferir
bastante nos resultados da pesquisa e, no caso deste trabalho, acredita-se que os
resultados poderiam ser mais conclusivos com uma base melhor trabalhada.
Voltando aos resultados obtidos com a aplicação dos métodos econométricos para
determinação dos parâmetros da função de produção, chega-se a uma primeira
conclusão interessante. Não é fato que MQO sempre sobreestime o coeficiente do
trabalho e subestime o coeficiente do capital. Mesmo sem conhecer os parâmetros
reais dos coeficientes, observa-se que a direção do viés do MQO pode diferir entre
setores de diferentes intensidades tecnológicas. Enquanto que nos setores de baixa
intensidade tecnológica o MQO parece sobreestimar os coeficientes do trabalho,
para os setores de alta intensidade tecnológica o contrário parece ocorrer.
O uso de dados em painel, com efeitos fixos, mostrou-se duro demais com o
problema de variáveis omitidas. Na verdade ele parece limpar em demasia as
estimações, levando a uma subestimação dos parâmetros. O uso do MQO
agregando a variável investimento teve uma resposta interessante. Claramente a
variável investimento elimina um pouco do viés do MQO e, mais ainda, o faz nos
dois sentidos no caso dos coeficientes do trabalho. Para o caso dos setores de baixa
intensidade tecnológica ela parece reduzir o viés de sobreestimação destes
coeficientes, enquanto que no caso dos setores de alta intensidade tecnológica ela
parece reduzir a subestimação dos mesmos. Ou seja, no primeiro caso ela diminui
os valores estimados para os parâmetros, enquanto que no segundo ela aumenta os
valores estimados.
88

Os métodos de ARELLANO e BOND (1991) e BLUNDELL e BOND (2000) foram
também aplicados ao mesmo conjunto de dados. Os dois procuram resolver o
problema da endogeneidade com o uso de variáveis instrumentais combinadas com
o método de mínimos quadrados generalizados (GMM). Os resultados, quando
cotejados todos os setores e comparados com os demais métodos, mostraram-se
inconsistentes.
O que acabou por se tornar o ponto central deste estudo, a comparação dos
métodos de OLLEY e PAKES (O&P) (1996) e de LEVINSOHN e PETRIN (L&P)
(2003), mostrou-se menos profícua do que se esperava, mas ainda assim permite
chegar a algumas conclusões. O primeiro ponto a favor de O&P é a clareza da
proposta. L&P propôem uma boa alternativa ao utilizar insumos intermediários como
proxy para a produtividade, mas não explicam claramente o porque disso. Mais
ainda, não estabelecem nenhuma regra para utilização deste ou daquele insumo, e
qual produziria melhores resultados para este ou aquele setor. Uma questão que
merece maior questionamento é que soa muito forte a premissa de que aumentos da
produtividade levarão a aumentos de consumo de insumos intermediários. Existem
avanços técnicos que elevam a produtividade e reduzem o consumo de insumos.
Um exemplo são os novos motores, que desenvolvem maior potência com menor
consumo de combustível. Voltando à questão dos insumo em L&P, é intrigante a
variação que um mesmo parâmetro pode ter, para um mesmo setor, apenas ao
trocar-se o insumo utilizado como proxy para a produtividadade, mesmo mantendo
os outros no modelo como variáveis livres. Isso aumenta a insegurança com relação
ao método. Os resultados obtidos são similares aos reportados por ACKERBERG et
al. (2003), que também encontraram inconsistências entre os diversos insumos
utilizados.
89

Outras considerações que devem ser tecidas a respeito das produtividades obtidas a
partir dos diversos métodos estudados. Em primeiro lugar deve-se relatar que, assim
como aconteceu com os coeficientes estimados por cada método, o cálculo da
produtividade acabou por gerar uma enorme variabilidade. Como tal variabilidade
envolvia a questão de algumas ordens de grandeza, optou-se por proceder à análise
com as produtividades padronizadas. Ou seja, as produtividades médias obtidas
para cada setor foram divididas por seus respectivos desvios-padrão.
A primeira conclusão, que perpassa todos os métodos, em todos os setores, é que
não foi possível perceber nenhum aumento consistente da produtividade ao longo da
década estudada (1996 – 2005). Com exceção de alguns choques de produtividade
isolados, o que se identificou foi estagnação ou queda das produtividades. Mesmo
quando calculadas as duas proxies contábeis para produtividade (Valor da
Transformação Industrial sobre Pessoal Ocupado, ou sobre Total de Salários na
Indústria) o que se observa é estagnação ou queda.
Um fato surpreendente é que as produtividades padronizadas obtidas pelo métodos
O&P e L&P deram resultados muito próximos, apesar da dispersão entre os
coeficientes estimados por O&P e as diversas implementações de L&P, que
acabaram por gerar grande dispersão entre as produtividade calculadas
diretamente.
Por fim, o que pode ser a principal conclusão deste trabalho é aquela que todo
pesquisador sabe: não existe panacéia para todos os males. A variabilidade
apresentada entre os métodos de estimação de funções de produção enfraquece
cada método isoladamente, mas fortalece uma postura de ceticismo científico. Ou
seja, para que se possa chegar a valores mais consistentes de produtividade o
90

pesquisador não deve se furtar a aplicar mais de um método. Cada método pode
ressaltar uma certa fragilidade da base de dados, tornando possível a identificação
de problemas que apenas por inspeção não seria possível.
Cada um dos métodos depende do conjunto de dados sobre os quais é aplicado.
Dependência esta tanto em relação à qualidade de coleta de dados quanto à
delimitação do espaço de pesquisa. Ou seja, a escolha do setor econômico interfere
na qualidade dos resultados. Um resultado importante deste trabalho é que a
aplicação do mesmo método a setores de diferentes intensidades tecnológicas pode
gerar resultados divergentes.
A questão que fica, no entanto, é que se diferentes setores apresentam respostas
diferentes ao mesmo método, como será possível compará-los. Esta é a agenda do
economista. Qual setor teria o aumento de produtividade mais expressivo se a ele
fossem canalizados investimentos? Quais insumos intermediários têm maior impacto
sobre a produtividade? Que políticas públicas são necessárias para se obter
crescimento consistente da produtividade ao longo dos anos? Estas são perguntas
que este trabalho não responde, mas que merecem toda a atenção.
91

BIBLIOGRAFIA
ABRAMOVITZ, M., (1956). “Resource and Output Trends in the United States Since
1870,” The American Economic Review, Vol. 46, No. 2, Papers and Proceedings of
the Sixty-eighth Annual Meeting of the American Economic Association. (May, 1956),
pp. 5-23.
ACKERBERG, D. A., CAVES, K. e G FRAZER, G., (2003). “Structural Identification
of Production Functions,” mimeo, Universidade do Porto, Faculdade de Economia,
Macroeconomics Seminars, 22 June 2006, Daniel Ackerberg (University of
California, LA).
ALVES, P. e SILVA, A. M., (2008). “Estimativa do Estoque de Capital das Empresas
Industriais Brasileiras.” Brasília: IPEA, 2008 (Texto para Discussão nº 1325)
ARBIX G., SALERNO M. S. e DE NEGRI, J. A., (2004). Inovação, via
internacionalização, faz bem para as exportações brasileiras. XVI Fórum Nacional
Economia do Conhecimento, Crescimento Sustentado e Inclusão Social, Rio de
Janeiro, maio de 2004
ARELLANO, M. e BOND, S. R., (1991). “Some tests of specification for panel data:
Monte Carlo evidence and an application to employment equations,” Review of
Economic Studies, 58, 277-297.
ARELLANO, M. e BOVER, O., (1995). “Another look at the instrumental variable
estimation of error-components models,” Journal of Econometrics, Elsevier, vol.
68(1), pages 29-51, July.
BACEN, (2009). “Investimento Estrangeiro Direto / Censos 1995/2000 e Ingressos
2001 a 2006”. Banco Central do Brasil. Disponível em:
http://www.bcb.gov.br/rex/IED/Port/Ingressos/planilhas/DivugacaoAtividades95-06.xls.
92

