proposta de cenário para a automação no comércio varejista do...
TRANSCRIPT
Proposta de cenário para a automação no comércio
varejista do Brasil na década de 2020 e suas
consequências para o mercado de trabalho
Pedro Boechat Celani Zwirman
Pedro Filipe Alves Ribeiro
Projeto de Graduação apresentado ao Curso de
Engenharia de Produção da Escola Politécnica,
Universidade Federal do Rio de Janeiro, como
parte dos requisitos necessários à obtenção do
título de Engenheiro.
Orientador: Roberto Ivo da Rocha Lima Filho
Rio de Janeiro
Agosto de 2018
iii
Zwirman, Pedro Boechat Celani; Ribeiro, Pedro
Filipe Alves.
Proposta de cenário para a automação no comércio
varejista do Brasil na década de 2020 e suas consequências
para o mercado de trabalho/ Pedro Boechat Celani
Zwirman; Pedro Filipe Alves Ribeiro. – Rio de Janeiro:
UFRJ/ Escola Politécnica. 2018.
X, 116 p.: il.; 29,7 cm.
Orientador: Roberto Ivo da Rocha Lima Filho
Projeto de Graduação – UFRJ/ Escola Politécnica/
Curso de Engenharia de Produção, 2018.
Referência Bibliográficas: p. 112-114
1. Automação. 2. Mercado de Trabalho. 3. Comércio
Varejista. I. Lima Filho, Roberto Ivo da Rocha. II.
Universidade Federal do Rio de Janeiro, Escola
Politécnica, Curso Engenharia de Produção. III. Proposta
de cenário para a automação no comércio varejista do
Brasil na década de 2020 e suas consequências para o
mercado de trabalho.
iv
AGRADECIMENTOS
Gostaríamos de agradecer às nossas famílias por todo apoio na elaboração deste
trabalho e, principalmente, em todo nosso caminho em busca do diploma de Engenheiro.
Não menos importante, agradecemos aos nossos diversos amigos que fizemos na UFRJ e
ao excelente corpo docente do Departamento de Engenharia Industrial. Este nos passou
seu valioso conhecimento e nos preparou não apenas para a profissão, mas para a vida.
Aqueles nos deram forças para seguir mesmo nos momentos mais estressantes.
Destinamos ainda um agradecimento especial ao professor Roberto Ivo por seu
ensinamento e atenção na elaboração deste estudo.
v
Resumo do Projeto de Graduação apresentado à Escola Politécnica/UFRJ como parte dos
requisitos necessários para a obtenção do grau de Engenheiro de Produção.
Proposta de cenário para a automação no comércio
varejista do Brasil na década de 2020 e suas
consequências para o mercado de trabalho
Pedro Boechat Celani Zwirman
Pedro Filipe Alves Ribeiro
Agosto/2018
Orientador: Roberto Ivo da Rocha Lima Filho
Curso: Engenharia de Produção
Ao longo da história, a automação vem remodelando continuamente o mercado de
trabalho. Embora ela seja mais percebida com a eliminação de empregos, o passado
mostra que os novos tipos de tarefas criados pelo seu avanço mais do que compensaram
os empregos que foram eliminados. Por exemplo, nos séculos XIX e XX, viu-se a
automatização de grande parte das tarefas da indústria têxtil e da agricultura dar lugar a
uma ampla gama de novas tarefas, como o trabalho nas fábricas, a engenharia e outras
diversas atividades de escritório. Com isso, pergunta-se: as novas ondas de automação
que chegam no início do terceiro milênio seguirão essa tendência? Este estudo busca, a
partir do Método dos Cenários desenvolvido por Godet (1994), propor um cenário acerca
da automação no comércio varejista do Brasil na próxima década e suas consequências
para o mercado. Ao final, chega-se à conclusão de que grande parte das atividades hoje
exercidas no varejo devem conter um alto nível de automatização, sendo necessárias
ações por parte do governo, de forma a adequar a mão-de-obra às novas tarefas geradas.
Palavras-chave: automação, emprego, mercado de trabalho, comércio varejista, Brasil
vi
Abstract of Undergraduate Project presented to POLI/UFRJ as a partial fulfillment of the
requirements for the degree of Industrial Engineer.
Proposal of scenario for automation in retail market in
Brazil in the 2020s and their consequences for the labor
market
Pedro Boechat Celani Zwirman
Pedro Filipe Alves Ribeiro
August/2018
Advisor: Roberto Ivo da Rocha Lima Filho
Course: Industrial Engineering
Throughout history, automation has continually reshaped the labor market. Although it is
more perceived for its jobs elimination, the past shows that the new types of tasks created
by its advancement more than offset the jobs that were eliminated. For example, in the
nineteenth and twentieth centuries, the automation of much of the tasks of the textile and
agricultural industry was seen to give rise to a wide range of new tasks, such as factory
work, engineering and various other office activities. With this, one wonders: Will the
new waves of automation that are arriving at the beginning of the third millennium follow
this trend? This study seeks, based on the Scenarios Method developed by Godet (1994),
to propose a scenario for the automation in the retail market of Brazil in the next decade
and its consequences for the market. At the end, it is concluded that most of the activities
currently carried out in retail should contain a high level of automation, and actions are
required by the government, in order to adapt the workforce to the new tasks generated.
