Política industrial e desenvolvimento regional: uma análise sobre o Programa Nova Indústria Brasil (NIB)

Industrial policy and regional development: an analysis of the New Industry Brazil (NIB) Program

Resumo

Este estudo utiliza técnicas de data science para avaliar os efeitos potenciais do Programa Nova Indústria Brasil (NIB) em uma perspectiva regional, ao classificar as atividades produtivas com base nos ganhos de oportunidade. A análise compara a eficácia das missões propostas pela NIB, para dados de 2021, com um cenário alternativo baseado na intensidade tecnológica. Os resultados mostram que missões voltadas para atividades com maior intensidade tecnológica (missões 4 e 5) exibem maiores ganhos médios de oportunidade, tendo potencial para gerar maior diversificação produtiva. Em contrapartida, missões focadas em atividades de menor intensidade tecnológica (missões 1, 3 e 6) mostram impactos regionais mais limitados. Os testes estatísticos de Lilliefors, Levene, Anova e Kruskal-Wallis confirmam essas diferenças. Assim, o estudo sugere que uma política industrial mais orientada para os ganhos de oportunidade, voltada para setores de alta intensidade tecnológica, pode impulsionar o desenvolvimento regional e fortalecer a competitividade econômica.

Palavras-chave:
Nova Indústria Brasil; missões; ganhos de oportunidade; desenvolvimento regional; política industrial

Abstract

This study employs data science techniques to assess the potential effects of the Nova Indústria Brazil (NIB) Program from a regional perspective by classifying productive activities based on Opportunity Gains. The analysis compares the effectiveness of the missions proposed by the NIB, using 2021 data, with an alternative scenario based on technological intensity. The findings reveal that missions targeting activities with higher technological intensity (Missions 4 and 5) exhibit higher average opportunity gains, with the potential to generate greater diversification productive. In contrast, missions focused on activities with lower technological intensity (Missions 1, 3, and 6) show more limited regional impacts. The Lilliefors, Levene, Anova, and Kruskal-Wallis statistical tests confirm these differences. Thus, the study suggests that an industrial policy more oriented toward Opportunity gains, focusing on high-tech sectors, can drive regional development and strengthen economic competitiveness.

Keywords:
Nova Indústria Brasil; Missions; Opportunity Gains; Regional Development; Industrial Policy

1 Introdução

Nos últimos anos, a ascensão da chamada Indústria 4.0 introduziu novos desafios e oportunidades para o setor manufatureiro. Tecnologias como inteligência artificial, Big Data e sistemas ciber-físicos vêm redefinindo a estrutura produtiva global, tornando a inovação ainda mais decisiva para a competitividade econômica (Hermann; Pentek; Otto, 2015). Paralelamente a essas transformações, muitos países enfrentaram processos de desindustrialização precoce, incluindo o Brasil. Os efeitos negativos gerados pela perda de participação da indústria na economia e a necessidade de políticas capazes de reverter esse processo têm sido amplamente debatidos (Sampaio, 2015; Araujo; Feijó, 2024; Pereira; Cario, 2019; 2025).

Diante desse cenário, o Brasil lançou o Programa Nova Indústria Brasil (NIB), que busca revitalizar a indústria nacional com base em missões estratégicas voltadas para a inovação, sustentabilidade e competitividade (NIB, 2023). Entre outros aspectos, a eficácia dessa política depende da capacidade de selecionar de forma criteriosa as atividades a serem incentivadas, garantindo que os subsídios sejam direcionados para os setores com maior potencial para impulsionar o desenvolvimento econômico regional e nacional.

Uma abordagem promissora para essa definição de prioridades é o conceito de ganho de oportunidade. Esse indicador considera que cada produto contribui de maneiras distintas para o desenvolvimento econômico, ao integrar novos conhecimentos produtivos e reduzir a distância para outros produtos que compartilham capacidades produtivas semelhantes. Ele identifica os ganhos potenciais que podem ser obtidos, em termos de expansão da complexidade econômica, estimulando atividades específicas (Freitas et al., 2023). Aplicar essa métrica à NIB permite avaliar se as missões propostas estão, de fato, direcionando os incentivos para setores com maior capacidade em promover a sofisticação produtiva e o desenvolvimento regional.

Este artigo investiga os efeitos potenciais da NIB a partir dessa perspectiva, analisando os ganhos de oportunidade gerados pela Política Industrial (PI) com base em uma classificação própria que utiliza técnicas de data science para agrupar as atividades segundo as missões. Para isso, propõe um procedimento metodológico que possibilita a simulação dos resultados de PIs ao identificar os efeitos sobre o nível de complexidade econômica a partir da priorização de atividades produtivas distintas.

Os resultados são comparados a um cenário alternativo no qual as missões são adotadas para os setores discriminados por intensidade tecnológica. Para tanto, adota-se uma abordagem metodológica não paramétrica, os testes de Lilliefors, Anova, Levene e Kruskal-Wallis que são utilizados para analisar os ganhos de oportunidade gerados pela PI, a partir de uma classificação que agrupa as atividades de acordo com as missões propostas pela NIB. Os ganhos de oportunidades gerados pela NIB são então comparados com os que seriam observados caso as missões fossem equivalentes à classificação das atividades por intensidade tecnológica, para dados tabulados para o ano de 2021.

Assim, a principal inovação deste estudo está na aplicação da análise dos ganhos de oportunidade como critério quantitativo para avaliar a coerência da NIB em relação aos desafios do desenvolvimento produtivo regional. Diferentemente de abordagens tradicionais que segmentam atividades apenas por intensidade tecnológica, este artigo propõe um método alternativo para classificar as missões da PI, permitindo uma comparação mais precisa entre diferentes critérios de alocação dos subsídios. Além disso, realiza uma discussão sobre o desempenho industrial brasileiro e incorpora testes estatísticos robustos para validar os resultados da NIB, oferecendo um diagnóstico mais objetivo sobre sua eficácia em termos de diversificação produtiva e desenvolvimento econômico regional.

Além desta introdução, o estudo se encontra estruturado em mais quatro seções. A Seção 2, a seguir, apresenta o referencial teórico utilizado. Na sequência, a Seção 3 formaliza o procedimento metodológico. Posteriormente, a Seção 4 apresenta os resultados obtidos. Finalmente, a Seção 5 realiza algumas considerações finais.

2 Referencial teórico

2.1 Desenvolvimento econômico e política industrial: breve revisão da literatura

A preocupação com o desenvolvimento econômico sempre colocou a industrialização como uma etapa importante, para atingir os objetivos de melhorias econômica e social de uma nação (Pessoti; Pessoti, 2009). As teorias do desenvolvimento e suas correntes interpretativas sobre as razões do atraso econômico são uma mostra da importância da indústria para o processo de mudança estrutural positiva (Meier; Seers, 1984; Nassif 2023).

Os autores vinculados ao estruturalismo anglo-saxão apontaram as deficiências produtivas e elencaram medidas para superar o atraso e promover escalas mínimas de capital, nível de produção, padrão de investimento, entre outras medidas. Figuram nesse quadro, os autores Paul Rosenstein-Rodan, Ragnar Nurkse, Arthur Lewis, Albert Hirschman e Gunnar Myrdal (Agarwala; Singh, 2010).

Nessa abordagem analítica destaca-se a proposição do Big Push como esforço coordenado para superar os obstáculos econômicos associados às descontinuidades da demanda (Rosenstein-Rodan, 1943), o círculo vicioso da pobreza (Nurkse, 1953) e a transição do setor arcaico para o moderno via oferta de mão de obra (Lewis, 1954). Destaca-se também Hirschman (1958) que defende a identificação das atividades industriais chaves a serem estimuladas e os trabalhos de Myrdal (1956 e 1957) em favor dos efeitos de causação circular cumulativa, provocados pela indústria, integrando setores e articulando demanda, investimento e produção entre as regiões (Meier; Seers, 1984; Toner, 1999; Pereira, 2021).

Os estruturalistas latino-americanos apontaram os problemas relacionados às descontinuidades na estrutura produtiva, baixo índice de capital por trabalhador, especialização produtiva e deficiências na condução do desenvolvimento tecnológico. A solução para os problemas latino-americanos se encontra no estímulo à industrialização e na endogeneização do progresso técnico. Inserem-se nesse contexto, os autores Raul Presbich, Anibal Pinto, Celso Furtado, Fernando Fajnzylber e Osvaldo Sunkel (Bielschowsky, 1998; Rodriguez, 2009; Pereira, 2021).

Essa abordagem se estrutura na proposição analítica baseada na dicotomia Centro-Periferia (Presbich; Cabañas, 1949) para explicar que o desenvolvimento econômico não é uma etapa que todos os países pobres podem atingir, mas é fruto de uma estrutura moldada pelo próprio sistema econômico (Sunkel; Paz, 1970) que leva ao subdesenvolvimento da América Latina (Furtado, 1963). Nessas condições, a heterogeneidade estrutrual (Pinto, 1970) perpetua uma trajetória caracterizada pela limitada capacidade de endogenizar o progresso técnico (Fajnzylber, 1983).

Além disso, outros estudos colocaram a indústria como setor central do desenvolvimento e da diferenciação econômica, como, por exemplo, os de Kuznets (1957; 1973), que apontam as alterações setoriais dos fatores capazes de conduzir à elevação do investimento e da produtividade, levando a indústria a ser o principal setor gerador de renda nos países.