BLUNDELL, R.W. e BOND, S.R., (1998). “Initial Conditions and Moment Restrictions
in Dynamic Panel Data Models,” Journal of Econometrics, 87, 115-143.
BLUNDELL, R. W. e BOND, S. R., (2000). “GMM Estimation with Persistent Panel
Data: An Application to Production Functions”, Econometric Reviews, 19 (3), 321–
340.
COBB, C. W., e DOUGLAS, P. H., (1928). “A Theory of Production,” American
Economic Review, 18(1), 1928, Supplement, 139-72
COSTA, G., ALVES, P., BITTENCOURT, M., ARAÚJO, K. e DOYLE, H., (2006)
“Avaliação de uma Proxy para a Idade da Firma Utilizando Amostragem Complexa.”
Brasília: IPEA, 2006 (Texto Para Discussão nº 1240).
DE NEGRI, J. A. e SALERNO, M. S. (2005). Inovações, padrões tecnológicos e
desempenho das firmas industriais brasileiras. Brasília: IPEA, 2005.
DE NEGRI, J. A., FREITAS, F., COSTA, G., SILVA, A. e ALVES P., (2005).
“Tipologia das firmas integrantes da indústria brasileira”, in Inovações, padrões
tecnológicos e desempenho das firmas industriais brasileiras. Brasília: IPEA, 2005.
DORASZELSKI, U. e JAUMANDREU, J., (2008). “R&D and Productivity: Estimating
Production Functions When Productivity is Endogenous.” Harvard Institute of
Economic Research Discussion Paper No. 2147, January 2008. Available at SSRN:
http://ssrn.com/abstract=1080306.
ERICSON, R. e PAKES, A., (1995). "Markov-Perfect Industry Dynamics: A
Framework for Empirical Work," Review of Economic Studies, Blackwell Publishing,
vol. 62(1), pages 53-82, January.
FELIPE, J., HASAN, R. e MCCOMBIE, J. S. L., (2008). “Correcting for biases when
estimating production functions: an illusion of the laws of algebra?” Cambridge
Journal of Economics, 2008, 32(3):441-459
FURTADO, A. T.; CARVALHO, R. Q., (2005). “Padrões de intensidade tecnológica
da indústria brasileira: um estudo comparativo com os países centrais.” São Paulo
em Perspectiva, São Paulo, v. 19, n. 1, Mar. 2005 . Disponível em
93

http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0102-88392005000100006&lng=en&nrm=iso.
Acessado em 16/10/09. doi: 10.1590/S0102-88392005000100006.
GRILICHES, Z. e MAIRESSE, J. (1995), “Production Functions: The Search for
Identification”, in Econometrics and Economic Theory in the Twentieth Century: The
Ragnar Frisch Centennial Symposium (Cambridge University Press) 169–203.
HASKEL, J. E., PEREIRA, S. C. e SLAUGHTER, M. J., (2007). “Does Inward Foreign
Direct Investment Boost the Productivity of Domestic Firms?” The Review of
Economic and Statistics, August 2007, Vol. 89, No. 3, Pages 482-496
HATZICHRONOGLOU, T., (1997). “Revision of the High-Technology Sector and
Product Classification.” OECD Working Papers. OECD Science, Technology and
Industry Working Papers No. 1997/2, 1997, English, 26 pages. Disponível em:
http://dx.doi.org/10.1787/134337307632. Acessado em 12/10/2009
HULTEN, C. R., (2000). "Total Factor Productivity: A Short Biography," NBER
Working Papers 7471, National Bureau of Economic Research, Inc.
IBGE, 2002. Pesquisa Industrial de Inovação Tecnológica – PINTEC 2000. Rio de
Janeiro: IBGE, 2002.
IBGE, 2005. Pesquisa Industrial de Inovação Tecnológica – PINTEC 2003. Rio de
Janeiro: IBGE, 2005.
IBGE, (2005b). “Empresas Industriais de alta intensidade tecnológica têm receita e
investimento acima da média.” Rio de Janeiro: IBGE, 2005. Acessado em
http://www.ibge.gov.br/home/presidencia/noticias/noticia_visualiza.php?id_noticia=388
IBGE, 2007. Pesquisa Inovação Tecnológica – PINTEC 2000, 2003 e 2005. Rio de
Janeiro: IBGE, 2007.
IBGE, 2007. Classificação Nacional de Atividades Econômicas. Versão 2.0. Rio de
Janeiro: IBGE, 2007.
94

JAVORCIK, B. S., (2004). “Does Foreign Direct Investment Increase the Productivity
of Domestic Firms?” In Search of Spillovers through Backward Linkages. The
American Economic Review, Vol. 94, No. 3. (Jun., 2004), pp. 605-627.
JORGE, M. F., (2008). “Investimento estrangeiro direto e inovação: um estudo sobre
ramos selecionados da indústria no Brasil.” IPEA Texto para discussão Nº 1327,
Fevereiro 2008.
LEVINSOHN J.e PETRIN A., (2003). “Estimating Production Functions Using Inputs
to Control for Unobservables.” The Review of Economic Studies, Vol. 70, No. 2.
(Apr., 2003), pp. 317-341.
MARKWALD, R., (2004). “Intensidade tecnológica e dinamismo das exportações
brasileiras” RBCE – Revista Brasileira de Comércio Exterior – 79, Abr/Jun de 2004,
FUNCEX, Rio de Janeiro.
MARSCHAK, J., e ANDREWS JR, W. H., (1944). “Random Simultaneous Equations
and the Theory of Production,” Econometrica, Vol. 12, No. 3/4 (Jul. - Oct., 1944), pp.
143-205
MILL, J. S., (1996). Os Economistas – Princípios de Economia Política. Volumes I e
II, Editora Nova Cultural. São Paulo, 1996.
MUENDLER, MA., (2004a). "Estimating Production Functions When Productivity
Change is Endogenous," CESifo Working Paper Series CESifo Working Paper No.
1143 , CESifo Group, Munich.
MUENDLER, MA., (2004b).Trade, Technology and Productivity: A Study of Brazilian
Manufacturers 1986-1998 (March 2004). CESifo Working Paper Series No. 1148.
CESifo Group, Munich. Disponível em SSRN: http://ssrn.com/abstract=525924
NSF, (2007). “Advancing Measures of Innovation Knowledge: Flows, Business
Metrics, and Measurement Strategies.” 6-7 June 2006, Workshop Report, NSF 07-
306, January 2007
95

OECD, (2005). Science, Technology and Industry Scoreboard.
OLLEY, S. and PAKES, A. (1996). “The Dynamics of Productivity in the
Telecommunications Equipment Industry”, Econometrica, 64 (6), 1263–1298.
ORNAGHI, C., (2006). “Assessing the effects of measurement errors on the
estimation of production functions,” Journal of Applied Econometrics, 21, no 6, p.
879-891
PETRIN, A., POI, B. P. e LEVINSOHN, J., (2004). “Production function estimation in
Stata using inputs to control for unobservables,” Stata Journal, 4, no2, p. 113-123,
SCHUMPETER, J. A. (1997). Os Economistas – Teoria do Desenvolvimento
Econômico. Editora Nova Cultural. São Paulo, 1997.
SMITH, A. (1996). Os Economistas – A Riqueza das Nações: Investigação Sobre
sua Natureza e suas Causas. Volumes I e II, Editora Nova Cultural. São Paulo,
1996.
SOLOW, R. M., (1957). “Technical Change and the Aggregate Production Function.”
The Review of Economics and Statistics, Vol. 39, No. 3. (Aug., 1957), pp. 312-320.
VAN BIESEBROECK, J. (2005). "Robustness of Productivity Estimates." Journal of
Industrial Economics, 55, 3 (September 2005): 529-69.
WOOLDRIDGE, J. M., 2009. "On estimating firm-level production functions using
proxy variables to control for unobservables," Economics Letters, Elsevier, vol.
104(3), pages 112-114, September.
YASAR, M., RACIBORSKI, R. e POI, B., (2008), “Production function estimation in
Stata using the Olley and Pakes method,” Stata Journal, 8, no 2, p. 221-231,
96

APÊNDICE A
Tabela 1: Variáveis utilizadas para exercício em painel referente aos anos de 1996 a
2005 oriundas das bases PIA, RAIS, capital k (ALVES e SILVA, 2008) e
empr_ano (COSTA et al., 2006). ......................................................................99
Tabela 2: Variáveis construídas e/ou geradas no STATA para exercício em painel
referente aos anos de 1996 a 2005 a partir daquelas referidas na tabela 1. ..100
Tabela 3: Regressões rodadas sobre os dados das tabelas 1 e 2 deste Apêndice e
as respectivas variáveis geradas como resultado...........................................102
Tabela 4: Variáveis utilizadas da PINTEC, RAIS e SECEX para exercício de pseudo-
painel referente aos anos de 2000, 2003 e 2005............................................104
Tabela 5: variáveis construídas e/ou geradas no STATA para exercício de pseudo-
painel referente aos anos de 2000, 2003 e 2005, a partir daquelas referidas na
Tabela 4..........................................................................................................106
Tabela 6: Regressões rodadas sobre os dados das tabelas 4 e 5 deste Apêndice e
as respectivas variáveis geradas como resultado...........................................107
Tabela 7: Resultados das estimativas dos métodos MQO, FE, MQO. A&B e B&B
sobre o setor 17..............................................................................................108
Tabela 8: Resultados das estimativas dos métodos MQO, FE, POLS. A&B e B&B
sobre o setor 18..............................................................................................109
Tabela 9: Resultados das estimativas dos métodos MQO, FE, POLS. A&B e B&B
sobre o setor 20..............................................................................................110
Tabela 10: Resultados das estimativas dos métodos MQO, FE, POLS. A&B e B&B
sobre o setor 36..............................................................................................111
Tabela 11: Resultados das estimativas dos métodos MQO, FE, POLS. A&B e B&B
sobre o setor 30..............................................................................................112
Tabela 12: Resultados das estimativas dos métodos MQO, FE, POLS. A&B e B&B
sobre o setor 32..............................................................................................113
Tabela 13: Resultados das estimativas dos métodos MQO, FE, POLS. A&B e B&B
sobre o setor 34..............................................................................................114
97