Keywords: automation, jobs, labor market, retail market, Brazil
vii
SUMÁRIO
1 Introdução ....................................................................................................................18
1.1 Contextualização ......................................................................................................18
1.2 Objetivo ....................................................................................................................20
1.2.1 Geral .................................................................................................................20
1.2.2 Específico ..........................................................................................................20
1.3 Justificativa do tema .................................................................................................20
1.4 Limites ......................................................................................................................20
1.5 Motivação .................................................................................................................21
1.6 Resumo da Estrutura ...............................................................................................21
2 Metodologia ..................................................................................................................22
3 Panorama econômico e tecnológico ..............................................................................24
3.1 Panorama Macroeconômico Brasileiro....................................................................24
3.1.1 Da prosperidade à crise ...................................................................................24
3.1.2 Situação econômica atual .................................................................................27
3.1.3 Expectativas e próximos passos da política econômica ...................................33
3.2 O Setor do Comércio Varejista no Brasil ................................................................34
3.2.1 Panorama atual ................................................................................................34
3.3 O Futuro da Automação Segundo Consultorias ......................................................37
3.3.1 Panorama geral ................................................................................................38
3.3.1.1 Envelhecimento da população .................................................................38
3.3.1.2 Ritmo da automação ................................................................................38
3.3.1.3 Competitividade das economias avançadas frente a mão de obra mais
barata das economias em desenvolvimento .............................................................41
3.3.2 Panorama Brasil...............................................................................................42
3.3.2.1 Automação geral ......................................................................................42
3.3.2.2 Automação varejo ....................................................................................43
3.3.2.2.1 Comparação por setor .........................................................................43
3.3.2.2.2 Comparação por dimensões no varejo ................................................43
3.3.2.2.3 Comparação por porte de empresa no varejo.....................................44
3.4 Frentes de Automação Iminentes no Comércio Varejista .......................................45
4 Revisão Sistemática da Literatura ...............................................................................49
4.1 Dinâmica de Sistemas ...............................................................................................49
4.1.1 Pensamento Sistêmico ......................................................................................49
viii
4.1.2 Sistemas dinâmicos ..........................................................................................49
4.1.3 Dinâmica de sistemas .......................................................................................49
4.2 Modelagem Macroeconômica...................................................................................51
4.2.1 O modelo ..........................................................................................................51
4.2.2 Identificando os ciclos de feedback ..................................................................53
4.3 Modelagem Tecnológica ...........................................................................................56
4.3.1 Abordagem baseada em tarefas .......................................................................56
4.3.2 Tecnologias que otimizam fatores de produção ..............................................57
4.3.2.1 Mudança tecnológica que otimiza a produtividade do capital, AK .........57
4.3.2.2 Mudança tecnológica que otimiza a produtividade do trabalho, AL ......58
4.4 Método dos Cenários ................................................................................................58
4.4.1 Identificação das variáveis-chave: análise estrutural......................................62
4.4.1.1 Listagem das variáveis .............................................................................62
4.4.1.2 Relacionamento das variáveis: construção da Matriz de Análise
Estrutural .................................................................................................................62
4.4.1.3 Identificação das variáveis-chave através do Método MICMAC ...........63
4.4.1.3.1 O princípio de MICMAC: elevando o poder da matriz .....................64
4.4.1.4 Comparação entre classificações diretas, indiretas e potenciais .............68
4.4.1.4.1 Gráfico influência-dependência ..........................................................68
4.4.2 Entendendo a Estratégia dos Agentes: o Método MACTOR ..........................70
4.4.2.1 Construindo a tabela de estratégia dos agentes ......................................72
4.4.2.2 Identificando as questões estratégicas e objetivos associados .................73
4.4.2.3 Posicionando cada agente em relação aos objetivos estratégicos (Matriz
de Posições Assumidas) ............................................................................................74
4.4.2.4 Classificando os objetivos de cada agente (Matriz de Posições
Valoradas) e avaliando a gama de possíveis convergências e divergências.............76
4.4.2.5 Avaliando o equilíbrio entre forças e formulando recomendações
estratégicas (matriz de posições valoradas com coeficientes de poder)...................80
4.4.2.6 Questões-chave sobre o futuro.................................................................85
4.4.3 Examinando possíveis futuros: análise morfológica .......................................85
4.4.3.1 O campo de possíveis futuros: o espaço morfológico ..............................85
4.4.3.2 O espaço morfológico útil ........................................................................86
5 Aplicação do método.....................................................................................................87
5.1 Identificação das variáveis-chave .............................................................................87
5.1.1 Lista de variáveis..............................................................................................88
5.1.2 Matriz de análise estrutural .............................................................................89
ix
5.1.3 Método MICMAC ............................................................................................90
5.2 Entendimento do jogo dos agentes ...........................................................................91
5.2.1 Identificação dos agentes .................................................................................92
5.2.1.1 Agente 1: governos ...................................................................................92
5.2.1.2 Empresas ..................................................................................................93
5.2.1.3 Agente 4: empresas cujo papel é vender soluções relacionadas à
automação de tarefas ................................................................................................93
5.2.1.4 Agente 5: trabalhadores (sindicatos) .......................................................93
5.2.2 Método MACTOR ...........................................................................................93
5.2.3 Construindo a tabela da estratégia dos agentes ..............................................93
5.2.4 Identificando as questões estratégicas e objetivos associados .........................94
5.2.5 Posicionando cada agente em relação aos objetivos estratégicos (Matriz de
Posições Assumidas) .....................................................................................................95