Adicionalmente, significativas contribuições no reconhecimento da indústria como fator de desenvolvimento econômico foram realizadas por Kaldor (1966, 1975) e Thirlwall (1983). As contribuições de Kaldor (1966, 1975) tornaram-se referência na literatura sobre crescimento liderado pela indústria e são usualmente sintetizadas em três leis: (i) existe uma relação positiva entre o crescimento da manufatura e o crescimento do produto agregado, de modo que setores industriais mais dinâmicos impulsionam o crescimento econômico; (ii) o crescimento da produção industrial está associado ao crescimento da produtividade na própria indústria, conforme a chamada Lei de Verdoorn; e (iii) ganhos de produtividade nos demais setores da economia dependem, em grande medida, do dinamismo industrial.

Proposições posteriores, desenvolvidas pela tradição pós-keynesiana, sobretudo por Thirlwall (1983), relacionam a redução na restrição externa ao papel estratégico da indústria. Essas extensões destacam que a maior elasticidade-renda das exportações industriais contribui para aliviar a restrição externa e sustentar taxas mais elevadas de crescimento, complementando o núcleo kaldoriano original (Thirlwall, 1979; Thirlwall; McCombie, 1994; Lamonica; Feijó, 2010).

Parte da literatura também dedica atenção à indústria como locus da inovação. No setor industrial ocorrem criação e difusão de processos inovativos, sendo, portanto, fonte irradiadora de mudanças técnicas não só para si, mas para outros segmentos produtivos (Dosi, 1988, Freeman; Soete, 1997, Lundvall; Johnson, 1994). O relacionamento intra e entre segmentos viabiliza mecanismos de aprendizado que potencializam processos inovativos (Malerba, 1992; Malerba; Orsenigo, 2000; Pavitt, 1984).

2.1.1 O processo de desindustrialização

Em paralelo a essa discussão sobre a importância da indústria, constata-se que, a partir dos anos de 1970 a estrutura industrial dos países desenvolvidos começou a apresentar uma nova dinâmica que se estendeu, posteriormente, para as economias em desenvolvimento. Isso gerou intenso debate visando conceituar o fenômeno, a origem e as causas desse processo denominado como desindustrialização. Rowthorn e Ramaswany (1999) enfatizaram a diminuição da participação do emprego industrial no emprego total de um determinado país; Palma (2005; 2009) ressaltam a queda em termos relativo e absoluto do emprego industrial, concomitante à absorção da mão de obra pelo setor de serviços; Tregenna (2009) observa não só a diminuição do emprego industrial em relação ao emprego total, mas também a queda do valor adicionado da indústria em relação ao emprego total e ao PIB.

A desaceleração do crescimento industrial e a erosão das funções tradicionalmente associadas ao setor levaram ao surgimento de variações conceituais para caracterizar esse fenômeno. A primeira distinção refere-se às formas de desindustrialização associadas ao estágio de desenvolvimento. A desindustrialização natural ocorre quando se observa a redução da participação da indústria decorrente de um processo estrutural típico de economias maduras, as quais mantêm elevados níveis de renda, produtividade, capacidades tecnológicas consolidadas e um mercado interno robusto. Em contraste, a desindustrialização precoce diz respeito a países em que a indústria perde relevância antes de ter cumprido suas funções básicas para o desenvolvimento (Oreiro; Feijó, 2010; Arend, 2014).

Uma segunda distinção, de natureza mais operacional, diz respeito às formas de manifestação da desindustrialização. A desindustrialização absoluta envolve a redução efetiva da base industrial, expressa pelo fechamento de unidades produtivas, queda do valor real da produção e diminuição do emprego industrial em termos absolutos (Sampaio, 2015). Já a desindustrialização relativa ocorre quando segmentos industriais perdem participação na estrutura produtiva sem necessariamente encolher em termos absolutos, evidenciando maior dependência de importações, perda de densidade produtiva e ampliação do gap tecnológico (Feijó; Carvalho; Almeida, 2005).

No Brasil, desde os anos de 1990 têm sido intenso os escritos sobre desindustrialização sendo referências os estudos de pesquisadores vinculados ao Instituto de Economia da Unicamp, da Fundação Getúlio Vargas de São Paulo, da Universidade Federal do Rio Grande do Sul, e do Instituto de Estudos de Política Econômica da Casa das Garças (Pereira; Cario, 2019). Recentemente, três obras vieram a público contendo vários artigos sobre a desindustrialização brasileira: Azevedo, Feijó e Coronel (2013), Araujo e Feijó (2024) e Velho (2024). Em tais obras são discutidas as razões da desindustrialização precoce, entre as quais o comportamento defensivo das empresas industriais, a supremacia da política macroeconômica sobre a PI, a política cambial desfavorável, a redução da participação do valor adicionado industrial, o declínio da taxa de produtividade, a diminuição do emprego industrial, a reespecialização produtiva primária e o distanciamento dos processos de catching up do padrão internacional de produção.

2.1.2 A política industrial baseada em missões

Nos anos 2000, a PI regressa ao debate político e econômico, tanto nos países desenvolvidos como naqueles em desenvolvimento. Nesse curso, retoma-se a defesa da PI por estabelecer um conjunto de incentivos e regulações associadas às ações públicas, que podem afetar a alocação inter e intraindustrial de recursos, influenciando a estrutura produtiva e patrimonial, a conduta e o desempenho dos agentes econômicos em um determinado espaço nacional.

O novo paradigma tecno-produtivo, intitulado por muitos como Indústria 4.0, demanda esforços de integração simbiótica de diversos setores. Nessa nova ordem técnica-produtiva em construção, a indústria assume posicionamento estratégico, pois vários produtos e processos inovativos passam por esse segmento (IEDI, 2017). Os produtos da Indústria 4.0 (Sistemas ciber-físicos (CPS), Big Data Analytics, Computação em nuvem, Internet das Coisas (IoT), Impressão 3D, Inteligência artificial) estão criando um sistema industrial inteligente e reconfigurando a organização produtiva mundial (Hermann; Pentek; Otto, 2015). Nessa linha, pode-se citar a construção dos sistemas ciber-físicos nos ambientes industriais, permitindo que máquinas, sistemas de armazenagem e unidades de produção inteligentes compartilhem informações e desencadeiem ações e controles, cujos desdobramentos demandam uma postura mais ativa dos países voltada para a inserção nessas novas tecnologias (Pereira, 2016).

A formulação recente da Nova Indústria Brasil (NIB), embasada nas chamadas políticas orientadas por missões, se insere nesse arcabouço. Diferentemente das tradicionais PIs setoriais ou horizontais, as políticas baseadas em missões partem do pressuposto de que o Estado não atua apenas para corrigir falhas de mercado, mas também para direcionar e moldar a trajetória da inovação, estabelecendo grandes desafios socioeconômicos (missões) capazes de mobilizar capacidades produtivas, científicas e tecnológicas em direção a objetivos de interesse público. Essas missões funcionam como orientadores estratégicos que redefinem prioridades, coordenam esforços entre atores heterogêneos e reduzem a incerteza inerente ao investimento em áreas de fronteira tecnológica (Mazzucato, 2014, 2022).

Nesse sentido, a literatura destaca que políticas orientadas por missões exigem instrumentos mais complexos, interativos e articulados, capazes de lidar com falhas de coordenação, problemas sistêmicos e gargalos institucionais típicos de economias com estruturas produtivas incompletas ou tecnologicamente defasadas. Em vez de tratar setores isoladamente, a abordagem de missões estrutura portfólios integrados de instrumentos (financiamento público, compras governamentais, regulação pró-inovação, estímulos à demanda, políticas tecnológicas e ações de fortalecimento de capacidades), todos alinhados a metas mensuráveis e socialmente relevantes.

É nesse contexto que se insere a trajetória recente das PIs brasileiras. Embora o país tenha uma longa tradição de planejamento industrial,¹ a NIB representa uma inflexão ao adotar explicitamente a visão de missões como eixo estruturante, substituindo a lógica setorial clássica por uma perspectiva sistêmica orientada a grandes desafios nacionais (Brasil - MDIC, 2023). Assim, a PI brasileira passa a alinhar-se ao movimento global que reconhece que a reindustrialização e a expansão da capacidade inovativa dependem de missões capazes de articular atores, reduzir incertezas, gerar direcionamento estratégico e induzir transformações estruturais profundas, premissas essenciais para compreender a análise empírica empreendida nas seções seguintes.

A NIB está estruturada a partir de seis missões específicas. São elas: missão 1- cadeias agroindustriais sustentáveis e digitais (para segurança alimentar, nutricional e energética); missão 2- complexo econômico e industrial da saúde (resiliente para reduzir a vulnerabilidade do SUS e ampliar o acesso a saúde); missão 3- infraestrutura, saneamento, moradia e mobilidade sustentáveis (para a integração produtiva e o bem-estar nas cidades); missão 4- transformação digital da indústria (para ampliar a produtividade); missão 5- bioeconomia, descarbonização, e transição e segurança energéticas (para garantir os recursos às gerações futuras); e missão 6- tecnologias de interesse para a soberania e a defesa nacionais (para a soberania e defesa nacionais) (Brasil - MDIC, 2023).

A atual PI depara-se com desafios que devem ser considerados em sua execução. Entre eles estão: o novo paradigma produtivo de estruturas fluidas; a nova organização de diversos setores produtivos, com desdobramentos sobre a geografia da produção e da inovação; os protagonistas atuais, grandes corporações globais que formam redes em cadeias de valor que moldam complexas tramas de interações; o menor “enraizamento” das estruturas produtivas, com elevado grau de reversibilidade às decisões das empresas na localização dos elos das cadeias de valorização; a política macroeconômica, que deve convergir com os esforços de PI; e a necessidade de se induzirem mudanças persistentes no comportamento inovador das empresas (Roselino; Diegues, 2021).