Tabela 14: Resultados das estimativas dos métodos MQO, FE, POLS. A&B e B&B
sobre o setor 35..............................................................................................115
Tabela 13: Resultados das estimativas de O&P e L&P para o setor 17..................116
Tabela 14: Resultados das estimativas de O&P e L&P para o setor 18..................116
Tabela 15: Resultados das estimativas de O&P e L&P para o setor 20..................117
Tabela 18: Resultados das estimativas de O&P e L&P para o setor 36..................117
Tabela 17: Resultados das estimativas de O&P e L&P para o setor 30..................118
Tabela 18: Resultados das estimativas de O&P e L&P para o setor 32..................118
Tabela 19: Resultados das estimativas de O&P e L&P para o setor 34..................119
Tabela 20: Resultados das estimativas de O&P e L&P para o setor 35..................119
98

Tabela 1: Variáveis utilizadas para exercício em painel referente aos anos de 1996 a
2005 oriundas das bases PIA, RAIS, capital k (ALVES e SILVA, 2008) e
empr_ano (COSTA et al., 2006).
Variável Conceito Código da variável Base de origem
empresa_ Identificação da empresa empresa_fic PIA\EMPRESA
pesof Peso Amostral pesof PIA\EMPRESA
po Pessoal Ocupado x02 PIA\EMPRESA
vti Valor da Transformação Industrial x32 PIA\EMPRESA
rlv Receita Líquida de Vendas x14 PIA\EMPRESA
sal Salários x09 PIA\EMPRESA
sal_ind Salários do Pessoal x10 PIA\EMPRESA
combust Gasto com Combustíveis v00053 PIA\EMPRESA
energia Gastos com Energia v00054 PIA\EMPRESA
mat_prim Gastos com Matéria-prima x26 PIA\EMPRESA
V0210 Ativos v0210 PIA\EMPRESA
inv_aq Aquisições x52 PIA\EMPRESA
inv_mel Melhorias x53 PIA\EMPRESA
baixas Baixa x54 PIA\EMPRESA
cnae2 CNAE a dois dígitos cnae2 PIA\EMPRESA
cnae3 CNAE a três dígitos cnae3 PIA\EMPRESA
cnae4 CNAE a quatro dígitos cnae4 PIA\EMPRESA
pia Origem dos dados (1=PIA) pia PIA\EMPRESA
ano ANO ano PIA\EMPRESA
k Estoque de Capital k CAPITAL
empr_ano Idade da empresa Empr_Anos RAIS
99

100
Tabela 2: Variáveis construídas e/ou geradas no STATA para exercício em painel
referente aos anos de 1996 a 2005 a partir daquelas referidas na tabela 1.
Variável Conceito Descrição
Inv sum(x52, x53) Investimentos são a soma de Aquisições e Melhorias
inv_liq sum(inv, -x54) Investimentos líquidos são os Investimentos menos as Baixas
rel_k k/vti Relação Capital sobre Valor da Transformação Industrial
rel_k_rlv k/rlv Relação Capital sobre Receita Líquida de Vendas
produtiv_sal vti/sal_ind
produtiv_po vti/po
idade
surv
empr_ano if
empr_ano!=.
1 if idade!=. &
idade > 1 &
idade[_n-1]!=.
Produtividade medida como Valor da Transformação Industrial
dividida pelo total dos salários na Indústria
Produtividade medida como Valor da Transformação Industrial
dividida pelo número de pessoas ocupadas
Idade é igual ao tempo de emprego do empregado mais antigo
A empresa sobreviveu se idade é diferente de vazio E idade é
maior que 1 E a idade da empresa no período anterior é
diferente de vazio.
exit 1 – surv A saída é o complemento da sobrevivência
mat_d
mat_prim *
def_igp
Variáveis deflacionadas
trab_d sal_ind *def_ipc Variáveis deflacionadas
prod_d vti * def_igp Variáveis deflacionadas
rec_d rlv * def_igp Variáveis deflacionadas
comb_d
ener_d
combust *
def_comb
energia *
def_comb
Variáveis deflacionadas
Variáveis deflacionadas
inv_d inv * def_igp Variáveis deflacionadas
invl_d inv_liq * def_igp Variáveis deflacionadas
cap_d k * def_igp Variáveis deflacionadas
lnidade ln(idade) Logaritmos das variáveis
lnmat ln(1+mat_prim) Logaritmos das variáveis
lntrab ln(1+sal_ind) Logaritmos das variáveis
lnprod ln(1+vti) Logaritmos das variáveis
lnrec ln(1+1rlv) Logaritmos das variáveis
lncomb ln(1+combust) Logaritmos das variáveis
lnener ln(1+energia) Logaritmos das variáveis
lninv ln(1+inv) Logaritmos das variáveis
lninvl ln(1+inv_liq) Logaritmos das variáveis
lncap ln(1+k) Logaritmos das variáveis
lnmat_d ln(1+mat_d) Logaritmos das variáveis
lntrab_d ln(1+trab_d) Logaritmos das variáveis
lnprod_d ln(1+prod_d) Logaritmos das variáveis

lnrec_d ln(1+rec_d) Logaritmos das variáveis
lncomb_d ln(1+comb_d) Logaritmos das variáveis
lnener_d ln(1+ener_d) Logaritmos das variáveis
lninv_d ln(1+inv_d) Logaritmos das variáveis
lninvl_d ln(1+invl_d) Logaritmos das variáveis
lncap_d ln(1+cap_d) Logaritmos das variáveis
101

Tabela 3: Regressões rodadas sobre os dados das tabelas 1 e 2 deste Apêndice e
as respectivas variáveis geradas como resultado.
xi: opreg lnprod, exit(exit) state(lncap lnidade) proxy(lninvl) free(lntrab lnmat lncomb lnener)
cvars(i.ano)
gen produtiv_op_XX = exp(lnprod - b1*lncap - b2*lntrab - b3*lnidade - b4*lnmat - b5*lncomb -
b6*lnener)
opreg lnprod_d, exit(exit) state(lncap_d lnidade) proxy(lninvl_d) free(lntrab_d lnmat_d lncomb_d
lnener_d) cvars(ano)
gen produtiv_op_XX_d = exp(lnprod_d - b1d*lncap_d - b2d*lntrab_d - b3d*lnidade - b4d*lnmat_d -
b5d*lncomb_d - b6d*lnener_d)
reg lnprod_d lntrab_d lncap_d lnidade lnmat_d lncomb_d lnener_d ano
gen produtiv_ols_XX_d = exp(resid_ols_17_d)
xtreg lnprod_d lntrab_d lncap_d lnidade lnmat_d lncomb_d lnener_d ano, fe rob
gen produtiv_fe_XX_d = exp(resid_fe_17_d)
reg lnprod_d lntrab_d lncap_d lnidade lnmat_d lncomb_d lnener_d lninvl_d ano
gen produtiv_olsi_XX_d = exp(resid_olsi_17_d)
xtabond lnprod_d lntrab_d lncap_d lnidade lnmat_d lncomb_d lnener_d, twostep
gen produtiv_ab_XX_d = exp(resid_ab_17_d)
xtabond2 lnprod_d l.lnprod_d l.l.lnprod_d lntrab_d l.lntrab_d l.l.lntrab_d lncap_d l.lncap_d l.l.lncap_d
lninvl_d l.lninvl_d l.l.lninvl_d lnmat_d l.lnmat_d l.l.lnmat_d lnener_d l.lnener_d l.l.lnener_d
lncomb_d l.lncomb_d l.l.lncomb_d lnidade l.lnidade l.l.lnidade, gmmstyle(lnprod_d l.lnprod_d
l.l.lnprod_d lntrab_d l.lntrab_d l.l.lntrab_d lncap_d l.lncap_d l.l.lncap_d lninvl_d l.lninvl_d
l.l.lninvl_d lnmat_d l.lnmat_d l.l.lnmat_d lnener_d l.lnener_d l.l.lnener_d lncomb_d l.lncomb_d
l.l.lncomb_d lnidade l.lnidade l.l.lnidade, laglimits(1 2)) twostep noleveleq nomata
gen produtiv_bb_17_d = exp(resid_bb_17_d)
levpet lnprod, free(lntrab lnidade lninvl lnener lncomb) proxy(lnmat) capital(lncap) reps(200)
predict produtiv_LP_XX_mat, omega
levpet lnprod_d, free(lntrab_d lnidade lninvl_d lnener_d lncomb_d) proxy(lnmat_d) capital(lncap_d)
reps(200)
predict produtiv_LP_XX_d_mat, omega
levpet lnprod, free(lntrab lnidade lninvl lnener lnmat) proxy(lncomb) capital(lncap) reps(200)
predict produtiv_LP_XX_comb, omega
levpet lnprod_d, free(lntrab_d lnidade lninvl_d lnener_d lnmat_d) proxy(lncomb_d) capital(lncap_d)
reps(200)
predict produtiv_LP_XX_d_comb, omega
levpet lnprod, free(lntrab lnidade lninvl lnmat lncomb) proxy(lnener) capital(lncap) reps(200)
predict produtiv_LP_XX_ener, omega
102