5.2.6 Classificando os objetivos de cada agente (Matriz de Posições Valoradas) e
avaliando a gama de possíveis convergências e divergências ......................................95
5.2.7 Avaliando o equilíbrio entre forças e formulando recomendações estratégicas
(matriz de posições valoradas com coeficientes de poder) ...........................................96
5.3 Análise Morfológica..................................................................................................98
5.3.1 Definição do espaço morfológico .....................................................................98
6 Resultado .................................................................................................................... 103
6.1.1 Definição do cenário mais provável ............................................................... 103
6.1.1.1 Recebimento/Estocagem e Entregas (baixa elasticidade) ..................... 103
6.1.1.2 Marketing/Vendas — Identificação, Monitoramento, Perfil de Compra
(alta elasticidade) .................................................................................................... 103
6.1.1.3 Atendimento e Caixa (elasticidade média) ............................................ 104
6.2 Impactos no mercado de trabalho .......................................................................... 107
6.3 O governo como tomador de decisão: ações recomendadas .................................. 107
6.4 Cenários para legislação trabalhista ...................................................................... 107
7 Conclusão .................................................................................................................... 109
7.1 Propostas de trabalhos futuros .............................................................................. 109
APÊNDICE A – Receita nominal - Varejo. Índice Mensal (Base: igual mês do ano anterior)
110
APÊNDICE B – .. RELAÇÕES ENTRE AS VARIÁVEIS SEGUNDO ACEMOGLU (2018)
111
x
APÊNDICE C –..................................................... MATRIZ DE ANÁLISE ESTRUTURAL
112
APÊNDICE D –.................................................................................................. MATRIZ M1
113
APÊNDICE E – .................................................................................................. MATRIZ M2
114
APÊNDICE F – .................................................................................................. MATRIZ M3
115
APÊNDICE G – ................................................................................................. MATRIZ M4
116
APÊNDICE H – ................................................................................................. MATRIZ M5
117
APÊNDICE I – ................................................................................................... MATRIZ M6
118
APÊNDICE J – .................................................................................................. MATRIZ M7
119
APÊNDICE K – ................................................................................................. MATRIZ M8
120
APÊNDICE L – ........................................ TABELA DAS ESTRATÉGIAS DOS AGENTES
121
REFERÊNCIAS BIBLIOGRÁFICAS ............................................................................... 122
xi
LISTA DE FIGURAS
Figura 1: Pessoal ocupado total, por classificação de atividades. Fonte: (IBGE, 2015) 19
Figura 2: Pessoal ocupado nas empresas comerciais. Fonte: (IBGE, 2015). ................. 19
Figura 3: Fluxograma da metodologia. Fonte: elaboração própria................................ 22
Figura 4: Aumento do PIB (% anual) por ano. Fonte: Banco Mundial (2018). ............. 25
Figura 5: evolução trimestral do PIB. Variação acumulada 4 trimestres (%). Fonte:
adaptado de SEPLAN (2018). ..................................................................................... 27
Figura 6: evolução trimestral dos componentes da oferta do PIB. Fonte: adaptado de
SEPLAN (2018). ......................................................................................................... 28
Figura 7: evolução trimestral dos componentes da demanda do PIB. Fonte: adatado de
SEPLAN (2018). ......................................................................................................... 28
Figura 8: criação de empregos formais, acumulado no ano até o mês de referência. Fonte:
adaptado de SEPLAN (2018). ..................................................................................... 29
Figura 9: Brasil - Evolução mensal do saldo de emprego nos meses de junho de 1992 a
2018, sem ajuste: comparação entre total de setores e varejo. Fonte: CAGED – Junho
2018. ........................................................................................................................... 30
Figura 10: inflação. Fonte: SEPLAN (2018). ............................................................... 30
Figura 11: evolução das taxas de juros (meta SELIC e TJLP). Fonte: adaptado de
SEPLAN (2018). ......................................................................................................... 31
Figura 12: evolução da taxa de câmbio. Fonte: IPEA (2018). ...................................... 31
Figura 13: resultado primário do Governo Central — % do PIB. Fonte: adaptado de
SEPLAN (2018). ......................................................................................................... 32
Figura 14: regime geral da previdência social. Fonte: adaptado de SEPLAN (2018). ... 32
Figura 15: evolução da percepção de Risco-Brasil (EMBI+). Fonte: adaptado de SEPLAN
(2018). ........................................................................................................................ 33
Figura 16: mediana do resultado primário (% do PIB). Fonte: BCB. ........................... 33
Figura 17: Receita nominal - Média dos setores do Varejo. Índice Mensal (Base: igual
mês do ano anterior). Fonte: IBGE (2018). .................................................................. 35
xii
Figura 18: Ações das empresas do setor de comércio. Fonte: O Globo (2018). ............ 37
Figura 19: Categorias de adoção de tecnologias de automação. Fonte: BCG (2015) .... 39
Figura 20: Comparativo entre indústria e comércio/serviços. Fonte: Associação brasileira
de automação (2018) ................................................................................................... 43
Figura 21: Comparativo entre setores e dimensões. Fonte: Associação brasileira de
automação (2018) ....................................................................................................... 44
Figura 22: Comparativo da automação por porte de empresa. Fonte: Associação brasileira
de automação (2018) ................................................................................................... 44
Figura 23: Exemplo de Modelagem Soft (Qualitativa). Fonte: Fernandes (2003) ......... 51
Figura 24:’ modelagem macroeconômica. Fonte: elaboração própria........................... 52
Figura 25: ciclo de feedback de equilíbrio envolvendo inflação e consumo. Fonte:
elaboração própria. ...................................................................................................... 54
Figura 26: ciclo de feedback de equilíbrio envolvendo inflação e investimentos. Fonte:
elaboração própria. ...................................................................................................... 54
Figura 27: ciclo de feedback de equilíbrio envolvendo inflação e taxa de câmbio real.
Fonte: elaboração própria. ........................................................................................... 55
Figura 28: ciclo de feedback de reforço envolvendo inflação e investimentos a partir de
importação de bens de capital. Fonte: elaboração própria. ........................................... 55
Figura 29: O espaço das tarefas e a representação do efeito da automatização de tarefas
existentes e da introdução de novas tarefas. Fonte: Acemoglu (2017) .......................... 56
Figura 30: Fluxograma do Método dos Cenários. Fonte: Godet (1994). ....................... 60
Figura 31: Análise Estrutural. Fonte: adaptado de Godet (1994). ................................. 63
Figura 32: grau de preenchimento da Matriz de Análise Estrutura. Fonte: adaptado de
Godet (1994). .............................................................................................................. 63
Figura 33: exemplo de sistema. Fonte: Godet (1994). .................................................. 65
Figura 34: exemplo de ligação indireta. Fonte: adaptado de Godet (1994). .................. 65
Figura 35: exemplo de sistema de três variáveis. Fonte: adaptado de Godet (1994). .... 66
xiii
Figura 36: Matriz de Análise Estrutural do sistema S. Fonte: adaptado de Godet (1994).