A esses desafios se soma a necessidade de se desenvolver uma política macroeconômica - juros, câmbio, tributos - convergente com os esforços da PI; capaz de superar a resistência de muitos agentes que não são beneficiados pelo regime de incentivos. Além disso, deve estimular escolhas empresariais estratégicas consistentes com a inovação, a atualização tecnológica e a mudança estrutural, capazes e habilitadas a mitigar processos decisórios públicos truncados, com assimetria de poder, informação e capacidade técnica heterogênea (Suzigan et al., 2020).

2.2 Complexidade econômica e política industrial

O desenho da PI, embora baseado em missões, requer a priorização e direcionamento dos recursos escassos da sociedade. Escolha que pode encontrar ponto de embasamento teórico e empírico na literatura de complexidade econômica. Essa literatura argumenta que a capacidade produtiva de uma economia depende do conjunto de conhecimentos produtivos acumulado. Produtos diferentes exigem combinações distintas de conhecimentos, e regiões que acumulam bases complexas de conhecimento tendem a diversificar-se para atividades mais sofisticadas. As políticas produtivas devem estimular a fabricação de produtos capazes de inserir os países em novos agrupamentos de conhecimentos, aptos a gerar um vetor dinâmico caracterizado pela crescente diversificação produtiva (Hidalgo et al., 2007).

Esse arcabouço conceitual resultou na formulação do Índice de Complexidade Econômica (ICE) e do Índice de Complexidade do Produto (PCI), que medem, respectivamente, a complexidade das economias e dos produtos (Hidalgo; Hausmann, 2009; Hausmann et al., 2014). Para operacionalizá-los, parte-se da matriz de Vantagem Comparativa Revelada (VCR), $M_{cp}$, em que $M_{cp}=1$ se a região $c$ apresenta VCR no produto $p$ e $M_{cp}=\mathrm{0,}$ caso contrário. A partir dessa matriz definem-se dois conceitos centrais: diversidade, ou número de produtos com VCR produzidos por uma unidade territorial, e ubiquidade, ou número de regiões que produzem o mesmo produto. Formalmente:

$k_{c\mathrm{,0}}={\displaystyle \sum }_p{M}_{cp},$ (1)

$k_{p\mathrm{,0}}={\displaystyle \sum }_c{M}_{cp},$ (2)

sendo $k_{c\mathrm{,0}}$ a diversidade de uma região $c$, enquanto $k_{p\mathrm{,0}}$ expressa a ubiquidade do produto $p$.

A partir dessas métricas, aplica-se um método iterativo que relaciona diversidade e ubiquidade de maneira recursiva (Hidalgo; Hausmann, 2009):

$k_{c,n}=\frac{1}{k_{c\mathrm{,0}}}{\displaystyle \sum }_p{M}_{cp}{k}_{p,n-1},$ (3)

$k_{p,n}=\frac{1}{k_{p\mathrm{,0}}}{\displaystyle \sum }_c{M}_{cp}{k}_{c,n-1},$ (4)

A solução desse sistema converge para o ECI e o PCI. O ECI resulta da normalização do autovetor associado ao segundo maior autovalor da matriz de conexões regionais:

${\tilde{M}}_{c{c}^{\prime }}={\displaystyle \sum }_p\frac{M_{cp}{M}_{c^{\prime }p}}{k_{c\mathrm{,0}}{k}_{p\mathrm{,0}}},$ (5)

A forma final do ECI é dada por:

$EC{I}_c=\frac{K_c-\langle K\rangle }{\sigma \left(K\right)},$ (6)

em que $K_c$ é o valor do autovetor correspondente para a região $c$.

Hidalgo et al. (2007) propuseram duas métricas complementares. A primeira é a proximidade ($\phi$), ou distância, que mede a probabilidade de coocorrência de VCR entre dois produtos:

${\varphi }_{p{p}^{\prime }}=\min \left\{\frac{{{\displaystyle \sum }}_c{M}_{cp}{M}_{c{p}^{\prime }}}{{{\displaystyle \sum }}_c{M}_{cp}},\frac{{{\displaystyle \sum }}_c{M}_{cp}{M}_{c{p}^{\prime }}}{{{\displaystyle \sum }}_c{M}_{c{p}^{\prime }}}\right\}.$ (7)

Regiões tendem a diversificar a sua produção para produtos próximos, que exigem conhecimentos semelhantes (Neffke; Henning; Boschma, 2011). Assim, a proximidade identifica o grau de afastamento entre um produto específico e a estrutura produtiva atual de uma região, indicando a dificuldade que a região enfrentará para obter vantagem comparativa nesse produto. O conceito por trás dessa métrica é que cada produto demanda um conjunto específico de conhecimentos produtivos, que podem ou não estar presentes na fabricação de outros produtos já consolidados na região.

Quando um produto compartilha conhecimentos produtivos com aqueles para os quais a região já possui vantagem comparativa, sua produção será mais viável, pois parte dos conhecimentos já estão disponíveis. Assim, essa medida quantifica a quantidade de novos conhecimentos produtivos que uma região precisará adquirir para produzir e exportar um determinado bem com vantagem comparativa. Quanto maior for a distância, maior será o esforço necessário para desenvolver essa capacidade produtiva, tornando o processo mais longo ou desafiador (Freitas et al., 2023).

A segunda é o ganho de oportunidade, que associa a probabilidade de transição para novos produtos ao impacto em termos de expansão do ICE ao identificar quais produtos oferecem maior potencial de aumento no nível de complexidade, caso uma região passe a produzi-los:

$O{G}_{cp}={\displaystyle \sum }_{p^{\prime }}{\varphi }_{p{p}^{\prime }}\left(PC{I}_{p^{\prime }}-PC{I}_p\right).$ (8)

A premissa subjacente é que cada produto contribui de maneiras distintas para o desenvolvimento econômico, ao agregar novos conhecimentos produtivos e reduzir a distância para outros produtos que compartilham capacidades produtivas similares dentro da estrutura econômica regional. O cálculo desse índice leva em conta a diversidade de ocupações, indicando como uma nova atividade econômica, ao alcançar vantagem comparativa, pode contribuir para reduzir a distância em relação a outras atividades caracterizadas por uma ampla diversidade ocupacional.

Em contextos nacionais, essas métricas podem ser empregadas para orientar PIs e de inovação (Gala; Rocha; Magacho, 2018). Hausmann e Hidalgo (2014) argumentam que a acumulação de capacidades produtivas está intrinsecamente ligada à geração e difusão de conhecimento tecnológico. Assim, PIs que buscam fomentar atividades com maior sofisticação tecnológica tendem a ser mais consistentes quando articuladas com a estrutura produtiva existente e com as oportunidades de expansão identificadas pelos ganhos de oportunidade, que identificam as atividades que demandam conhecimentos mais próximos aos já possuídos em cada local.

No contexto da Nova Indústria Brasil (NIB), o ganho de oportunidade é um instrumental metodológico robusto, capaz de estimar oportunidades de diversificação compatíveis com a estrutura produtiva atual e de evidenciar diferentes arranjos de priorização setorial. Políticas industriais baseadas nas evidências oferecidas por essa métrica tendem a ser mais eficazes, visto que reduzem erros de seleção e alinham a ação estatal às capacidades instaladas e às rotas de aprendizado mais plausíveis (Gala; Rocha; Magacho, 2018).

Assim, a literatura indica que o ganho de oportunidade pode ser utilizado para orientar e simular os efeitos potenciais de PIs distintas. A seção a seguir formaliza o modo como essas métricas foram empregadas para identificar as contribuições potenciais da NIB ao desenvolvimento econômico local.

3 Aspectos metodológicos

Para verificar os efeitos potenciais da NIB sobre o crescimento econômico regional este estudo desenvolveu um procedimento metodológico próprio, discriminado em seis etapas (Figura 1). A primeira etapa consiste em classificar as atividade de acordo com as missões propostas pela NIB. Na segunda etapa se define o contrafactual utilizado para comparar os ganhos gerados pela PI, caso fossem adotados outros critérios de priorização para as atividades produtivas. Na terceira etapa são definidos os indicadores empregados para mensurar os efeitos potenciais de cada missão.

Figura 1
Procedimento metodológico

Na quarta etapa verificar-se a distribuição dos dados. Na quinta etapa elabora-se a análise descritiva e aplicam-se testes paramétricos (ou não paramétricos, a depender da distribuição dos dados), para se identificar os efeitos potenciais de cada missão em comparação com os contrafactuais. Por fim, na sexta etapa agrupam-se os dados de acordo com as regiões/municípios brasileiros e aplicam-se as etapas 4 e 5 novamente para identificar os ganhos potenciais por região.

De forma bem precisa, na primeira etapa as atividades são classificadas de acordo com as missões estabelecidas pela PI (Brasil, 2024), Quadro 1. A classificação das atividades é realizada a partir da leitura do documento oficial de lançamento da política (Brasil, 2024), com base na identificação dos setores que possuem maior aderência aos objetivos e diretrizes de cada missão.

Quadro 1
Classificação Nacional das Atividades Econômicas (CNAE) de acordo com as missões da PI

Missão	Atividade CNAE
Missão 0: Grupo de controle	Demais atividades
Missão 1: Cadeias agroindustriais	01, 03 e 10-15
Missão 2: Complexo econômico industrial da saúde	21, 26.6, 32.5, 86 e 87
Missão 3: Infraestrutura, saneamento, moradia e mobilidade	31, 36-39, 41-43, 49-52
Missão 4: Transformação digital da indústria	26 (exceto 26.6), 62 e 63.1
Missão 5: Bioeconomia, descarbonização e transição e segurança energética	02, 16, 17, 19.3, 27, 29 e 35
Missão 6: Tecnologias de interesse para a soberania e defesa nacionais	25.5, 28 e 30

• Fonte: Elaboração própria. Nota: CNAE 2.0 grupo

Como a abordagem teórica de missões, que embasa a construção da NIB, não pressupõe delineamento por setores, ela não apresenta uma listagem oficial das CNAEs associadas a cada missão. Assim, a categorização adotada é construída a partir da análise das prioridades setoriais mencionadas na política, bem como de referências complementares, incluindo documentos governamentais e planos setoriais. Dessa forma, a associação de cada CNAE a uma missão específica reflete a proximidade das atividades econômicas com os desafios e oportunidades estratégicas destacadas na PI, permitindo uma análise comparativa dos efeitos potenciais esperados no desenvolvimento econômico regional.