Tabela 3: cont.
levpet lnprod_d, free(lntrab_d lnidade lninvl_d lnmat_d lncomb_d) proxy(lnener_d) capital(lncap_d)
reps(200)
predict produtiv_LP_XX_d_ener, omega
levpet lnprod, free(lntrab lnidade lnener lnmat lncomb) proxy(lninvl) capital(lncap) reps(200)
predict produtiv_LP_XX_inv, omega
levpet lnprod_d, free(lntrab_d lnidade lnener_d lnmat_d lncomb_d) proxy(lninvl_d) capital(lncap_d)
reps(200)
predict produtiv_LP_XX_d_inv_d, omega
reg lnprod_d lntrab_d lncap_d lnidade lnmat_d lncomb_d lnener_d ano
gen produtiv_ols_XX_d = exp(resid_ols_17_d)
xtreg lnprod_d lntrab_d lncap_d lnidade lnmat_d lncomb_d lnener_d ano, fe rob
gen produtiv_fe_XX_d = exp(resid_fe_17_d)
reg lnprod_d lntrab_d lncap_d lnidade lnmat_d lncomb_d lnener_d lninvl_d ano
gen produtiv_olsi_XX_d = exp(resid_olsi_17_d)
xtabond lnprod_d lntrab_d lncap_d lnidade lnmat_d lncomb_d lnener_d, twostep
gen produtiv_ab_X_d = exp(resid_ab_17_d)
xtabond2 lnprod_d l.lnprod_d l.l.lnprod_d lntrab_d l.lntrab_d l.l.lntrab_d lncap_d l.lncap_d l.l.lncap_d
lninvl_d l.lninvl_d l.l.lninvl_d lnmat_d l.lnmat_d l.l.lnmat_d lnener_d l.lnener_d l.l.lnener_d
lncomb_d l.lncomb_d l.l.lncomb_d lnidade l.lnidade l.l.lnidade, gmmstyle(lnprod_d l.lnprod_d
l.l.lnprod_d lntrab_d l.lntrab_d l.l.lntrab_d lncap_d l.lncap_d l.l.lncap_d lninvl_d l.lninvl_d
l.l.lninvl_d lnmat_d l.lnmat_d l.l.lnmat_d lnener_d l.lnener_d l.l.lnener_d lncomb_d l.lncomb_d
l.l.lncomb_d lnidade l.lnidade l.l.lnidade, laglimits(1 2)) twostep noleveleq nomata
gen produtiv_bb_XX_d = exp(resid_bb_17_d)
103
Notas:
1) XX – Setor sobre o qual foi rodada a regressão, podendo assumir os valores 17, 18, 20, 30, 32,
34, 35 e 36.
2) reg – regressão por mínimos quadrados ordinários.
3) xtreg – regressão de dados em painel considerando efeitos fixos.
4) xtabond – procediemento de estimação de Arellano e Bond (1991).
5) xtabond2 – procedimento de estimação de Blundell e Bond (2000).
6) opreg – procedimento de estimação de Olley e Pakes (1996), ver YASAR et al.(2008).
7) levpet – procedimento de estimação de Levinsohn e Petrin (2003, ver PETRIN et al.(2004).

104
Tabela 4: Variáveis utilizadas da PINTEC, RAIS e SECEX para exercício de pseudopainel
referente aos anos de 2000, 2003 e 2005
Variável Conceito
Código
da variável
Base de
origem
empresa_ Identificador da empresa empresa_fic PINTEC
ano Ano ano PINTEC
pesof Pesa da empresa na amostra pesofim PINTEC
v1
v10
v11
v16
v17
v22
v23
Origem do capital controlador da empresa:
1=Nacional; 2=Estrangeiro;3=Misto
A empresa introduziu produto tecnologicamente novo ou
significativamente aperfeiçoado para a empresa, mas já
existente no mercado nacional?
A empresa introduziu produto tecnologicamente novo ou
significativamente aperfeiçoado para o mercado nacional?
A empresa introduziu processo tecnologicamente novo ou
significativamente aperfeiçoado para a empresa, mas já
existente no setor no Brasil?
A empresa introduziu processo tecnológicamente novo ou
significativamente aperfeiçoado para o setor no Brasil?
A empresa tinha algum projeto ainda incompleto para
desenvolver ou introduzir produto ou processo
tecnologicamente novo ou aprimorado?
A empresa realizou algum projeto para desenvolver ou
introduzir produto ou processo tecnologicamente novo ou
aprimorado, mas que foi abandonado?
v1 PINTEC
v10 PINTEC
v11 PINTEC
v16 PINTEC
v17 PINTEC
v22 PINTEC
v23 PINTEC
v31 Valor dos dispêndios em atividade INTERNA de P&D v31 PINTEC
v32 Valor dos dispêndios na aquisição externa de P&D v32 PINTEC
v33
v34
Valor dos dispêndios na aquisição de outros conhecimentos
externos
Valor dos dispêndios na aquisição de máquinas e
equipamentos
v33 PINTEC
v34 PINTEC
v35 Valor dos dispêndios em treinamento v35 PINTEC
v36
v37
Valor dos dispêndios na introdução das inovações
tecnológicas no mercado
Valor dos dispêndios em projeto industrial e outras
preparações técnicas
v36 PINTEC
v37 PINTEC
poe Pessoal Ocupado poe PINTEC
recto Receita Total recto PINTEC
conm Consumo de Matérias-primas conm PINTEC
sal Gasto com Salários sal PINTEC
gast Gastos totais gast PINTEC
vti Valor da Transformação Industrial vti PINTEC
vbpi Valor Bruto da Produção Industrial vbpi PINTEC
coi Custo das Operações Industriais coi PINTEC

ano2000 Deflator (base 2005) ano2000 PINTEC
ano2003 Deflator (base 2005) ano2003 PINTEC
ano2005 Deflator (base 2005) ano2005 PINTEC
prop 3gr Proporção dos Empregados com 3º Grau Prop_3Grau RAIS
tempo_es Tempo de Estudo Médio dos Empregados (em anos)
Tempo_Estu
do_Me
RAIS
Imp Importações (FOB) imp SECEX
exp Exportações (FOB) exp SECEX
105

Tabela 5: variáveis construídas e/ou geradas no STATA para exercício de pseudopainel
referente aos anos de 2000, 2003 e 2005, a partir daquelas
referidas na Tabela 4
Variável Conceito Código da variável
GAS_PD_INT v31/recto Gasto em P&D interna sobre Receita
AQUIS_PD v32/recto Gasto em Aquisição de P&D sobre Receita
AQUIS_OUT v33/recto Gasto em Aquisição de Outros
Conhecimentos sobre Receita
AQUIS_ME v34/recto Gasto em Aquisição de Máquinas e
Equipamentos sobre Receita
TREINAM v35/recto Gasto em Aquisição de Treinamento sobre
Receita
INT_INOV v36/recto Gasto com Introdução de Inovação no
Mercado sobre Receita
106
PROJ_IND v37/recto Gasto Projetos e Outras Preparações sobre
Receita
inov_prod 1 if v10==1 | v11==1; 0, cc Indica se inovou em produto
inov_proc 1 if v16==1 | v17==1; 0, cc Indica se inovou em processo
ied 0 if v1==1; 1, cc Indica se recebeu IED
lnv31 ln(v31) Logaritmo das variáveis
lnv32 ln(v32) Logaritmo das variáveis
lnv33 ln(v33) Logaritmo das variáveis
lnv34 ln(v34) Logaritmo das variáveis
lnv35 ln(v35) Logaritmo das variáveis
lnv36 ln(v36) Logaritmo das variáveis
lnv37 ln(v37) Logaritmo das variáveis
lntempo_es ln(tempo_es) Logaritmo das variáveis
lnimp ln(imp) Logaritmo das variáveis
lnexp ln(exp) Logaritmo das variáveis
lnidade ln(idade) Logaritmo das variáveis
lnprod_op_XX_d ln(produtiv_op_XX_d) Logaritmo das variáveis
lnprod_LP_XX_d_mat ln(produtiv_LP_XX_d_mat) Logaritmo das variáveis
Nota: XX – Setor sobre o qual foi rodada a regressão, podendo assumir os valores 17, 18, 20, 30, 32,
34, 35 e 36.

Tabela 6: Regressões rodadas sobre os dados das tabelas 4 e 5 deste Apêndice e
as respectivas variáveis geradas como resultado.
probit inov GAS_PD_INT AQUIS_PD AQUIS_OUT AQUIS_ME TREINAM INT_INOV PROJ_IND
tempo_es if cnae2=="XX"
probit inov GAS_PD_INT AQUIS_PD AQUIS_OUT AQUIS_ME TREINAM INT_INOV PROJ_IND
tempo_es idade if cnae2=="XX"
probit inov GAS_PD_INT AQUIS_PD AQUIS_OUT AQUIS_ME TREINAM INT_INOV PROJ_IND
tempo_es ied if cnae2=="XX"
probit inov GAS_PD_INT AQUIS_PD AQUIS_OUT AQUIS_ME TREINAM INT_INOV PROJ_IND
tempo_es ied imp exp if cnae2=="XX"
reg lnprod_op_XX_d inov_prod inov_proc lntempo_es lnidade ied lnexp lnimp
reg lnprod_LP_XX_d_mat inov_prod inov_proc lntempo_es lnidade ied lnexp lnimp
107
Notas:
1) XX – Setor sobre o qual foi rodada a regressão, podendo assumir os valores 17, 18, 20, 30, 32,
34, 35 e 36.
2) reg – regressão por mínimos quadrados ordinários.
3) probit – regressão por modelo Probit.