................................................................................................................................... 66
Figura 37: Matriz M elevada ao quadrado. Fonte: Godet (1994). ................................. 67
Figura 38: influência de A em si própria através de forma indireta. Fonte: Godet (1994).
................................................................................................................................... 67
Figura 39: influência indireta de B em A. Fonte: Godet (1994). ................................... 67
Figura 40: matriz M elevada ao cubo. Fonte: Godet (1994). ........................................ 67
Figura 41: estabilização da classificação da linhas e colunas na potência de 4. Fonte:
Godet (1994). .............................................................................................................. 68
Figura 42: Gráfico Influência-Dependência. Fonte: adaptado de Godet (1994). ........... 69
Figura 43: estabilidade dos sistemas. Fonte: adaptado de Godet (1994). ...................... 70
Figura 44: o método MACTOR. Fonte: Godet (1994). ................................................ 72
Figura 45: tabela das estratégias dos agentes. Fonte: elaboração própria. ..................... 73
Figura 46: definição das questões estratégicas e dos objetivos associados. Fonte:
elaboração própria. ...................................................................................................... 74
Figura 47: exemplo de diagrama de possíveis convergências e divergências entre agentes.
Fonte: elaboração própria. ........................................................................................... 75
Figura 48: MAO - Matriz de Posições Assumidas (agentes X objetivos). Fonte: adaptado
de Godet (1994). ......................................................................................................... 75
Figura 49: MAA - Matriz de convergências e divergências (agentes x agentes). Fonte:
adaptado de Godet (1994). .......................................................................................... 77
Figura 50: diagrama de convergência sobre objetivos. Fonte: adaptado de Godet (1994).
................................................................................................................................... 77
Figura 51: diagrama de divergências. Fonte: adaptado de Godet (1994). ..................... 78
Figura 52: 2MAO. Fonte: adaptado de Godet (1994). .................................................. 79
Figura 53: 2MAA. Fonte: adaptado de Godet (1994). .................................................. 79
Figura 54: MDA. Fonte: adaptado de Godet (1994). .................................................... 81
Figura 55: MIA. Fonte: adaptado de Godet (1994). ..................................................... 82
xiv
Figura 56: 3MAO. Fonte: Godet (1994). ..................................................................... 83
Figura 57: 3MAA. Fonte: Godet (1994). ..................................................................... 83
Figura 58: terceiro diagrama completo de convergências sobre objetivos. Fonte: adaptado
de Godet (1994). ......................................................................................................... 84
Figura 59: terceiro diagrama completo de divergências sobre objetivos. Fonte: adaptado
de Godet (1994). ......................................................................................................... 85
Figura 60: passo 1 do método (determinação das variáveis-chave). Fonte: elaboração
própria. ....................................................................................................................... 87
Figura 61: Gráfico Influência-Dependência. Fonte: elaboração própria. ...................... 90
Figura 62: passo 2 do método (determinação do jogo dos agentes). Fonte: elaboração
própria. ....................................................................................................................... 92
Figura 63: Matriz 1MAO. Fonte: elaboração própria. .................................................. 95
Figura 64: Matriz 1MAA. Fonte: elaboração própria. .................................................. 96
Figura 65: Matriz 2MAO. Fonte: elaboração própria. .................................................. 96
Figura 66: Matriz 2MAA. Fonte: elaboração própria. .................................................. 96
Figura 67: Matriz MDA: Fonte: elaboração própria. .................................................... 97
Figura 68: Matriz MIA. Fonte: elaboração própria. ..................................................... 97
Figura 69: Matriz 3MAO. Fonte: elaboração própria. .................................................. 98
Figura 70: Matriz 3MAA. Fonte: elaboração própria. .................................................. 98
Figura 71: passo 3 do método (determinação das hipóteses). Fonte: elaboração própria.
................................................................................................................................... 98
Figura 72: cadeia de valor de uma empresa genérica do comércio varejista. Fonte:
elaboração própria. ...................................................................................................... 99
Figura 73: espaço morfológico com elasticidade substituição capital-trabalho das
componentes e custo de utilização de cada tecnologia (dimensão). Fonte: elaboração
própria. ..................................................................................................................... 100
Figura 74: passo 4 do método (definição da hipótese mais provável). Fonte: elaboração
própria. ..................................................................................................................... 103
xv
Figura 75: Curva-S da tecnologia. Fonte: Christensen (2012) .................................... 105
Figura 76: modelo contendo eventos "disparadores" do sistema. Fonte: elaboração
própria. ..................................................................................................................... 106
xvi
LISTA DE TABELAS
Tabela 1: Decomposição do crescimento do PIB. Fonte: Barbosa (2017). ................... 26
Tabela 2: Evolução da taxa de retorno sobre o capital próprio e da Taxa Selic (2010-
2014). Fonte: Oreiro (2017). ....................................................................................... 26
Tabela 3: indicadores do volume de vendas no comércio varejista e comércio varejista
ampliado, por atividades, no Brasil — indicador trimestral (base igual trimestre do ano
anterior). Fonte: IBGE (2018). .................................................................................... 36
Tabela 4: lista de variáveis. Fonte: elaboração própria. ................................................ 88
Tabela 5: Explicação das relações que conectam o modelo tecnológico ao modelo
macroeconômico. Fonte: elaboração própria. .............................................................. 89
Tabela 6: grau de preenchimento da matriz. Fonte: elaboração própria. ....................... 90
Tabela 7: variáveis-chave. Fonte: elaboração própria. ................................................. 91
Tabela 8: questões e objetivos estratégicos. Fonte: elaboração própria. ....................... 95
xvii
LISTA DE EQUAÇÕES
Equação 1: tecnologia como agente que otimiza os fatores de produção. ..................... 57
Equação 2: impacto da evolução da tecnologia na elasticidade substituição capital-
trabalho. ...................................................................................................................... 58
Equação 3: salário em equilíbrio. ................................................................................ 58
Equação 4: parcela de trabalho na produção agregada. ................................................ 58
Equação 5: o princípio de MICMAC de forma algébrica. ............................................ 65
Equação 6: coeficiente ri (coeficiente de poder). ......................................................... 82
Equação 7: normalização do coeficiente de poder........................................................ 82
18
1 Introdução
1.1 Contextualização
Nos dias atuais, nota-se grande incerteza no que tange o mercado de trabalho. A
propagação da automação, aliada a importantes mudanças demográficas, como o
envelhecimento da população e o aumento da expectativa de vida, tem poder de gerar
mudanças disruptivas na economia global ou até mesmo uma mudança de paradigma
sobre o que se conhece como trabalho.