A metodologia adotada apresenta limitações inerentes ao processo de categorização das atividades econômicas. Primeiramente, como a PI está sujeita a revisões e ajustes ao longo do tempo, as atividades produtivas privilegiadas podem mudar conforme a implementação avança, incorporando novos setores estratégicos ou redefinindo prioridades. Além disso, a classificação baseia-se na interpretação dos objetivos da política, o que pode gerar variações na escolha dos setores a depender do critério utilizado. Outra limitação refere-se à transversalidade de algumas atividades, que podem estar relacionadas a mais de uma missão, o que dificulta uma categorização estritamente delimitada. Por fim, a análise comparativa com um grupo de controle composto pelas demais atividades produtivas pressupõe que o impacto da política será homogêneo dentro de cada missão, desconsiderando possíveis diferenças regionais e setoriais na efetividade das medidas adotadas.

Não obstante essas limitações, o procedimento empregado apresenta vantagens significativas para a análise dos efeitos potenciais da NIB. A construção de indicadores a partir dessa classificação permite avaliar, de forma sistemática, a inserção das atividades produtivas no escopo da PI, possibilitando comparações entre setores e regiões. Essa abordagem viabiliza a identificação do potencial da política para impulsionar o desenvolvimento econômico regional, ao criar condições favoráveis ao avanço de atividades relacionadas às atividades-alvo da política, com maior complexidade econômica. Além disso, a categorização facilita a mensuração dos efeitos diretos e indiretos da política, permitindo análises longitudinais que acompanhem sua evolução ao longo do tempo. Dessa forma, mesmo diante das limitações inerentes ao processo de classificação, a metodologia proposta oferece um instrumental analítico relevante, capaz de mensurar os ganhos potenciais associados a cada missão e de subsidiar a formulação e o monitoramento da PI.

Na segunda etapa são estabelecidas as estratégias de comparação e análise dos dados. Trata-se de uma etapa de suma relevância, uma vez que a escolha do contrafactual determina as possibilidades de comparação e o potencial da simulação em identificar os ganhos e restrições observados pela PI. Para este estudo as missões da NIB são comparadas com um grupo de controle, que reúne as atividades que não constam como alvo direto dessa política, e com a classificação por intensidade tecnológica desenvolvida pela Organização para a Cooperação e Desenvolvimento Econômico (OCDE) (Galindo-Rueda; Verger, 2016).

Na terceira etapa, as atividades produtivas são discriminadas de acordo com três métricas principais, desenvolvidas pela literatura de complexidade econômica: 1- O Índice de Complexidade Econômica; 2- A distância; e 3- O ganho de oportunidade. O ganho de oportunidade é utilizado para inferir o potencial dessa política em termos de desenvolvimento econômico regional. Após a preparação inicial, ainda na terceira etapa, os dados são agrupados por missão e intensidade tecnológica, sendo uma média aritmética utilizada para identificar o ganho de oportunidade ($G$) médio de cada missão, $m$, para a unidade territorial, $i$:

$G_{i,m}=\frac{{{\displaystyle \sum }}_{j=1}^k{G}_{ik,m}}{K},$ (9)

em que $k$ é o número de atividades que compõem a missão $m,$ e $G_{ik,m}$ é o ganho de oportunidade discriminado para a unidade territorial $i$ e a atividade $k$, para cada grupo de atividades que compõe a missão $m$. Subjacente a esse procedimento se encontra o pressuposto de que todas as atividades que compõem uma missão são beneficiadas na mesma magnitude pela PI, premissa necessária para se obterem indicadores capazes de mensurar os ganhos de oportunidade gerados em cada missão.

Em seguida, na quarta etapa, os testes de Lilliefors e de Levene são aplicados para verificar, respectivamente, se os dados exibem distribuição normal e variância constante. O teste de Lilliefors corresponde a uma versão corrigida do teste de Kolmogorov-Smirnov (KS) para parâmetros estimados a partir da amostra. Ele corrige os valores críticos do KS para levar em conta a incerteza introduzida pela estimação dos parâmetros, fornecendo p-valores válidos (Lilliefors, 1967). Para isso, dadas a amostra $X_1,\dots ,X_n$; a função de distribuição empírica $F_n\left(x\right)$; e a distribuição normal ajustada por estimação dos parâmetros amostrais, $F\left(x;\widehat{\mu },\widehat{\sigma }\right)$, a estatística de teste é formalizada como:

$D_n=\underset{x}{\sup }\mid F_n\left(x\right)-F\left(x;\widehat{\mu },\widehat{\sigma }\right)\mid ,$ (10)

com valores críticos obtidos da distribuição nula de Lilliefors.

Para a amostra $G_{i,m}$, o teste de Levene realiza uma análise de variância sobre a distribuição da variável $Z_{i,m}=\left|G_{i,m}-{\overline{G}}_i\right|$, sendo ${\overline{G}}_i$ a média aritmética de $G_{i,m}$ ao longo das unidades territoriais, utilizada para testar a hipótese nula de igualdade de variâncias entre os grupos (Levene, 1960):

$H_0:{\sigma }_1^2={\sigma }_2^2=\cdots ={\sigma }_k^2$ (11)

Posteriormente, na quinta etapa, testes estatisticos são aplicados para comparar o ganho potencial da PI, por missão e para os contrafactuais. O teste ANOVA verifica se as médias de diferentes grupos são estatisticamente iguais para o caso paramétrico. Ou seja, quando os testes KS e Levene indicam que os dados possuem distribuição normal e variância constante. Para $G_{im}$, a estatística F é definida como:

$F=\frac{S_B}{S_W},$ (12)

em que $S_B=\frac{{{\displaystyle \sum }}_{i=1}^n{n}_i{\left({\overline{G}}_i-\overline{G}\right)}^2}{n-1}$ é a variabilidade entre os grupos, e $S_W=\frac{{{\displaystyle \sum }}_{i=1}^n{{\displaystyle \sum }}_{m=1}^{n_i}{\left(G_i-\overline{G}\right)}^2}{N-k}$ é a variabilidade dentro dos grupos. Se o valor de $F$ for maior do que o valor crítico da distribuição $F$, rejeita-se H0, indicando que há diferenças significativas entre os grupos.

O teste de Kruskal-Wallis é uma alternativa não paramétrica ao teste ANOVA, aplicado quando os dados não possuem distribuição normal e/ou variância constante. Seja $R_{ij}$ o posto da observação $j$ no grupo $i$, a estatística de teste é dada por (Kruskal; Wallis, 1952):

$H=\frac{12}{N\left(N+1\right)}{\displaystyle \sum }_{i=1}^k\frac{R_i^2}{n_i}-3\left(N+1\right),$ (13)

sendo $R_i$ a soma dos postos do grupo $i$, $n_i$ o tamanho do grupo $i$, e $N$ o tamanho total da amostra. Se $H$ for maior do que o valor crítico da distribuição qui-quadrado com $k-1$ graus de liberdade, rejeita-se $H_0$, indicando diferenças significativas entre os grupos.

Finalmente, na sexta etapa, os procedimentos adotados nas duas etapas anteriores (4 e 5) são replicados para os dados agrupados por missão, para verificar se o ganho potencial das políticas varia por região. Procedimento que possibilita constatar a contribuição da PI para o desenvolvimento regional. Diferentes estratégias de visualização dos resultados são utilizadas para evidenciar os efeitos da PI em regiões e municípios e distintos.

Assim, o procedimento metodológico proposto contribui diretamente para o processo de priorização setorial ao permitir simular os efeitos da PI sob diferentes contrafactuais. Mediante a adoção de indicadores distintos de desempenho e especialização produtiva, o método permite identificar como a inclusão ou exclusão de determinadas atividades modifica os resultados esperados da política, inclusive em âmbito regional.

Dessa forma, além de oferecer um diagnóstico estruturado sobre quais atividades apresentam maior potencial de resposta, seja por seus atributos produtivos, tecnológicos ou regionais, o procedimento possibilita comparar cenários alternativos de priorização, fornecendo insumos para escolhas mais sólidas e alinhadas aos objetivos estratégicos da política. Trata-se de um instrumento que combina rigor analítico e aplicabilidade prática, ampliando a capacidade de planejamento, avaliação e ajuste na seleção das atividades-alvo, o qual pode ser incorporado nas etapas de planejamento da PI, visto que consegue tangibilizar os resultados a serem observados, possibilitando um ajuste mais preciso das metas e objetivos perseguidos ao fornecer insights relacionados ao modo como a PI é operacionalizada.

4 Resultados

4.1 A indústria brasileira: aspectos regionais

A estrutura industrial brasileira possui forte caráter heterogêneo, em termos territoriais. Os Gráficos 1a e 1b mostram a existência de correlação positiva entre PIB industrial e Complexidade Econômica no que tange à qualificação do emprego. Os estados que apresentam os maiores PIBs industriais correspondem aos que possuem maior sofisticação, localizados nas regiões Sudeste e Sul (São Paulo, Rio de Janeiro, Santa Catarina e Paraná). Por outro lado, a região Norte, excetuando o estado do Amazonas, devido à Zona Franca de Manaus (Gráfico 1b), possui as unidades federativas que apresentam a menor relação entre a participação do PIB industrial e a sofisticação produtiva.