Tabela 7: Resultados das estimativas dos métodos MQO, FE, MQO. A&B e B&B
sobre o setor 17.
MQO Efeitos Fixos
MQO c/
Investimento
Arellano
& Bond
Blundell
& Bond
lnprod_d
Coef.
(t)
Coef.
(t)
Coef.
(t)
Coef.
(z)
Coef.
(z)
lnprod_d /LD. /L1.
0,0631103
(1,86)
-0,4070111
(-24,90)
lnprod_d.L2.
-0,2218869
(-19,80)
lntrab_d /D1.
0,828868
(66,87)
0,6949386
(18,62)
0,8081254
(66,27)
0,6472758
(9,64)
0,094336
(2,47)
L1.lntrab_d/
0,1458869
(4,13)
L2.lntrab_d
0,1153067
(3,52)
lncap_d /D1.
0,3151249
(19,35)
0,3902888
(4,22)
0,2672441
(15,19)
0,4211227
(2,37)
0,5265508
(1,67)
L1.lncap_d
-0,0249013
(-0,18)
L2.lncap_d
0,0818445
(0,76)
Lnidade /D1.
-0,005668
(-0,18)
0,5102865
(2,28)
0,0287842
(0,88)
-0,0315874
(0,09)
-7,788916
(-0,98)
L1.Lnidade
-7,284776
(-0,58)
L2.lnidade
11,66081
(2,20)
lnmat_d /D1.
0,0303466
(5,10)
0,0905616
(5,42)
0,0253452
(4,29)
0,0594628
(2,43)
-0,0347572
(-1,66)
L1.lnmat_d
0,0036839
(0,26)
L2.lnmat_d
-0,0090339
(-0,90)
lncomb_d /D1.
0,0009412
(0,24)
0,00598
(1,02)
-0,0017553
(-0,45)
-0,0071141
(-1,02)
-0,0219704
(-1,91)
L1.lncomb_d
-0,003862
(-0,57)
L2.lncomb_d
-0,0078787
(-1,75)
lnener_d /D1.
0,0142702
(2,31)
0,0232838
(2,31)
0,0125978
(2,04)
0,0158376
(1,25)
0,0140567
(0,88)
L1.lnener_d
0,0152318
(1,37)
L2.lnener_d
0,0051396
(0,65)
lninvl_d /D1.
0,03439
(8,59)
-0,0436368
(-3,13)
L1.lninvl_d
-0,0182156
(-2,10)
L2.lninvl_d
-0,0037862
(-0,69)
ano
0,0073607
(1,06)
-0,0744798
(-5,59)
0,0094727
(1,35)
_cons
-16,89273
(-1,21)
145,0734
(5,62)
-20,3346
(-1,45)
(-,0653385
(-2,58)
Number of obs/gr. 11779 2599(gr.) 10708 6916 3789
F / Sargan 1682,83 178,24 1495,52 58,65 1201,26
Prob > F/chi2 0,0000 0,0000 0,0000 0,0074 0,000
R-squared / AR1 0,5002 0,4672 0,5279 0,0000 0,032
Adj R-squared/AR2 0,4999 0,5276 0,2588 0,033
108

Tabela 8: Resultados das estimativas dos métodos MQO, FE, POLS. A&B e B&B
sobre o setor 18.
MQO Efeitos Fixos
MQO c/
Investimento
Arellano
& Bond
Blundell
& Bond
lnprod_d
Coef.
(t)
Coef.
(t)
Coef.
(t)
Coef.
(z)
Coef.
(z)
lnprod_d /LD. /L1.
0,0900546
(4,79)
-0,3509917
(-21,49)
lnprod_d.L2.
-0,1705129
(-15,50)
lntrab_d /D1.
0,8233756
(88,78)
0,7675262
(32,05)
0,821364
(87,81)
0,6875918
(17,17)
0,1465574
(1,6)
L1.lntrab_d/
0,134883
(3,46)
L2.lntrab_d
0,1079868
(3,87)
lncap_d /D1.
0,4367458
(32,26)
0,2302299
(2,52)
0,3817906
(26,22)
0,2542926
(1,53)
-0,5113597
(-0,91)
L1.lncap_d
-0,4235486
(-1,57)
L2.lncap_d
0,1514635
(0,5)
Lnidade /D1.
0,0408406
(1,66)
0,0015188
(0,01)
0,0605722
(2,42)
-0,0676618
(-0,31)
0,5353776
(0,06)
L1.Lnidade
-14,31027
(-1,05)
L2.lnidade
10,46954
(1,83)
lnmat_d /D1.
-0,0323015
(-9,57)
0,0356528
(4,37)
-0,0347115
(-10,24)
0,0376617
(3,31)
0,013844
(0,41)
L1.lnmat_d
0,0262909
(1,57)
L2.lnmat_d
0,0027727
(0,24)
lncomb_d /D1.
0,0023761
(0,58)
0,0087995
(1,44)
0,0007527
(0,18)
0,0085505
(1,09)
0,0081925
(0,36)
L1.lncomb_d
0,0058286
(0,43)
L2.lncomb_d
0,0018284
(0,19)
lnener_d /D1.
0,0326147
(7,44)
0,0279752
(4,23)
0,029499
(6,66)
0,0190647
(2,14)
0,0119045
(0,59)
L1.lnener_d
0,0072701
(0,56)
L2.lnener_d
-0,000659
(-0,07)
lninvl_d /D1.
0,0336438
(11,19)
-0,070866
(-3,67)
L1.lninvl_d
-0,0218362
(-2,01)
L2.lninvl_d
-0,0125387
-1,81)
ano
0,0304014
(6,16)
-0,022242
(-1,78)
0,0326408
(6,51)
_cons
-64,15935
(-6,49)
43,98233
(1,79)
-68,00644
(-6,77)
-,0700406
(-3,36)
Number of obs/gr. 28887 28887 27545 14901 8934
F / Sargan 2139,22 297,53 1860,32 86,95 2001,36
Prob > F/chi2 0,0000 0,0000 0,0000 0,0000 0,000
R-squared / AR1 0,3415 0,3272 0,3509 0,0000 0,000
Adj R-squared/AR2 0,3413 0,3507 0,0902 0,218
109

Tabela 9: Resultados das estimativas dos métodos MQO, FE, POLS. A&B e B&B
sobre o setor 20.
110
MQO Efeitos Fixos
MQO c/
Investimento
Arellano
& Bond
Blundell
& Bond
lnprod_d
Coef.
(t)
Coef.
(t)
Coef.
(t)
Coef.
(z)
Coef.
(z)
lnprod_d /LD. /L1.
0,0620527
(1,84)
-0,4069285
(-18,52)
lnprod_d.L2.
-0,1465808
(-9,84)
lntrab_d /D1.
0,8530895
(76,04)
0,846348
(28,66)
0,8534873
(75,31)
0,8502417
(17,27)
0,4892602
(7,57)
L1.lntrab_d/
0,4211319
(8,80)
L2.lntrab_d
0,2785007
(5,54)
lncap_d /D1.
0,3835434
(26,29)
0,4498288
(5,85)
0,3187281
(19,69)
0,4672906
(2,61)
-0,0484317
(-0,13)
L1.lncap_d
-0,1553502
(-1,31)
L2.lncap_d
0,1829835
(1,67)
lnidade /D1.
-0,02468
(-0,99)
0,5438568
(3,01)
-0,0068611
(-0,27)
0,2380891
(0,75)
-64,8348
21,76356)
L1.lnidade
92,06511
34,18233)
L2.lnidade
-30,88654
13,16895)
lnmat_d /D1.
0,0604257
(9,19)
0,0747486
(5,02)
0,0566732
(8,43)
0,0622246
(2,96)
-0,0850513
(-3,03)
L1.lnmat_d
-0,0398529
(-2,13)
L2.lnmat_d
-0,025008
(-1,64)
lncomb_d /D1.
0,0170571
(5,90)
0,0084719
(2,06)
0,0184386
(6,23)
0,0062918
(1,16)
-0,0024631
(0,0110245)
L1.lncomb_d
0,0082999
(0,0064669)
L2.lncomb_d
0,003696
(0,0048864)
lnener_d /D1.
0,0068172
(1,57)
0,0029162
(0,39)
0,0060133
(1,37)
0,0176277
(1,70)
-0,033322
(0,0156787)
L1.lnener_d
-0,01486
(0,0105628)
L2.lnener_d
-,0039725
(0,0072869)
lninvl_d /D1.
0,0276939
(8,95)
-0,0365565
(-2,88)
L1.lninvl_d
-,0085989
(-1,16)
L2.lninvl_d
-,0092905
(-1,88)
ano
0,0037948
(0,69)
-0,0831629
(-6,65)
0,0071182
(1,25)
_cons
-11,28721
(-1,02)
160,2621
(6,59)
-17,14985
(-1,51)
-0,1160152
(-4,78)
Number of obs / gr. 14118 14118 13114 7532 4140
F / Sargan 2301,69 413,39 2007,73 94,22 840,46
Prob > F/chi2 0,0000 0,0000 0,0000 0,0000 0,000
R-squared / AR1 0,5331 0,5063 0,5507 0,0000 0,021
Adj R-squared/AR2 0.5329 0,5504 0,0729 0,047