Ao longo da história, ondas de automação, como, por exemplo, a que ocorreu na
indústria têxtil e na agricultura durante os séculos XIX e XX, foram capazes de remodelar
a economia mundial, alterando drasticamente a estrutura do mercado de trabalho:
deslocando os trabalhadores do campo para as fábricas e, posteriormente, das fábricas
para o setor de serviços (ACEMOGLU e RESTREPO, 2018). A nova onda da automação,
que está na eminência de se tornar técnica e economicamente viável, entretanto, se
espalhará por muito mais atividades e setores, afetando de forma mais concreta as nossas
vidas.
Não menos importante, alterações em andamento nas pirâmides etárias de
diversos países impactará diretamente a força de trabalho, como, por exemplo, o Japão,
cuja reduzida força de trabalho pode prejudicar o crescimento do PIB (MCKINSEY
GLOBAL INSTITUTE, 2018), criando um desafio para os governos e as empresas. Essa
possível escassez de mão-de-obra, ao tornar os salários mais elevados, será um dos
aceleradores da automação que, por sua vez, permitirá um salto na produtividade, porém
acabando com muita das profissões que se conhece hoje.
Diante desse cenário de muitas novidades, é de extrema importância para os
tomadores de decisão ponderar sobre o futuro do mercado de trabalho — seja o governo
ao traçar políticas públicas, as empresas ao fazer decisões de investimentos ou, até
mesmo, um jovem ao decidir no que se especializar. Considerando a relação entre
automação e mudanças no mundo do trabalho proposta por estudos como Acemoglu e
Restrepo (2018) e Bain & Company (2018) entre outros, este estudo vai em busca dos
cenários mais prováveis da automação no comércio varejista do Brasil para, em seguida,
trazer suas consequências para o emprego.
Explica-se a escolha do setor de comércio por ser o que mais emprega no Brasil,
segundo pesquisa do IBGE (2015), como é possível ver na Figura 1. Além disso, pode-
19
se ver na Figura 2 que o comércio varejista é o que mais emprega no setor de comércio,
ainda segundo pesquisa do IBGE (2015).
Figura 1: Pessoal ocupado total, por classificação de atividades. Fonte: (IBGE, 2015)
Figura 2: Pessoal ocupado nas empresas comerciais. Fonte: (IBGE, 2015).
Por fim, define-se o cenário exploratório, ou seja, o mais provável de acordo com
os processos de mudança já conhecidos ou com extrapolações de tendências passadas.
Com isso, faz-se uma breve recomendação das ações que o governo deve tomar para gerar
frutos para o mercado de trabalho.
20
1.2 Objetivo
1.2.1 Geral
Entender as forças que estão por trás da evolução da automação brasileira ao longo
do tempo, além da definição e posicionamento dos agentes que a influenciam.
1.2.2 Específico
Propor um cenário para a automação no comércio varejista do Brasil, assim como
suas consequências para o mercado de trabalho, através do Método dos Cenários de
Michel Godet, utilizando-se, para isso, os diversos dados socioeconômicos disponíveis.
1.3 Justificativa do tema
O avanço, no início do terceiro milênio, de diversas tecnologias que prometem um
salto na automação mundial tem suscitado diversas discussões acerca do futuro do
mercado de trabalho. Compreender de que maneira essa automação avançará é de suma
importância para tomada de ações que garantam um avanço saudável, sem afetar a
geração de empregos.
Portanto, este estudo busca ajudar a responder a perguntas acerca desse tema,
especificamente no Brasil, afim de propor possíveis ações que abrandariam o efeito da
automação no mercado de trabalho: quão intenso será a automação extensiva (aumento
do número do tipo de tarefas automatizadas)? Quão intenso será a automação intensiva
(aperfeiçoamento de automação já existente)? Quão rápido será o ritmo do emprego das
novas formas de automação? Quantos novos tipos de tarefas serão criados na economia?
Ressalta-se ainda que, embora o resultado final (o cenário proposto) seja
específico para o setor do comércio varejista, os resultados parciais (as variáveis mais
importantes para automação e a interação entre os agentes) são compatíveis com qualquer
setor, permitindo, assim, estudos em outros setores da economia.
1.4 Limites
Como será visto mais adiante, na parte final do método utilizado (Método dos
Cenários), é recomendada a utilização de métodos baseados na opinião de especialistas
(Método Delphi, por exemplo) para mensurar a probabilidade das soluções encontradas.
Entretanto, devido à dificuldade de implementação e distribuição de um questionário,
decidiu-se por substituir este por uma pesquisa acerca do que os especialistas vêm
publicando ou falando, seja em artigos ou em entrevistas. A classificação das soluções
quanto às suas probabilidades será, então, feita de maneira qualitativa.
21
1.5 Motivação
Pertencentes à geração Y, os autores deste trabalho nasceram em uma época
marcada pela alta velocidade da informação. Essa geração, conhecida por ser a primeira
a nascer em um mundo totalmente globalizado, cresceu tendo que se adaptar a diversas
mudanças tecnológicas, propiciadas pelo advento da internet. Hoje, conforme a
tecnologia avança, não é diferente: com tantas mudanças, é fundamental entender as
tendências da sociedade para se preparar profissionalmente para o futuro. Dessa forma,
acredita-se que este estudo seja útil não só para prever movimentações em uma área tão
importante na geração de empregos, como também para estimular uma forma sistêmica
de se pensar sobre o futuro.