Gráfico 1
Relação entre sofisticação produtiva e PIB industrial, média 2003 a 2021

Logo, a concentração territorial do tamanho e da sofisticação industrial em determinada região do país mostra a necessidade de se considerar a dimensão regional no desenvolvimento de qualquer PI.

Quando se analisa o Gráfico 2, nota-se que os estados da região Sudeste apresentaram entre o ano de 2003 e 2012 um processo acentuado de perda de participação do valor adicionado manufatureiro. Os estados do Espírito Santo e São Paulo foram as unidades federativas que mais apresentaram retração da indústria de transformação (-59,79%) e (-25,77%), respectivamente, com perdas superiores à média brasileira (-25,62%). A partir do ano de 2013, a manufatura de todos os estados se manteve praticamente estável, de modo que a partir do ano de 2020 constata-se a reversão da tendência de estagnação.

Para a região Sul observa-se comportamento similar, porém sem trajetórias heterogêneas na evolução dos estados. Ou seja, nenhuma das indústrias dos estados da região Sul apresentou perdas acentuadas que as distanciassem da trajetória de encolhimento da estrutura a manufatureira. O período mais crítico foi até o ano de 2016 quando Paraná (-20,70%), Santa Catarina (-24,60%) e Rio Grande do Sul (-21,08%) apresentaram perdas superiores a 20%, menores do que a média nacional (-26,08%). Nesses termos, revela-se que a indústria de transformação das duas regiões mais dinâmicas do país vem apresentando trajetória de encolhimento por mais de 15 anos.

A região Norte apresentou processo de encolhimento na maioria das unidades federativas entre os anos de 2003 e 2021, excetuando os estados do Acre e Tocantins. Essas unidades federativas, apesar de apresentarem evolução instável, mantiveram trajetória relativamente ascendente, sendo que o Tocantins alcançou 108% em 2021. O Acre perdeu fôlego a partir do ano de 2018 e terminou a série com perda de 20% em relação ao ano de 2003.

O Nordeste (Gráfico 2d) apresentou trajetória de encolhimento de todas as suas indústrias até o ano de 2012, e estabilidade até o ano de 2014. A partir desse ano, observa-se a diferenciação da trajetória entre as unidades federativas. Destacam-se Pernambuco e a Bahia, que fecharam a série, respectivamente com crescimento 16%, e 19,5%. Com relação à região Centro-Oeste, nota-se que as trajetórias foram mais díspares entre os estados. O Mato Grosso do Sul foi o único que apresentou trajetória positiva a partir do ano de 2009, sendo que atingiu a marca de 93% de crescimento no ano de 2021. Outro estado que terminou a série com saldo positivo foi Goiás, com 2% em relação ao ano de 2003.

Gráfico 2
Evolução da participação do valor adicionado da indústria de transformação por unidade federativa, número-índice (2003=100)

Por fim, a Figura (f) mostra que somente os estados do Tocantins (3,94%), Mato Grosso do Sul (3,52%), Bahia (0,94%) e Pernambuco (0,79%) apresentaram taxas de crescimento anuais positivas entre os anos de 2003 e 2021. Esse resultado sugere que o Nordeste e o Centro-oeste foram as regiões que conseguiram mitigar a trajetória de desindustrialização pela qual a economia brasileira vem passando nas últimas décadas.

O Gráfico 6 trata do emprego manufatureiro, de modo que o Sudeste fechou a série em tela com resultado negativo para todos os estados, sendo que São Paulo e Rio de Janeiro apresentaram perdas acima da média nacional, que foi de 13,79%. São Paulo apresentou maior perda (-20,52%), seguido por Rio de Janeiro (-13,97%), Minas Gerais (-5%) e Espírito Santo (-1,42%). A região Sul apresentou comportamento similar, mas apenas o Rio Grande do Sul apresentou perdas acima da média nacional. A manufatura gaúcha apresentou retração de 17,28%, enquanto Santa Catarina e Paraná apresentaram (-10,54%) e -5,68%), respectivamente.

A região Norte também apresentou trajetória de queda, exceto para o Tocantins, que terminou a série com crescimento de 19,87% em 2021. O Acre apresentou reversão de sua evolução positiva a partir do ano de 2011 e fechou o ano de 2021 com perda de 8,36% em relação ao ano-base. Os estados com maiores perdas de emprego industrial são Pará (-38,84%) e Roraima (-30,34%). O Nordeste apresentou dois estados que fecharam a série com saldo positivo para o emprego. São eles a Bahia (6,32%) e Sergipe (0,83%), ao passo que Alagoas (-51,06%), Maranhão (-28,92%), Piauí (-23,32%) e Ceará (-20,84%) apresentaram as maiores perdas.

A região Centro-Oeste apresentou o melhor desempenho. Mato Grosso foi o único estado que teve perda de emprego durante todo o período (-19,04%), sendo acima da média brasileira (-13,79%). As demais unidades federativas apresentaram crescimento, com destaque para o Distrito Federal, com 43,97%, seguido de Mato Grosso do Sul (24,58%) e Goiás (11,83%). Por fim, em termos de taxa de crescimento médio anual, o Gráfico 3f mostra que Distrito federal (1,94%), Mato Grosso do Sul (1,16%), Tocantins (0,96%), Goiás (0,59%) e Bahia (0,32%) foram os entes federativos que apresentaram melhor desempenho entre 2003 e 2021.

Gráfico 3
Evolução da participação do emprego na indústria de transformação por unidade federativa, número-índice (2003=100)

Apresentado esse panorama geral sobre o Brasil e seus entes federados, faz-se necessário investigar se a PI baseada em missões em curso no Brasil possui aderência à situação pela qual passa cada unidade federativa brasileira. Testes empíricos são realizados e os resultados são expostos na próxima seção.

4.2 Análise regional do Programa Nova Indústria Brasil (NIB)

A base inicial de dados, extraída do Dataviva para o ano de 2021, era composta por 4.218.990 observações desagregadas para diferentes níveis regionais e setoriais. Elas foram filtradas por município, 3.731.900 observações; estado, 19.090 observações; e região geográfica, 3.350 observações. Para realizar os testes estatísticos recomendados pela literatura, as observações discrepantes, com valores superiores, em módulo, a 1,5 vezes a distância interquartílica, foram excluídas da base de dados, o que reduziu o número de observações municipais de 3.731.900 para 3.603.867.

A Figura 2 plota o Índice de Complexidade Econômica - ICE (a), o ganho médio de oportunidade (b) e a distância para os municípios brasileiros (c) no ano de 2021. Conforme esperado, os dados evidenciam a formação de três agrupamentos de municípios com valores elevados para o ICE (Figura a), localizados nas regiões metropolitanas de São Paulo, Porto Alegre e no litoral de Santa Catarina. Bem como a formação de agrupamentos menores no Rio de Janeiro, Belo Horizonte, Recôncavo Baiano e Recife.

Figura 2
Valores observados para as métricas de complexidade econômica, 2021

Os municípios com maiores ganhos de oportunidade (Figura b) se localizavam fora desses agrupamentos, distribuídos em um padrão de mosaico, sem formar grandes agrupamentos específicos. Análise semelhante se aplica para a distância média (Figura c), que exibe valores mais elevados para os municípios das regiões Norte e Nordeste, evidenciando a maior dificuldade desses municípios em avançar para atividades de maior complexidade econômica.

Para entender o impacto da PI sobre os diferentes municípios brasileiros, a Figura 2 compila os resultados para a simulação realizada, mostrando o ganho médio que seria obtido se as missões fossem realizadas para as atividades discriminadas por intensidade tecnológica. As atividades de baixa e média-baixa intensidade tecnológica exibem, em média, baixo ganho de oportunidade para a maioria dos municípios. A adoção de políticas voltadas para essas atividades não conseguiria engendrar uma dinâmica de diversificação produtiva e desenvolvimento econômico autossustentada, traduzindo-se em ganhos diminutos.

Figura 3
Ganho médio de oportunidade por município, para as atividades agregadas por intensidade tecnológica, 2021

Por outro lado, as atividades de média, média-alta e alta intensidade tecnológica exibem elevados ganhos médios de oportunidade para a grande maioria dos municípios. Ou seja, diferentemente das atividades de menor intensidade tecnológica, o incentivo a essas atividades conseguiria endogenizar a dinâmica de diversificação produtiva, ao gerar as externalidades produtivas responsáveis por promover o avanço para atividades mais complexas.

Em posse dos resultados obtidos para esse exercício empírico, podemos avançar e realizar uma análise crítica dos efeitos potenciais provenientes do modo como a PI foi desenhada. Para isso, em vez de obter o ganho médio de oportunidade por intensidade tecnológica, calculamos o ganho médio de oportunidade por município, para cada missão, com pesos iguais para as atividades contempladas pelas missões.

Conforme consolidado na Figura 3, se os objetivos propostos no documento oficial de lançamento da política (Brasil, 2024) forem seguidos fielmente, as missões 4, 5 e 6, respectivamente, são as que exibem maior ganho médio de oportunidade, para a grande maioria dos municípios, e maior potencial de descentralização dos ganhos. Por outro lado, as missões 1, 2 e 3 exibem valores mais elevados para o ganho médio de oportunidade para municípios específicos, localizados em sua maioria nas regiões Sul e Sudeste.