Tabela 10: Resultados das estimativas dos métodos MQO, FE, POLS. A&B e B&B
sobre o setor 36.
MQO Efeitos Fixos
MQO c/
Investimento
Arellano
& Bond
Blundell
& Bond
lnprod_d
Coef.
(t)
Coef.
(t)
Coef.
(t)
Coef.
(z)
Coef.
(z)
lnprod_d /LD. /L1.
0,1234261
(4,22)
-0,3723152
(-18,61)
lnprod_d.L2.
-0,1832824
(-12,37)
lntrab_d /D1.
0,8595081
(78,35)
0,8121563
(26,09)
0,860226
(77,77)
0,758862
(15,19)
0,2635448
(3,48)
L1.lntrab_d/
0,1693534
(4,00)
L2.lntrab_d
0,1652181
(3,40)
lncap_d /D1.
0,3939328
(33,11)
0,2944721
(5,67)
0,3149337
(23,31)
0,3373555
(3,38)
0,7121028
(2,49)
L1.lncap_d
0,0353754
(0,33)
L2.lncap_d
-0,0468348
(-0,49)
Lnidade /D1.
0,082902
(3,65)
0,2448116
(1,56)
0,1211534
(5,24)
0,1114553
(0,38)
-124,1729
(-2,99)
L1.Lnidade
179,8858
(2,77)
L2.lnidade
-61,83259
(-2,53)
lnmat_d /D1.
0,0223047
(3,72)
0,07522
(4,45)
0,0151115
(2,50)
0,0369807
(1,86)
-0,0854563
(-2,17)
L1.lnmat_d
0,0173471
(0,91)
L2.lnmat_d
-0,002174
(-0,15)
lncomb_d /D1.
-0,0019784
(-0,62)
-0,0001695
(-0,04)
-0,0010459
(-0,32)
-0,0031382
(-0,53)
0,0102754
(0,77)
L1.lncomb_d
0,0039007
(0,53)
L2.lncomb_d
0,0024599
(0,44)
lnener_d /D1.
0,0182555
(3,84)
0,0284352
(3,92)
0,0137594
(2,85)
0,0293665
(3,05)
0,0130704
(0,68)
L1.lnener_d
0,0060818
(0,55)
L2.lnener_d
0,0143989
(1,86)
lninvl_d /D1.
0,0374578
(12,89)
-0,025434
(-1,95)
L1.lninvl_d
-0,0094964
(-1,18)
L2.lninvl_d
0,0023509
(0,47)
ano
-0,0210988
(-4,38)
-0,0724964
(-6,47)
-0,0145475
(-2,95)
_cons
38,69327
(4,02)
142,225
(6,52)
26,46228
(2,69)
-0,0985426
(-4,94)
Number of obs/gr. 18108 18108 16925 9976 5724
F / Sargan 2657,52 340,61 2341,74 54,01 1137,94
Prob > F/chi2 0,0000 0,0000 0,0000 0,0210 0,000
R-squared / AR1 0,5068 0,4972 0,5255 0,0000 0,000
Adj R-squared/AR2 0,5067 0,5253 0,0175 0,960
111

Tabela 11: Resultados das estimativas dos métodos MQO, FE, POLS. A&B e B&B
sobre o setor 30.
MQO Efeitos Fixos
MQO c/
Investimento
Arellano
& Bond
Blundell
& Bond
lnprod_d
Coef.
(t)
Coef.
(t)
Coef.
(t)
Coef.
(z)
Coef.
(z)
lnprod_d /LD. /L1.
-0,0025796
(-0,06)
0,0043781
(0,10)
lnprod_d.L2.
-0,0617965
(-1,40)
lntrab_d /D1.
0,6273108
(18,55)
0,5519153
(5,18)
0,7060308
(21,29)
0,5627212
(4,82)
0,3169205
(7,55)
L1.lntrab_d/
-0,0387333
(-0,56)
L2.lntrab_d
-0,1469352
(-3,43)
lncap_d /D1.
0,3095659
(6,46)
-0,8498015
(-0,98)
0,2433409
(5,11)
01,051018
(1,39)
2,536474
(3,81)
L1.lncap_d
-3,386068
(-4,22)
L2.lncap_d
2,188654
(3,35)
lnidade /D1.
-0,1291171
(-1,05)
-0,7508428
(-0,78)
-0,096378
(-0,86)
-2,163995
(-1,86)
31,0095
(0,48)
L1.lnidade
-61,03531
(-0,63)
L2.lnidade
27,81077
(0,79)
lnmat_d /D1.
0,1718054
(8,38)
0,2141399
(4,03)
0,1225588
(6,08)
0,2030399
(4,83)
0,1462337
(4,95)
L1.lnmat_d
0,0621499
(2,70)
L2.lnmat_d
0,0462188
(2,17)
lncomb_d /D1.
-0,0378871
(-1,91)
-0,0250292
(-0,83)
-0,0446064
(-2,46)
-0,0130982
(-0,85)
0,0691511
(3,02)
L1.lncomb_d
-0,0173395
(-1,30)
L2.lncomb_d
0,0155032
(1,10)
lnener_d /D1.
,0264126
(1,77
,0421055
(1,99
,0288778
(2,07
,0314703
(2,70
,0079482
(0,46)
L1.lnener_d
-,0407527
(-2,78)
L2.lnener_d
-,00848
(-0,47)
lninvl_d /D1.
,0259988
(2,09)
,0195629
(1,44)
L1.lninvl_d
,0523711
(2,88)
L2.lninvl_d
,0031886
(0,27)
ano
-0,0389412
(-1,63)
-0,0358788
(-0,55)
-0,0435658
(-2,00)
_cons
77,29974
(1,61)
91,86093
(0,73)
87,02767
(1,99)
-0,1074177
(-1,33)
Number of obs / gr. 841 841 760 439 228
F / Sargan 182,63 21,97 199,19 35,28 234,83
Prob > F/chi2 0,0000 0,0000 0,0000 0,4550 0,012
R-squared / AR1 0,6055 0,1873 0,6797 0,0767 0,025
Adj R-squared/AR2 0,6022 0,6763 0,1627 0,914
112

Tabela 12: Resultados das estimativas dos métodos MQO, FE, POLS. A&B e B&B
sobre o setor 32.
MQO Efeitos Fixos
MQO c/
Investimento
Arellano
& Bond
Blundell
& Bond
lnprod_d
Coef.
(t)
Coef.
(t)
Coef.
(t)
Coef.
(z)
Coef.
(z)
lnprod_d /LD. /L1.
-0,0314676
(-0,790)
-0,4840182
(-163,11)
lnprod_d.L2.
-0,0829849
(-30,38)
lntrab_d /D1.
0,6443189
(34,62)
0,5330371
(6,71)
0,6595958
(35,71)
0,6944731
(9,69)
0,7483522
(46,70)
L1.lntrab_d/
0,2601681
(20,42)
L2.lntrab_d
0,1039131
(12,31)
lncap_d /D1.
0,4069716
(18,79)
0,1672972
(0,66)
0,3696935
(15,47)
0,3885478
(2,28)
0,3621458
(6,84)
L1.lncap_d
0,0475771
(1,93)
L2.lncap_d
-0,3954107
(-14,52)
lnidade /D1.
-0,0643615
(-1,21)
0,0291983
(0,06)
-0,0225478
(-0,43)
0,1107478
(0,370)
0,4704287
(0,51)
L1.lnidade
-9,363667
(-5,23)
L2.lnidade
6,523621
(6,00)
lnmat_d /D1.
0,0667687
(6,29)
0,1488587
(4,05)
0,050582
(4,75)
0,0845201
(2,49)
0,0965725
(13,47)
L1.lnmat_d
0,0742164
(13,28)
L2.lnmat_d
0,0043461
(2,33)
lncomb_d /D1.
-0,0087353
(-1,13)
0,0078543
(0,80)
-0,0097177
(-1,26)
0,0096245
(1,00)
-0,0245697
(-7,91)
L1.lncomb_d
-0,0053877
(-3,52)
L2.lncomb_d
-0,0080017
(-6,42)
lnener_d /D1.
0,0171074
(2,21)
0,0231613
(1,36)
0,0115355
(1,48)
0,0208627
(2,01)
-0,0333212
(-10,10)
L1.lnener_d
0,0140767
(6,36)
L2.lnener_d
-0,0081525
(-3,94)
lninvl_d /D1.
0,0325017
(4,91)
-0,0160686
(-9,94)
L1.lninvl_d
0,0010688
(0,650)
L2.lninvl_d
0,0054842
(3,93)
ano
-0,0270262
(-2,40)
-0,0640899
(-1,86)
-0,0267399
(-2,38)
_cons
53,17978
(2,35)
130,9776
(1,99)
52,89401
(2,35)
-0,119671
(-4,30)
Number of obs / gr. 2738 2738 2529 1507 790
F / Sargan 720,56 33,31 659,14 40,21 387,01
Prob > F/chi2 0,0000 0,0000 0,0000 0,2504 0,000
R-squared / AR1 0,6488 0,6276 0,6766 0,0066 0,063
Adj R-squared/AR2 0,6479 0,6756 0,4527 0,999
113