1.6 Resumo da Estrutura
No capítulo 1, é feita a contextualização e a explicação da relevância do tema
estudado, além de traçar os objetivos e limites do trabalho. Em seguida, no capítulo 2, é
explicada a metodologia utilizada, buscando esclarecer o raciocínio desenvolvido no
trabalho.
No capítulo 3, faz-se uma análise do panorama econômico e tecnológico,
enquanto, no capítulo 4, realiza-se uma revisão sistemática da literatura, considerando
artigos recentes do economista Daron Acemoglu e também relatórios de consultorias
estratégicas (Bain & Company, Mckinsey & Company e Boston Consulting Group).
Além de explicar fenômenos relacionados à automação e o Método dos Cenários de
Michel Godet, é feita uma pesquisa acerca do comércio varejista brasileiro e suas frentes
de automação.
No capítulo 5, aplica-se o Método dos Cenários, desde a prospecção das variáveis-
chave até a análise morfológica. definição do cenário mais provável. Já no capítulo 6, é
apresentado o resultado do trabalho, ou seja, a definição de um cenário para a automação
no comércio varejista brasileira. Nesse capítulo, também são analisados os impactos da
desse cenário no mercado de trabalho, assim como feita uma breve recomendação de
política pública.
Por fim, no capítulo 7, é apresentada a conclusão do trabalho, onde salienta-se as
forças e fraquezas encontradas no método nesse tipo de aplicação (automação no
comércio varejista brasileiro). O estudo é, então, finalizado, com algumas propostas de
trabalhos futuros que enriqueçam a base de conhecimento a respeito da automação no
Brasil.
22
2 Metodologia
Godet (2000) define cenário como a descrição de uma situação futura e do curso
de eventos que, a partir da situação atual, possibilitam alcançá-la. Além disso, dois são
os tipos de cenários: (i) exploratório, ou seja, partindo de tendências passadas e futuras,
e chegando a situações futuras prováveis; (ii) normativa, ou seja, futuros desejáveis, a
partir da visão de algum agente. Ainda segundo Godet (2000), os estudos de cenários
exploratórios e normativos permitem, quando feitos em conjunto, que um agente altere o
curso natural dos acontecimentos para chegar a seus objetivos, resultando assim em sua
estratégia.
Assim como definido no capítulo anterior, este estudo realiza uma análise
exploratória — ao definir o cenário mais provável, a partir de tendências passadas —, e
define as ações/estratégias necessárias por parte do governo. Para isso, utiliza-se o
Método dos Cenários proposto por Godet (1994) tendo como insumos, para sua execução,
o referencial teórico (academia e consultorias), além de dados históricos e atuais. O
fluxograma da metodologia se encontra na Figura 3.
Figura 3: Fluxograma da metodologia. Fonte: elaboração própria.
Começa-se a aplicação do método fazendo uma revisão do referencial teórico,
tendo como foco artigos de Daron Acemoglu (1) sobre modelagem matemática da
automação e seus efeitos, e estudos das consultorias Bain & Company (2018), The Boston
Consulting Group (2015) e Mckinsey Global Institute (2018) sobre desdobramentos da
23
automação para os próximos anos. Esta fase tem como objetivo entender as relações de
causa e efeito que caracterizam o sistema aonde a automação está inserida para, então,
chegar-se às variáveis-chave (3) do problema — elasticidade substituição capital-
trabalho, custo da mão-de-obra, inflação, consumo e parcela de capital na produção
agregada.
Tendo definido as variáveis-chave, define-se os agentes que atuam no sistema.
Estes são os que, no passado, tiveram influência sobre essas variáveis, sendo eles o
governo, as grandes empresas do comércio varejista, as pequenas e médias empresas do
comércio varejista, as empresas fornecedoras de tecnologia e os trabalhadores. Após
identificá-los, faz-se uma análise do jogo (7) aonde eles estão inseridos, onde chega-se à
conclusão de que o governo e as empresas possuem grande convergência sobre seus
objetivos.
Neste ponto, é de suma importância salientar que os resultados das etapas 3
(determinação das variáveis-chave) e 7 (entendimento do jogo dos agentes) do método
são referentes à automação em geral, uma vez que modelos estudados se baseiam no
processo de automação como um todo. Apenas na determinação da etapa seguinte, ou
seja, na determinação das hipóteses (8) é, de fato, feita a particularização para o comércio
varejista. Essa etapa consiste em construir o espaço morfológico, sendo as componentes
deste as diversas atividades primárias do comércio varejista, ou seja,
recebimento/estocagem, entregas, marketing e atendimento/caixa.
Chega-se, então, à hipótese mais provável (12) — ou cenário exploratório —
tendo como suporte dados atuais do setor do comércio varejista no Brasil (9), das suas
frentes de automação (10) e do contexto macroeconômico (11). Por fim, considerando
toda a análise feita anteriormente, são propostas ações (13) por parte do governo, de modo
a incentivar o mercado de trabalho.
24
3 Panorama econômico e tecnológico
3.1 Panorama Macroeconômico Brasileiro
Recém-saído de uma profunda crise econômica, tido para alguns especialistas
como a mais grave desde a segunda guerra mundial (OREIRO, 2017), o Brasil demonstra
lentos passos de recuperação na sua situação econômica. Após duas quedas do PIB — de
3,5% em 2015 (em relação a 2014) e 2016 (em relação a 2015) — o país teve uma tímida
recuperarão em 2017, concretizando um preocupante crescimento de apenas 1,0%
(SEPLAN, 2018)
Para 2018, entretanto, é prevista uma ligeira melhora no crescimento do PIB,
apoiado, em parte, pelo consumo e investimento privado (ANSPACH, 2018). Após um
início de ano repleto de incertezas, fazendo com que instituições e especialistas
divergissem quanto às suas previsões, esse crescimento começa a se estabilizar em 2,18%,
segundo relatório Focus de junho de 2018.