Figura 4
Ganho médio de oportunidade por município, 2021

Portanto, os efeitos espaciais gerados pela PI variam entre as missões. Em média, a PI possui viés descentralizador e tende a beneficiar a redução nas desigualdades regionais. Porém, ao se voltar para as atividades de menor intensidade tecnológica, missões 1, 2 e 3 principalmente, os efeitos potenciais se mantêm aquém daqueles que poderiam ser alcançados caso ela fosse mais agressiva. Isto é, direcionada para atividades com maior intensidade tecnológica e ganho de oportunidade.

Em outras palavras, em oposição ao senso comum, o exercício empírico realizado mostra que o incentivo para atividades de menor intensidade tecnológica não beneficia necessariamente os municípios menores e mais distantes. Apesar de esses municípios exibirem uma estrutura produtiva em que predominam atividades de menor intensidade tecnológica e complexidade econômica, essas atividades não exibem os ganhos de oportunidade responsáveis por ativar as externalidades que favorecem a diversificação produtiva em direção a outras atividades com elevada complexidade econômica, uma vez que as capabilities associadas a elas são específicas.

A distribuição dos dados para cada missão pode ser visualizada no Gráfico 4, no qual a missão 0 identifica as atividades não contempladas pela PI. O diagrama de caixas mostra que as missões 4, 5 e 6 são as que exibem valor mediano superior para o ganho de oportunidade em relação ao observado para as atividades não contempladas pela PI. As missões 0, 1, 2 e 3, além de indicarem menor valor mediano, exibem maior dispersão, sobretudo a missão 2.

Gráfico 4
Dispersão dos ganhos de oportunidade por missão

Por outro lado, as densidades de probabilidade, plotadas para o ganho de oportunidade, de acordo com as missões, fornece indícios de que elas não seguem distribuição normal. Novamente, as missões 4, 5 e 6 destacam-se com os valores mais elevados, sendo a missão 4 a que exibe menor dispersão dos dados. A missão 2, por outro lado, é a que exibe menores valores, com elevada dispersão, seguida pelas missões 1 e 3.

Os testes de Lilliefors e Levene, Tabela 1, para os dados desagregados por município e atividade econômica mostram que, de fato, o ganho de oportunidade não exibe distribuição normal e variância constante. Por sua vez, o teste de Kruskal-Wallis mostra que os ganhos de oportunidade diferem entre as missões.

Tabela 1
Resultados obtidos para os testes estatísticos aplicados aos dados municipais

Testes	Resultado	p-valor
Lilliefors	0,100	0,000
Levene	41.726	0,000
Kruskal-Wallis	489.849	0,000

• Fonte: Elaboração própria; Dataviva (2025).

Os resultados do teste de Bonferroni, Tabela 2, indicam diferenças significativas no ganho de oportunidade entre as diversas missões da PI e o Grupo de controle, refletindo impacto relevante das intervenções. De modo geral, o grupo de controle (composto pelas atividades que não foram alvo da política, missão 0) exibe maior ganho de oportunidade para as missões 4, 5 e 6. Para essas missões, os sinais negativos sugerem que as atividades que não foram alvo direto de ações da PI possuem maior potencial de contribuição para a sofisticação produtiva em comparação com as atividades beneficiadas.

Tabela 2
Teste de Bonferroni por município

	Controle	Missão 1	Missão 2	Missão 3	Missão 4	Missão 5
Missão 1	285,26*	-	-	-	-	-
Missão 2	236,59*	44,69*	-	-	-	-
Missão 3	229,13*	-138,51*	-144,10*	-	-	-
Missão 4	-366,08*	-474,53*	-388,26*	-469,85*	-	-
Missão 5	-261,55*	-405,40*	-331,68*	-386,73*	114,79*	-
Missão 6	-449,29*	-512,12*	-402,43*	-546,08*	3,10*	-127,67*

• Fonte: Elaboração própria; Dataviva (2025),
• Nota: * Significativo no nível de confiança de 99%.

A missão 1, na coluna, exibe ganhos inferiores a todas as demais missões, na linha, exceto em comparação com a missão 2, com valor de 44,69, evidenciando ganhos de oportunidades maiores para a missão 1. A missão 2, na coluna, exibe ganhos inferiores às missões 3, 4, 5 e 6. A missão 3 também exibe ganhos de oportunidade inferiores às missões 4, 5 e 6. Em contrapartida, a missão 4 exibe valores positivos para o teste, exibindo ganhos de oportunidade maiores do que as missões 5 e 6. Por sua vez, a missão 5 exibe ganhos de oportunidades inferiores à missão 6, com sinal negativo. Assim, os resultados indicam que o efeito potencial da PI é desigual, com algumas missões tendo um efeito positivo, enquanto outras, como a missão 2, apresentam desempenho inferior.

A Tabela 3 compara os ganhos de oportunidade para as regiões, por missão. O teste de Lilliefors mostra que as missões não exibem distribuição normal. O teste de Levene evidencia que nenhuma missão possui variância constante. Já o teste de Kruskal-Wallis indica que os ganhos de oportunidade são estatisticamente diferentes entre as regiões, para o nível de confiança de 99%.

Tabela 3
Teste de igualdade para os ganhos de oportunidade por missão e região

Missão	Lilliefors			Levene		Kruskal-Wallis
	Teste	p-valor	Teste	p-valor	Teste	p-valor
Missão 0	0,153	0,000	249,6	0,000	343,96	0,000
Missão 1	0,165	0,000	49,154	0,000	68,171	0,000
Missão 2	0,151	0,000	5,1127	0,001	26,425	0,000
Missão 3	0,136	0,000	55,018	0,000	42,376	0,000
Missão 4	0,209	0,000	16,437	0,000	17,015	0,000
Missão 5	0,194	0,000	34,311	0,000	48,971	0,000
Missão 6	0,191	0,000	7,7303	0,000	39,264	0,000

• Fonte: Elaboração própria; Dataviva (2025).

Os resultados do teste de Bonferroni, Tabela 4, indicam que, para as missões em que houve uma diferença significativa entre as regiões, ela foi bastante clara. Por exemplo, para a missão 1, a comparação entre Centro-Oeste e Sudeste revelou uma diferença significativa, p-valor é 0,000, indicando que o ganho de oportunidade é substancialmente diferente entre essas duas regiões. O mesmo ocorreu para outras comparações, como Nordeste contra Sudeste para a missão 3, onde as diferenças também são significativas. No entanto, para algumas comparações, como Centro-Oeste contra Sul na missão 1, com p-valor de 0,074, não houve diferenças significativas, já que o p-valor é maior do que o nível crítico de 0,05.

Para a missão 1, o teste de Bonferroni (Tabela 4) não retorna valores estatísticamente significativos somente para a região Centro-Oeste contra as regiões Norte, -0,367, e Sul, 1,630, e para Nordeste contra Sul, -1,060. Para a missão 2, comparações entre regiões como Centro-Oeste e Nordeste e entre Centro-Oeste e Norte apresentaram p-valores altos, sugerindo que não há diferenças significativas nos ganhos de oportunidade.

Tabela 4
Teste de Bonferroni entre as regiões geográficas

		Missão 1		Missão 2		Missão 3		Missão 4		Missão 5		Missão 6
Grupo 1	Grupo 2	Teste	p-valor	Teste	p-valor	Teste	p-valor	Teste	p-valor	Teste	p-valor	Teste	p-valor
Centro-Oeste	Nordeste	2,690	0,007	0,313	0,755	1,200	0,232	0,486	0,627	0,842	0,400	0,334	0,739
Centro-Oeste	Norte	-0,367	0,714	-0,405	0,685	0,061	0,952	-0,083	0,934	-0,245	0,806	-0,543	0,587
Centro-Oeste	Sudeste	-4,920	0,000	-4,090	0,000	-4,780	0,000	-3,180	0,002	-5,410	0,000	-4,980	0,000
Centro-Oeste	Sul	1,630	0,103	-1,910	0,056	-0,925	0,355	-1,050	0,294	-1,760	0,078	-2,490	0,013
Nordeste	Norte	-3,060	0,002	-0,718	0,473	-1,140	0,256	-0,570	0,569	-1,090	0,277	-0,876	0,381
Nordeste	Sudeste	-7,610	0,000	-4,400	0,000	-5,980	0,000	-3,660	0,000	-6,250	0,000	-5,320	0,000
Nordeste	Sul	-1,060	0,291	-2,220	0,026	-2,120	0,034	-1,540	0,125	-2,600	0,009	-2,820	0,005
Norte	Sudeste	-4,560	0,000	-3,680	0,000	-4,840	0,000	-3,090	0,002	-5,160	0,000	-4,440	0,000
Norte	Sul	2,000	0,046	-1,510	0,132	-0,986	0,324	-0,966	0,334	-1,520	0,129	-1,950	0,052
Sudeste	Sul	6,560	0,000	2,180	0,029	3,860	0,000	2,130	0,034	3,650	0,000	2,490	0,013

• Fonte: Elaboração própria; Dataviva (2025).

Com efeito, padrões sistemáticos são observados para todas as missões apenas para as regiões Centro-Oeste contra Sudeste, Nordeste contra Sudeste, Nordeste contra Sul, Norte contra Sudeste e Sudeste contra Sul. As regiões Sul e Sudeste exibem maiores ganhos de oportunidade do que as demais regiões para esses testes específicos.

Assim, os resultados sugerem que a PI, do modo como se encontra desenhada, se aplicada com o mesmo peso para as diferentes atividades contempladas em cada missão, é insuficiente no que se refere à sua capacidade de estimular setores mais sofisticados nos regiões menos desenvolvidas. A região Sudeste exibe ganhos de oportunidades estatísticamente superiores a todas as demais regiões.