Tabela 13: Resultados das estimativas dos métodos MQO, FE, POLS. A&B e B&B
sobre o setor 34.
MQO Efeitos Fixos
MQO c/
Investimento
Arellano
& Bond
Blundell
& Bond
lnprod_d
Coef.
(t)
Coef.
(t)
Coef.
(t)
Coef.
(z)
Coef.
(z)
lnprod_d /LD. /L1.
0,0818742
(1,35)
-0,4279977
(-35,83)
lnprod_d.L2.
-0,1734227
(-20,31)
lntrab_d /D1.
0,612862
(54,56)
0,5976101
(11,42)
0,6254061
(54,85)
0,6636299
(10,44)
0,2470718
(8,00)
L1.lntrab_d/
0,2648426
(8,76
L2.lntrab_d
0,0899282
(7,34
lncap_d /D1.
0,3988274
(31,57)
0,2985442
(4,11)
0,3352927
(23,84)
0,1785643
(1,72)
0,3739589
(2,26)
L1.lncap_d
-0,1421658
(-1,40)
L2.lncap_d
-0,0037031
(-0,04)
lnidade /D1.
0,0822268
(2,98)
0,3463537
(1,45)
0,0774816
(2,78)
-0,1556032
(-0,36)
0,4937502
(0,65)
L1.lnidade
-13,53814
-(4,51)
L2.lnidade
11,32499
(4,48)
lnmat_d /D1.
0,0092865
(2,11)
0,0397655
(4,36)
0,0069078
(1,52)
0,0284888
(3,04)
0,0029175
(0,31)
L1.lnmat_d
0,0089067
(1,36)
L2.lnmat_d
0,0071594
(1,54)
lncomb_d /D1.
0,0057639
(1,86)
0,0010433
(0,28)
0,0049877
(1,58)
-0,005018
-(0,98)
-0,0128407
(-2,09)
L1.lncomb_d
-0,0033861
(-1,02)
L2.lncomb_d
0,0013537
(0,50)
lnener_d /D1.
0,0384683
(7,54)
0,0417588
(4,91)
0,0325946
(6,31
0,0430913
(4,40
0,0432038
(4,35)
L1.lnener_d
0,0298869
(4,69)
L2.lnener_d
0,0085963
(1,72)
lninvl_d /D1.
0,0337538
(9,93
-0,0515605
(-6,67)
L1.lninvl_d
-0,0305019
(-5,85)
L2.lninvl_d
-0,0096465
(-3,07)
ano
-0,0178231
(-3,16)
-0,0543919
(-4,23)
-0,013658
-(2,39)
_cons
35,148
(3,11)
108,8555
(4,35)
27,44974
(2,40)
-0,0494331
(-2,07)
Number of obs / gr. 8219 8219 7601 4938 2811
F / Sargan 2327,95 51,34 2065, 40 67,96 1036,29
Prob > F/chi2 0,0000 0,0000 0,0000 0,0007 0,000
R-squared / AR1 0,6649 0,6562 0,6852 0,0000 0,092
Adj R-squared/AR2 0,6647 0,6848 0,4289 0,308
114

Tabela 14: Resultados das estimativas dos métodos MQO, FE, POLS. A&B e B&B
sobre o setor 35.
MQO Efeitos Fixos
MQO c/
Investimento
Arellano
& Bond
Blundell
& Bond
lnprod_d
Coef.
(t)
Coef.
(t)
Coef.
(t)
Coef.
(z)
Coef.
(z)
lnprod_d /LD. /L1.
-0,0222933
(-0,49)
-0,3721589
(-366,15)
lnprod_d.L2.
-0,3175534
(-330,39)
lntrab_d /D1.
0,773059
(39,00)
0,6993762
(10,33)
0,7518562
(38,10)
0,6729963
(10,05)
0,6592251
(150,48)
L1.lntrab_d/
0,2503191
(53,18)
L2.lntrab_d
-0,0205487
(-9,34)
lncap_d /D1.
0,2380727
(10,29)
0,302356
(1,70)
0,188043
(7,67)
0,8569633
(2,39)
1,175084
(39,28)
L1.lncap_d
0,3042336
(6,95)
L2.lncap_d
0,0379319
(1,12)
lnidade /D1.
0,017497
(0,27)
-0,9528713
(-1,77)
0,0103601
(0,16)
-0,0519267
(-0,08)
-1,22644
(-0,26)
L1.lnidade
-13,30749
(-1,78)
L2.lnidade
12,1476
(4,15)
lnmat_d /D1.
0,0435657
(4,38)
0,0695414
(3,49)
0,0362006
(3,66)
0,0253685
(1,55)
0,0101745
(10,56)
L1.lnmat_d
-0,017738
(-21,93)
L2.lnmat_d
0,0093963
(17,69)
lncomb_d /D1.
0,018438
(2,25)
0,0225427
(1,62)
0,0158467
(1,92)
0,0160005
(1,35)
0,0052283
(7,05)
L1.lncomb_d
-0,0026867
(-3,00)
L2.lncomb_d
-0,02303
(-33,04)
lnener_d /D1.
0,0022442
(0,23)
-0,0008303
(-0,05)
-0,009972
(-1,01)
0,0178511
(1,34)
0,028287
(19,47)
L1.lnener_d
0,0042481
(3,83)
L2.lnener_d
0,0500445
(51,65)
lninvl_d /D1.
0,051206
(6,57)
-0,0512827
(-43,78)
L1.lninvl_d
-0,0331693
(-58,98)
L2.lninvl_d
-0,0026096
(-4,80)
ano
-0,0184988
(-1,33)
-0,0252366
(-0,71)
-0,0244791
(-1,75)
_cons
36,81611
(1,32)
52,66328
(0,78)
49,71215
(1,77)
-0,1405648
(-3,04)
Number of obs / gr. 2131 2131 1984 1141 634
F / Sargan 483,83 42,07 437,97 39,72 489,40
Prob > F/chi2 0,0000 0,0000 0,0000 0,2678 0,000
R-squared / AR1 0,6147 0,0055 0,6395 0,0020 0,048
Adj R-squared/AR2 0,6134 0,6381 0,4913 0,570
115

Tabela 13: Resultados das estimativas de O&P e L&P para o setor 17.
lnprod_d
lntrab_d
lncap_d
lnidade
lnmat_d
lncomb_d
lnener_d
lninvl_d
ano
OP
Coef.
(z)
0,8017113
(18,51)
0,273406
(1,52)
0,1382418
(0,27)
0,0266917
(3,61)
-0,000909
(-0,19)
0,0133822
(1,76)
0,011002
(1,22)
LP
(MP)
Coef.
(z)
0,7543489
(16,82)
0,5601801
(3,68)
0,0562701
(1,17)
-0,0021868
(-0,49)
0,0124927
(1,42)
0,0299215
(5,67)
LP
(Comb)
Coef.
(z)
0,8093539
(19,50)
0,4641438
(2,73)
0,0254228
(0,51)
0,0248368
(2,69)
0,0123208
(1,62)
0,0336226
(6,13)
LP
(Ener)
Coef.
(z)
0,8057762
(19,28)
0,2687133
(1,69)
0,0293112
(0,53)
0,0229948
(2,36)
-0,0009711
(-0,21)
0,0328838
(6,34)
LP
(Inv)
Coef.
(z)
0,8085858
(18,22)
0,7334953
(2,97)
0,0263368
(0,55)
0,0244503
(2,40)
-0,0027487
(-0,62)
0,0118188
(1,52)
Number of obs 28698 10708 10708 10708 10708
Wald test 6,59 4,44 0,84 5,63
Prob > chi2 0,0102 0,0351 0,3593 0,0176
Tabela 14: Resultados das estimativas de O&P e L&P para o setor 18.
lnprod_d
lntrab_d
lncap_d
lnidade
lnmat_d
lncomb_d
lnener_d
lninvl_d
ano
OP
Coef.
(z)
0,8169083
(38,39)
0,3542146
(3,90)
-0,1209481
(-1,03)
-0,0321505
(-9,54)
-0,0012002
(-0,25)
0,0293241
(4,42)
0,0329164
(4,82)
LP
(MP)
Coef.
(z)
0,7948552
(34,69)
0,1502605
(1,19)
0,078381
(2,49)
-0,0010308
(-0,19)
0,0254054
(4,21)
0,0266215
(8,02)
LP
(Comb)
Coef.
(z)
0,8269472
(37,42)
0,1622017
(0,71)
0,0630122
(2,15)
-0,0363064
(-9,64)
0,0274727
(5,06)
0,0320227
(9,66)
LP
(Ener)
Coef.
(z)
0,8278773
(41,49)
0,291728
(3,27)
0,0578698
(1,81)
-0,0364814
(-9,79)
0,0004256
(0,09)
0,0314569
(9,12)
LP
(Inv)
Coef.
(z)
0,825505
(35,65)
0,8779395
(4,73)
0,0565994
(1,67)
-0,0359628
(-9,60)
-0,0004486
(-0,10)
0,0266338
(5,21)
Number of obs 58053 27545 27545 27545 27545
Wald test 0,11 3,45 15,53 0,34
Prob > chi2 0,7399 0,0633 0,0001 0,5583
116