Para 2019, os números seguem melhorando, indicando um crescimento real do
Produto Interno Bruto próximo a 3,0% a.a. (FOCUS, 2018). A concretização dessas
previsões, no entanto, dependerá da capacidade do governo de implementar um pacote de
medidas de austeridade fiscal (BARBOSA, 2017), além de fatores externos, como a
política monetária do governo dos EUA (MELLO, WELLE e DE OLIVEIRA, 2018).
Contudo, diante de um cenário político muito instável, ano de eleição e muitos
protestos, o projeto dessas medidas avançam lentamente. Além disso, a instabilidade do
cenário internacional pode afetar o interesse de investidores internacionais, tornando a
taxa de câmbio uma incógnita e fazendo com que o governo altere a taxa de juros interna
(MANKIW, 2018).
Para entender a situação atual, assim como o planejamento do governo para os
próximos anos, é fundamental a compreensão dos fatores que levaram à crise. Dessa
forma, na busca dessa compreensão, o presente capítulo é dividido em três partes:
i. Da prosperidade à crise;
ii. Situação econômica atual;
iii. Expectativas e próximos passos da política econômica.
3.1.1 Da prosperidade à crise
Após um começo de milênio apresentando grande ascensão econômica,
culminando em um crescimento real de 7,53% a.a. em 2010, o Brasil teve uma brusca
reversão do quadro, traduzida em uma rápida desaceleração do PIB. Como se pode ver
25
na Figura 4, em 2015, o que era uma desaceleração virou uma contração, fazendo com
que o país entrasse em uma profunda crise econômica, durando dois anos.
Para Barbosa (2017), a crise resulta de um conjunto de choques de oferta e
demanda, resultado de erros de política econômica que coincidiram com o momento da
realização da Nova Matriz Econômica (NME). A NME foi um conjunto de políticas na
economia que incluíram medidas como redução da taxa de juros, elevação de gastos,
concessões de subsídios e intervenção em preços.
Ainda segundo Barbosa (2017), os choques de demanda são divididos em três
grupos: o esgotamento da NME a partir de 2014, a crise de sustentabilidade da dívida
pública doméstica de 2015 e a correção do populismo tarifário, que demandou uma
política contracionista para controle inflacionário.
Figura 4: Aumento do PIB (% anual) por ano. Fonte: Banco Mundial (2018).
Dentre as políticas que resultaram no fim da NME, as mais relevantes foram em
relação à política da taxa de juros e de investimentos. Em 2012, o governo aumenta a taxa
de juros em um momento de aceleração da inflação. Sabe-se que a taxa de juros é
instrumento do governo para controle da inflação; historicamente, o aumento da taxa de
juros desacelera a inflação.
Em relação à política de investimentos, um ambicioso plano para a exploração,
produção (pré-sal) e refino do petróleo, resultou em um aumento da importância da
Petrobras que chegou a representar 10% de todo investimento do país. Após a criação de
26
empresas e a construção de estaleiros, a política não apresentou os resultados esperados
(BARBOSA, 2017).
Essa política, que utilizou recursos públicos de forma exagerada, no entanto, não
veio acompanhada de um aumento da produtividade total dos fatores (PTF), mas sim de
uma queda desta (ver Tabela 1). Assim, reduziu-se a capacidade de crescimento da
economia no período e, consequentemente, não expandiu o produto potencial
(BARBOSA, 2017).
Tabela 1: Decomposição do crescimento do PIB. Fonte: Barbosa (2017).
O não aumento da PTF, por sua vez, é explicada pela queda nos investimentos,
explicada pela grande incerteza no país, que tornara a taxa de retorno do capital uma
incógnita. Como se sabe, a demanda por investimentos é maior, quanto maior for a Taxa
de Retorno sobre o Capital Próprio (Return on Equity ou ROE). De fato, observou-se uma
redução desta, alcançando um valor mais baixo do que a inflação, tornando-se assim
negativa em termos reais, como é possível ver na Tabela 2 (OREIRO, 2017).
Tabela 2: Evolução da taxa de retorno sobre o capital próprio e da Taxa Selic (2010-2014). Fonte: Oreiro
(2017).
27
Além disso, com a intervenção no setor energético, houve a redução das tarifas de
energia e o controle do preço da gasolina, afetando negativamente a margem de lucro da
Petrobras e Eletrobras (OREIRO, 2017). O controle de preços seria seguido por sua
liberação em 2015 e resultando em um abrupto realinhamento de preços que levou a um
choque negativo na economia, representando, apenas para Petrobras, uma perda de R$ 50
bilhões (BARBOSA, 2017). A dispersão desse choque, por sua vez, fez com que o Banco
Central elevasse a taxa de juros para controlar a inflação (BARBOSA, 2017). Como
explica Oreiro (2017), o realinhamento de preços causou um salto na inflação de 6,41%
em 2014 para 9,48% em 2015,
A intervenção governamental e seus estímulos fiscais prejudicaram as contas
públicas, ocasionando em uma deterioração da dívida pública, após a transformação do
superávit primário de 2% do PIB real em um déficit primário superior a 3%. Isso elevou
de forma substancial o risco Brasil, e implicou no aumento da taxa de juros. Por fim,
observou-se uma redução real nos investimentos em 4,8% e a menor taxa de crescimento
real do consumo nos últimos anos (BARBOSA, 2017).
3.1.2 Situação econômica atual
Como exposto anteriormente, após grave crise econômica que resultou na
contração do produto interno bruto, o Brasil volta a crescer em 2017, após passar por uma
grave recessão (Figura 5).
Figura 5: evolução trimestral do PIB. Variação acumulada 4 trimestres (%). Fonte: adaptado de SEPLAN
(2018).