O fato de as diferenças serem significativas para todas as missões reforça a hipótese de que há um padrão sistemático na distribuição dos ganhos entre as regiões. Essa evidência sugere que, na ausência de discricionariedade, os mecanismos de incentivo da PI podem desempenhar papel relevante no aumento das desigualdades regionais ao priorizar atividades que demandam conhecimentos complementares presentes na região Sudeste.

Para reduzir a desingualdade regional a PI precisa estimular as atividades com maior ganho de oportunidade, que exibem maior complexidade econômica e que são mais intensivas em novas tecnologias. O que exige conciliar o incentivo a setores mais sofisticados com a adoção de políticas que olhem para a realidade de cada região (Giovanini et al., 2022).

5 Considerações finais

A análise empírica realizada neste estudo fornece insights valiosos sobre os possíveis (?) impactos da PI em curso, com foco nos efeitos potenciais do Programa Nova Industrial Brasil (NIB) a partir de uma perspectiva regional. Estatísticas descritivas e uma abordagem metodológica não paramétrica - os testes de Lilliefors, Levene e Kruskal-Wallis - são utilizadas para analisar os ganhos de oportunidade gerados pela PI, a partir de uma classificação própria que agrupa as atividades de acordo com as missões propostas pela NIB. Adicionalmente, os ganhos de oportunidades gerados pela NIB são comparados com os que seriam observados caso as missões fossem equivalentes à classificação das atividades por intensidade tecnológica a partir de dados tabulados para o ano de 2021.

Os resultados indicam que, ao direcionar os esforços para atividades de maior intensidade tecnológica, a política pode ter um efeito mais abrangente, promovendo a diversificação e o avanço para atividades de maior complexidade econômica. A partir da avaliação dos ganhos médios de oportunidade por município, foi possível observar que as missões com foco em atividades de média-alta e alta intensidade tecnológica (missões 4, 5 e 6) são aquelas que apresentam os maiores ganhos médios de oportunidade, para a maioria dos municípios, o que sugere que essas missões possuem maior potencial de descentralização e de redução das desigualdades regionais. Por outro lado, as missões 1, 2 e 3, que se concentram em atividades de menor intensidade tecnológica, apresentaram resultados mais tímidos, com impacto regional mais reduzido, especialmente nas regiões Sul e Sudeste.

Essa diferença de impacto entre as missões está relacionada à capacidade das atividades de maior intensidade tecnológica em gerar externalidades que favorecem a diversificação produtiva e o avanço para atividades mais complexas. A análise crítica sugere que a PI, ao focar predominantemente em atividades de menor intensidade tecnológica, pode não ser suficientemente agressiva para alcançar os objetivos de crescimento econômico e diversificação produtiva. Ou seja, o incentivo para atividades com maior intensidade tecnológica e complexidade econômica são essenciais para criar as capabilities necessárias à geração de um vetor endógeno de desenvolvimento.

Além disso, os resultados dos testes de Lilliefors, Levene, Anova e Kruskal-Wallis corroboram a existência de diferenças significativas entre as missões, especialmente entre as regiões e entre as missões focadas em atividades mais complexas (missões 4 e 5) e as de menor intensidade tecnológica (missões 1, 3 e 6). A variância heterogênea e a falta de normalidade na distribuição dos dados reforçam a necessidade de estratégias mais diferenciadas para cada região e atividade econômica, considerando as especificidades locais e as capacidades produtivas existentes.

A comparação entre as missões e o grupo de controle, com o teste de Bonferroni, revelou que a missão 4 se destaca, mostrando ganhos significativos em comparação com as demais missões. Isso reforça a conclusão de que a PI poderia ter impacto ainda mais positivo se orientada de forma mais agressiva para atividades de maior intensidade tecnológica.

Finalmente, esta pesquisa indica que, para aumentar a eficácia da PI, é fundamental redirecionar os recursos para setores com maior complexidade econômica e tecnológica. O incentivo a esses setores não apenas potencializa os ganhos de oportunidade em termos de diversificação e sofisticação produtiva, como também promove um avanço mais sustentado no processo de desenvolvimento econômico. As políticas públicas voltadas para a inovação, a pesquisa e o desenvolvimento (P&D) devem ser mais estratégicas, visando identificar e apoiar as atividades econômicas com maior potencial de crescimento e que geram externalidades positivas para toda a economia.

Este estudo fornece uma base sólida para futuras investigações sobre o impacto das PIs no desenvolvimento regional, especialmente em um contexto de mudanças tecnológicas e de maior complexidade econômica. A busca por uma PI mais focada e alinhada às capacidades produtivas específicas de cada município será crucial para enfrentar os desafios da desindustrialização e promover um crescimento mais inclusivo e sustentável.

Agradecimentos

Os autores agradecem aos editores e revisores do artigo na Revista Nova Economia.