Tabela 15: Resultados das estimativas de O&P e L&P para o setor 20.
lnprod_d
lntrab_d
lncap_d
lnidade
lnmat_d
lncomb_d
lnener_d
lninvl_d
ano
OP
Coef.
(z)
0,8546697
(31,02)
0,1837999
(0,65)
-0,0895433
(-0,40)
0,0544129
(4,44)
0,0178374
(4,75)
0,0058264
(1,11)
0,0087643
(1,30)
LP
(MP)
Coef.
(z)
0,8468913
(31,83)
0,3287722
(7,54)
0,0033087
(0,09)
0,0190717
(5,52)
0,0053934
(0,96)
0,0245334
(6,84)
LP
(Comb)
Coef.
(z)
0,8584783
(35,06)
0,6363474
(2,94)
-0,0143631
(-0,40)
0,0529605
(4,86)
0,008683
(1,86)
0,0265836
(7,94)
LP
(Ener)
Coef.
(z)
0,8599954
(32,28)
-0,0088747
(-0,26)
0,026148
(7,39)
0,0534585
(4,82)
0,0184253
(5,15)
0,5040461
(3,23)
LP
(Inv)
Coef.
(z)
0,8598691
(32,94)
0,9088073
(6,73)
-0,0081718
(-0,22)
0,0537334
(4,90)
0,0181693
(5,42)
0,0055062
(1,06)
Number of obs 30252 13114 13114 13114 13114
Wald test 15,26 6,58 8,20 35,63
Prob > chi2 0,0001 0,0103 0,0042 0,0000
Tabela 18: Resultados das estimativas de O&P e L&P para o setor 36.
OP
LP
(MP)
LP
(Comb)
LP
(Ener)
LP
(Inv)
lnprod_d
Coef.
(z)
Coef.
(z)
Coef.
(z)
Coef.
(z)
Coef.
(z)
lntrab_d 0,8588005 0,8427201 0,8634763 0,8620772 0,8600354
(31,30) (32,86) (34,18) (34,53) (32,99)
lncap_d 0,7929033 0,4993042 0,4087635 0,2877593 0,8495797
(3,86) (2,98) (4,18) (3,17) (14,42)
lnidade -0,2656087 0,1442088 0,1297952 0,1237516 0,1211145
(-0,30) (4,25) (4,48) (3,91) (4,11)
lnmat_d 0,0141267
0,0150566 0,014959 0,0153664
(1,83)
(1,73) (1,72) (1,72)
lncomb_d -0,0006583 -0,0005083
-0,0000273 -0,0002698
(-0,19) (-0,13)
(-0,01) (-0,08)
lnener_d 0,0137028 0,0160744 0,0149808
0,0151312
(2,19) (2,70) (2,30)
(2,21)
lninvl_d
0,0351495 0,0378263 0,0365096
(9,65) (11,28) (10,28)
ano -0,0134089
(-2,24)
Number of obs 38776 16925 16925 16925 16925
Wald test 9,61 22,90 11,32 169,52
Prob > chi2 0,0019 0,0000 0,0008 0,0000
117

Tabela 17: Resultados das estimativas de O&P e L&P para o setor 30.
OP
LP
(MP)
LP
(Comb)
LP
(Ener)
LP
(Inv)
lnprod_d
Coef.
(z)
Coef.
(z)
Coef.
(z)
Coef.
(z)
Coef.
(z)
lntrab_d 0,7044285 0,6965177 0,7014076 0,7073938 0,7038081
(9,56) (7,58) (7,82) (7,76) (8,07)
lncap_d 0,1303371 1,13021 0,3486892 0,2846458 0,4672497
(0,33) (2,91) (1,76) (1,02) (2,03)
lnidade -0,8625482 -0,0716906 -0,1043468 -0,1163587 -0,0995793
(-0,39) (-0,54) (-0,72) (-0,93) (-0,76)
lnmat_d 0,1281284
0,1210531 0,1196016 0,1230284
(3,77)
(3,42) (3,53) (3,36)
lncomb_d -0,0498235 -0,0497383
-0,03948 -0,0430897
(-1,92) (-1,57)
(-1,46) (-1,37)
lnener_d 0,0250899 0,0294476 0,0324212
0,0306254
(1,82) (2,00) (1,91)
(1,78)
lninvl_d
0,0252041 0,0290333 0,0276975
(1,79) (2,09) (1,97)
ano -0,0446541
(-1,88)
Number of obs 2794 760 760 760 760
Wald test 3,02 0,32 0,00 0,53
Prob > chi2 0,0823 0,5735 0,9558 0,4672
Tabela 18: Resultados das estimativas de O&P e L&P para o setor 32.
OP
LP
(MP)
LP
(Comb)
LP
(Ener)
LP
(Inv)
lnprod_d
Coef.
(z)
Coef.
(z)
Coef.
(z)
Coef.
(z)
Coef.
(z)
lntrab_d 0,6519505 0,6279866 0,6542702 0,6544805 0,6470688
(10,64) (10,08) (10,24) (10,85) (9,66)
lncap_d 0,4926586 0,4443456 0,4736089 0,3876728 0,5440483
(3,26) (3,68) (3,79) (3,07) (4,78)
lnidade 0,0445031 0,0335986 -0,0302935 -0,0200249 -0,0201271
(0,08) (0,49) (-0,44) (-0,29) (-0,27)
lnmat_d 0,0590666
0,0532313 0,0531569 0,0561489
(3,88)
(3,10) (2,84) (2,86)
lncomb_d -0,0121272 -0,0143434
-0,0107081 -0,0115009
(-1,66) (-2,15)
(-1,54) (-1,61)
lnener_d 0,0118253 0,010416 0,016427
0,0145035
(1,07) (1,26) (1,85)
(1,58)
lninvl_d
0,0319734 0,034562 0,034108
(3,74) (3,67) (3,42)
ano -0,0258493
(-1,44)
Number of obs 7170 2529 2529 2529 2529
Wald test 0,85 2,48 0,46 4,14
Prob > chi2 0,3572 0,1155 0,4995 0,0419
118

Tabela 19: Resultados das estimativas de O&P e L&P para o setor 34.
OP
LP
(MP)
LP
(Comb)
LP
(Ener)
LP
(Inv)
lnprod_d
Coef.
(z)
Coef.
(z)
Coef.
(z)
Coef.
(z)
Coef.
(z)
lntrab_d 0,6251791 0,5775378 0,6295846 0,627969 0,6254069
(9,79) (10,47) (11,72) (10,80) (10,97)
lncap_d 0,6330275 0,1790427 0,3300642 0,3599543 0,7715154
(2,64) (0,92) (2,53) (4,89) (3,98)
lnidade -1,420274 0,0845203 0,0764421 0,0737264 0,074299
(-1,04) (2,08) (1,72) (1,70) (1,66)
lnmat_d 0,0047803
0,0060335 0,0037049 0,0041951
(0,59)
(0,88) (0,55) (0,57)
lncomb_d 0,0064814 0,0039603
0,0053632 0,0057406
(1,78) (1,11)
(1,73) (1,67)
lnener_d 0,0320004 0,0311806 0,0311883
0,0325842
(3,71) (3,89) (4,05)
(4,41)
lninvl_d
0,0292529 0,0333076 0,0324242
(7,02) (8,05) (7,73)
ano -0,0141363
(-2,10)
Number of obs 18149 7601 7601 7601 7601
Wald test 0,21 0,63 1,73 5,67
Prob > chi2 0,6473 0,4264 0,1882 0,0173
Tabela 20: Resultados das estimativas de O&P e L&P para o setor 35.
OP
LP
(MP)
LP
(Comb)
LP
(Ener)
LP
(Inv)
lnprod_d
Coef.
(z)
Coef.
(z)
Coef.
(z)
Coef.
(z)
Coef.
(z)
lntrab_d 0,7329437 0,7167936 0,7417009 0,7261366 0,7305407
(10,09) (10,34) (10,67) (9,64) (9,94)
lncap_d 0,2421695 0,4209816 0,174201 0,0288903 0,0120263
(0,70) (2,48) (1,03) (0,10) (0,15)
lnidade -0,0640752 0,0068626 0,0167641 -0,0046011 -0,0083307
(-0,05) (0,09) (0,22) (-0,06) (-0,82)
lnmat_d 0,0352199
0,035008 0,0355951 0,0358053
(3,19)
(3,04) (2,98) (3,14)
lncomb_d 0,0135866 0,0097761
0,008935 0,012716
(1,29) (1,08)
(1,03) (1,33)
lnener_d -0,010895 -0,0111342 -0,005969
0,6639079
(-1,00) (-1,07) (-0,66)
(2,77)
lninvl_d
0,0413502 0,0502862 0,0465051
(3,86) (5,07) (4,85)
ano -0,0278976
(-1,92)
Number of obs 6597 1984 1984 1984 1984
Wald test 1,07 0,00 0,31 3,42
Prob > chi2 0,3020 0,9500 0,5761 0,0643
119

ANEXO A
120

Tabela 1: Classificação por Intensidade Tecnológica - Variáveis PIA-Empresa 2003
121