Referências

• AGARWALA, A. N.; SINGH, S. P. A economia do subdesenvolvimento. RJ: Contraponto, 2010.
• ARAUJO, E.; FEIJÓ, C. Industrialização e desindustrialização no Brasil: teorias, evidências e implicações de política. Curitiba: Appris, 2024.
• AREND, M. A industrialização do Brasil ante a nova divisão internacional do trabalho. In: IPEA. Presente e futuro: desafios ao desenvolvimentismo brasileiro. Brasília: IPEA, 2014.
• AZEVEDO, A. F; FEIJÓ, C; CORONEL, D. A. A desindustrialização brasileira. São Leopoldo: Editora Unisinos, 2013.
• BALLAND, P. A.; BOSCHMA, R.; CRESPO, J.; RIGBY, D. L. Smart specialization policy in the European Union: relatedness, knowledge complexity and regional diversification. Regional Studies, v. 53, n. 9, p. 1.252-1.268, 2019.
• BIELSCHOWSKY, R. Cincuenta años del pensamiento de la CEPAL: una reseña. En Cincuenta años de pensamiento en la CEPAL. Textos seleccionados, v. 1, Fondo de Cultura Económica, CEPAL, Santiago, Chile, 1998.
• BRASIL. Ministério do Trabalho e Emprego. BI. Bases estatísticas CAGED/RAIS. Disponível em: <ttps://bi.mte.gov. br/bgcaged/login. Php>. Acesso em: 20 jan. 2025.
• BRASIL. Nova Indústria Brasil: PI com Metas e Ações para o Desenvolvimento até 2033, Brasília, DF, 2024. Disponível em: <https://www.gov.br/mdic/pt-br/assuntos/noticias/2024/janeiro/brasil-ganha-nova-politica-industrial-com-metas-e-acoes-para-o-desenvolvimento-ate-2033>. Acesso em: 11 fev. 2025.
  » https://www.gov.br/mdic/pt-br/assuntos/noticias/2024/janeiro/brasil-ganha-nova-politica-industrial-com-metas-e-acoes-para-o-desenvolvimento-ate-2033
• CEPAL. Comissão Económica para a América Latina e o Caribe. CEPALSTAT. Portal de Estadísticas. Disponível em: <https://statistics.cepal.org/portal/cepalstat/dashboard.html?theme=2⟨=es>. Acesso em: 21 jan. 2025.
  » https://statistics.cepal.org/portal/cepalstat/dashboard.html?theme=2⟨=es
• DATAVIVA. Plataforma de visualização de dados. Disponível em: <https://www.dataviva.info/pt/>. Acesso em: 11 fev. 2025.
  » https://www.dataviva.info/pt
• DOSI, G. The nature of the innovative process. In: DOSI, G. et al. Technical Change and Economic Theory. London: Pinter Publishers, 1988.
• DOSI, G. The nature of the innovative process. Technical change and economic theory. Pinter Publisher, London, 1988.
• FEIJÓ, C. A.; CARVALHO, P. G. M; ALMEIDA, J. S. G. Ocorreu uma desindustrialização no Brasil. São Paulo: IEDI, 2005.
• FURTADO, C. Desenvolvimento e subdesenvolvimento. Rio de Janeiro: Fundo de Cultura, 1963.
• FREEMAN, C.; SOETE, L. The Economics of Industrial Innovation. Massachusetts: Institute of Technology, 1997.
• FREITAS, E. E. et al. Dataviva: espaço de atividades e indicadores regionais de complexidade econômica. Belo Horizonte: Cedeplar, Universidade Federal de Minas Gerais, 2023.
• GALA, P.; ROCHA, I.; MAGACHO, G. A vingança dos estruturalistas: complexidade econômica como uma dimensão importante para avaliar crescimento e desenvolvimento. Brazilian Journal of Political Economy, v. 38, p. 219-236, 2018.
• GALINDO-RUEDA, F.; VERGER, F. OECD taxonomy of economic activities based on R&D intensity. Working Papers, n. 2.016/04, OECD, 2016.
• GIOVANINI, A.; PEREIRA, W. M.; ALMEIDA, H. J. F. Diversidade produtiva e crescimento econômico: algumas evidências para os municípios brasileiros. Nova Economia, v. 32, n. 03, p. 687-717, 2022.
• Hausmann, R.; Hidalgo, C. A.; Bustos, S.; Coscia, M.; Simoes, A. The atlas of economic complexity: Mapping paths to prosperity. Massachusetts: Mit Press, 2014.
• HERMANN, M.; PENTEK, T.; OTTO, B. Design principles for industrie 4.0 scenarios: A literature review. Koloa:Business Engineering Institute St. Gallen, 2015.
• HIDALGO, C. A. et al. The product space conditions the development of nations. Science, v. 317, n. 5.837, p. 482-487, 2007.
• HIDALGO, C. A.; HAUSMANN, R. The building blocks of economic complexity. Proceedings of the National Academy of Sciences, v. 106, n. 26, p. 10.570-10.575, 2009.
• INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA - IBGE. SIDRA: Sistema IBGE de Recuperação Automática. Acervo. Disponível em: <https://sidra.ibge.gov.br/acervo#/S/Q>. Acesso em: 24 jan. 2025.
  » https://sidra.ibge.gov.br/acervo#/S/Q
• INSTITUTO DE ESTUDOS PARA O DESENVOLVIMENTO INDUSTRIAL (IEDI). Indústria 4.0: a quarta revolução industrial e os desafios para a indústria e para o desenvolvimento brasileiro. Estudos IEDI. São Paulo, IEDI, julho, 2017.
• IPEA. IPEAData. Portal de Dados. Disponível em: <https://www.ipeadata.gov.br/Default.aspx>. Acesso em: 21 jan. 2025.
  » https://www.ipeadata.gov.br/Default.aspx
• JOHNSON, B.; LUNDVALL, B. A. The learning economy. Journal of Industry Studies, v. 1, n. 2, p. 23-42, 1994.
• KALDOR, N. Causes of the slow rate of economic growth of the United Kingdom. An inaugural lecture. Cambridge: Cambridge University Press, 1966.
• KALDOR, N. Economic growth and the Verdoorn Law. A comment on Mr. Rowthorn's article. The Economic Journal, v. 85, n. 340, p. 891-896, 1975.
• KRUSKAL, W. H.; WALLIS, W. A. Use of ranks in one-criterion variance analysis. Journal of the American Statistical Association, v. 47, n. 260, p. 583-621, 1952.
• LAMONICA, M. T.; FEIJÓ, C. A. Crescimento e industrialização no Brasil: uma interpretação à luz das propostas de Kaldor. Brazilian Journal of Political Economy, v. 31, p. 118-138, 2011.
• LEVENE, H. Contributions to Probability and Statistics. Redwood City: Stanford University Press, 1960.
• LEWIS, W. A. Economic Development with Unlimited Supplies of Labour. The Manchester School, v. 22, n. 2, p. 139-191, 1954.
• LILLIEFORS, H. W. On the Kolmogorov-Smirnov test for normality with mean and variance unknown. Journal of the American statistical Association, v. 62, n. 318, p. 399-402, 1967.
• LUNDVALL, B. A.; JOHNSON, B. The learning economy, Journal of Industry Studies, v. 1, n. 2, London, 1994.
• MALERBA, F. Learning by firms and incremental technical change. The Economic Journal, v. 102, n. 413, p. 845-859, 1992.
• MALERBA, F.; ORSENIGO, L. Knowledge, innovative activities and industrial evolution. Industrial and Corporate Change, v. 9, n. 2, p. 289-314, 2000.
• MAZZUCATO, M. O Estado empreendedor: desmascarando o mito do setor público vs. setor privado. São Paulo: Portfolio-Penguin, 2014.
• MAZZUCATO, M. Missão economia: um guia inovador para mudar o capitalismo. São Paulo: Portfolio-Penguin, 2022.
• MEIER, G.; SEERS, D. Pioneers in Development. Oxford: Oxford University Press, 1984.
• NEFFKE, F.; HENNING, M.; BOSCHMA, R. How do regions diversify over time? Industry relatedness and the development of new growth paths in regions. Economic Geography, v. 87, n. 3, p. 237-265, 2011.
• NURKSE R. Problems of Capital Formation in Underdeveloped Countries, Oxford: Oxford University Press, 1953.
• OREIRO, J. L.; FEIJÓ, C. A. Desindustrialização: conceituação, causas, efeitos e o caso brasileiro. Revista de Economia Política, v. 30, n. 2, p. 219-232, 2010.
• PALMA, J. G. De-industrialization, premature de-industrialization and the Dutch Disease. In: DURLAUF, S. N.; BLUME, L. E. (Org.). The New Palgrave Dictionary of Economics. 2^nd Ed. Basingstoke: Palgrave Macmillan. 2008.
• PALMA, J. G. Quatro fontes de “desindustrialização” e um novo conceito de “doença holandesa”. In: CONFERÊNCIA DE INDUSTRIALIZAÇÃO, DESINDUSTRIALIZAÇÃO E DESENVOLVIMENTO, 2005.
• PALMA, J. G. Quatro fontes de desindustrialização e um novo conceito de doença holandesa. In: CONFERÊNCIA DE INDUSTRIALIZAÇÃO, DESINDUSTRIALIZAÇÃO E DESENVOLVIMENTO. FIESP, 2005.
• PAVITT, K. Sectoral patterns of technical change: Towards a taxonomy and a theory. Research Policy, v. 13, n. 6, p. 343-373, 1984.
• PEREIRA, W. M. Mudança estrutural e desindustrialização na região do sul do Brasil: um estudo comparado. Dissertação (mestrado) - Universidade Federal de Santa Catarina, 2016.
• PEREIRA, W. M. O setor de serviços no crescimento econômico e o papel da política cambial: teoria e evidências. Tese (Doutorado) - Centro de Desenvolvimento e Planejamento Regional da Faculdade de Ciências Econômicas da Universidade Federal de Minas Gerais, 2022, 181 p.
• PEREIRA, W. M.; CARIO, S. A. F. Indústria, Desenvolvimento Econômico e Desindustrialização: sistematizando o debate no Brasil. Economia e Desenvolvimento, v. 29, n. 1, p. 587- 609.
• PINTO A.. “Naturaleza e implicaciones de la “heterogeneidad estructural” de la América Latina”, El trimestre Económico, 37 (145), p. 83-100, 1970.
• PESSOTI, B. C; PESSOTI, G. C. A indissociável relação entre indústria, desenvolvimento econômico e políticas indústrias no Brasil. Revista de Desenvolvimento Econômico, v. 11, n. 19, 2009.
• PREBISCH, R.; CABAÑAS, G. El desarrollo económico de la América Latina y algunos de sus principales problemas. El Trimestre Económico, 16(63 (3), 347-431, 1949.
• RODRÍGUEZ, O. O estruturalismo latino-americano. Rio de Janeiro: Civilização Brasileira, 2009.
• ROSELINO, J. E.; DIEGUES, A. C. Reflexões sobre PI para o Brasil: elementos para uma abordagem alternativa em um mundo de estruturas fluidas. In: ENCONTRO DE ECONOMIA INDUSTRIAL E DA INOVAÇÃO. FCE-UFMG, V., 2021.
• ROSENSTEIN-RODAN, P. Problems of industrialisation of eastern and south-eastern Europe. The Economic Journal, v. 53, n. 210-211, p. 202-211, 1943.
• ROWTHORN, R.; RAMASWAMY, R. Growth, trade, and deindustrialization. IMF Staff Papers, p. 18-41, 1999.
• SAMPAIO, D. P. Desindustrialização e estruturas produtivas regionais no Brasil. Tese (Doutorado em economia) - Programa de Pós-Graduação em Economia, Instituto de Economia, Universidade Estadual de Campinas, 2015.
• SUNKEL, O.; PAZ, P. El subdesarrollo latinoamericano y la teoría dei desarrollo. México: Sigla Veinteuno Editores, 1970.
• SUZIGAN, W.; FEITOSA, P.; GARCIA, R. Institutions and industrial policy in Brazil after two decades: Have we built the needed institutions? Economics of Innovation and New Technology, v. 29, n. 3, p. 1-15, 2020.
• MCCOMBIE, J.; THIRLWALL, A. P. Economic growth and the balance-of-payments constraint. London: Macmillan Press, 1994.
• THIRLWALL, A. P. A Plain Man’s Guide to Kaldor’s Growth Laws. Journal of Post Keynesian Economics, v. 5, n. 3, p. 345-358, 1983.
• TONER, P. Main Currents in Cumulative Causation. London: MacMillan Press, 1999.
• TREGENNA, F. Characterising deindustrialisation: An analysis of changes in manufacturing employment and output internationally. Cambridge Journal of Economics, v. 33, n. 3, p. 433-466, 2009.
• UNITED NATIONS CONFERENCE ON TRADE AND DEVELOPMENT (UNCTAD). UNCTADStat Data Centre. Disponível em: <https://unctadstat.unctad.org/datacentre/>. Acesso em: 25 jan. 2025.
  » https://unctadstat.unctad.org/datacentre
• VELHO, S. R. K. Neoindustrialização brasileira. São Paulo: Editora Blucher, 2024.
• WORLD BANK. World Integrated Trade Solution (WITS). Disponível em: <https://wits.worldbank.org/>. Acesso em: 22 jan. 2025.
  » https://wits.worldbank.org

• Disponibilidade de dados de pesquisa
  Os conteúdos que fundamentam o texto da pesquisa estão integralmente apresentados no corpo do manuscrito.
• 1
  No século XXI destaca-se: a Política Industrial, Tecnológica e de Comércio Exterior (PITCE) - (2004-2008), Lei da Inovação (2004), Lei do Bem (2005), Política de Desenvolvimento Produtivo (PDP) - (2008-2010), Plano Brasil Maior (PBM) - (2011-2014).
• Código JEL:
  L60, O25, R11.
• JEL Codes:
  L60, O25, R11.

• Editor Responsável
  Lucas Resende de Carvalho (Editor Associado).
  Centro de Desenvolvimento e Planejamento Regional, Universidade Federal de Minas Gerais, Belo Horizonte, MG, Brasil.
  ORCID: https://orcid.org/0000-0002-3618-3967

Disponibilidade de dados

Os conteúdos que fundamentam o texto da pesquisa estão integralmente apresentados no corpo do manuscrito.

Datas de Publicação

• Publicação nesta coleção
  22 Jun 2026
• Data do Fascículo
  2026

Histórico

• Recebido
  22 Maio 2025
• Aceito
  25 Jan 2026