Como se pode ver na Figura 6, a recuperação do país foi puxada em grande parte
pelo crescimento real de 3,1% da agropecuária no primeiro trimestre, que manteve-se
forte, chegando a um crescimento real de 13% no quarto trimestre.
28
Figura 6: evolução trimestral dos componentes da oferta do PIB. Fonte: adaptado de SEPLAN (2018).
No lado da demanda, repara-se recuperações nas exportações, que voltaram a
crescer no terceiro semestre de 2017, e no consumo das famílias, que voltou a crescer no
quarto trimestre, diferentemente dos investimentos, que continuaram caindo (Figura 7).
Figura 7: evolução trimestral dos componentes da demanda do PIB. Fonte: adatado de SEPLAN (2018).
Já no que diz respeito à criação de emprego formal, o início de 2018 é marcado
pela volta da criação de empregos, após retração de 2015 a 2017 (Figura 8).
29
Figura 8: criação de empregos formais, acumulado no ano até o mês de referência. Fonte: adaptado de
SEPLAN (2018).
Focando a análise do desemprego no setor do varejo, revela-se o quão importante
é o varejo para geração de emprego no Brasil. Na Figura 9, está a evolução mensal do
saldo total de emprego e do saldo do setor do varejo nos meses de junho de 1992 a 2018,
onde é possível ver que a curva do total dos setores acompanha a curva do varejo.
Também se observa o quão grave a crise iniciada em 2014/2015 foi para o varejo: neste
setor, nota-se um saldo negativo na criação de empregos em 2014 que, se considerado a
relação histórica, indicaria um saldo negativo na criação total de empregos no ano
seguinte (2015).
30
Figura 9: Brasil - Evolução mensal do saldo de emprego nos meses de junho de 1992 a 2018, sem ajuste:
comparação entre total de setores e varejo. Fonte: CAGED – Junho 2018.
A inflação, por sua vez, se mostrou estável de 2017 a 2018 (2,86% em janeiro),
após redução em anos anteriores (Figura 10).
Figura 10: inflação. Fonte: SEPLAN (2018).
Observando a taxa básica de juros, a SELIC, observa-se um decline considerável,
alcançando 6,75% em fevereiro (Figura 11).
31
Figura 11: evolução das taxas de juros (meta SELIC e TJLP). Fonte: adaptado de SEPLAN (2018).
Em relação ao comércio exterior, observa-se uma alta recente da taxa de câmbio,
chegando no maior nível desde 2 de março de 2016 (R$ 3,84 em 06/06/2018),
influenciado pela aumento da demanda do dólar devido à expectativa do aumento da taxa
de juros nos EUA (FOLHA, 2018). Veja a Figura 12.
Figura 12: evolução da taxa de câmbio. Fonte: IPEA (2018).
Concernente às contas públicas, observa-se uma melhora do resultado primário
(acumulado em 12 meses), após uma redução das despesas primárias (Figura 13).
0
0,5
1
1,5
2
2,5
3
3,5
4
4,5
jan
/20
09
jul/
2009
jan
/20
10
jul/
2010
jan
/20
11
jul/
2011
jan
/201
2
jul/
2012
jan
/20
13
jul/
2013
jan
/20
14
jul/
2014
jan
/20
15
jul/
2015
jan
/20
16
jul/
2016
jan
/20
17
jul/
2017
jan
/20
18
R$ Taxa de câmbio nominal
32
Figura 13: resultado primário do Governo Central — % do PIB. Fonte: adaptado de SEPLAN (2018).
A previdência social, entretanto, tem sua situação cada vez pior, ocasionada pelo
aumento vertiginoso das despesas relacionadas (Figura 14).
Figura 14: regime geral da previdência social. Fonte: adaptado de SEPLAN (2018).
Por fim, observamos uma melhora substancial no Risco-Brasil, fruto da melhora
das contas do governo, que teve sua credibilidade aumentada (Figura 15).
33
Figura 15: evolução da percepção de Risco-Brasil (EMBI+). Fonte: adaptado de SEPLAN (2018).
3.1.3 Expectativas e próximos passos da política econômica
Como se pode ver no anexo 1 (Relatório Focus de junho de 2018), há uma melhora
no crescimento do PIB, indo de 2,19% em 2018 para 3,0% em 2019, e um crescimento
modesto das taxas de juros (6,53% em 2018 para 7,13% em 2019) e inflação (3,65% em
2018 para 4,01% em 2019), indicando certa estabilidade econômica no país. Desse modo,
com diminuição da incerteza e uma taxa de juros relativamente baixa, espera-se a
retomada de investimentos no país. Além disso, uma melhora no resultado primário
(Figura 16) deve melhorar o risco do país, aumentando a credibilidade deste e atraindo
capital estrangeiro.
Figura 16: mediana do resultado primário (% do PIB). Fonte: BCB.
34
Ressalta-se que é fundamental a solução do problema fiscal para a retomada do
crescimento, de modo a estabilizar a relação dívida/PIB brasileira (BARBOSA, 2017).
Entretanto, se medidas de austeridade fiscal como a reforma da previdência não forem
concretizadas, o Brasil pode voltar a correr sérios riscos. Como foi visto anteriormente, a
despesa do Regime Geral de Previdência Social (RGPS) entrou em disparada,
aumentando o rombo do mesmo.
Barbosa (2017) esclarece que são necessárias políticas que retomem o
crescimento do país, como a redução do grau de intervenção na economia, para melhor
alocação do capital, e flexibilização do mercado de trabalho para aumentar a
produtividade. Além disso, também é defendida a recuperação da poupança doméstica de
maneira a possibilitar um aumento do investimento doméstico, principalmente em
infraestrutura.
Oreiro (2017) também toca na questão da flexibilização do mercado de trabalho,
adicionando que é fundamental uma redução do custo de trabalho na indústria. Esta
redução, em conjunto com a manutenção da taxa de câmbio em um patamar competitivo,
é importante para o reestabelecimento das margens de lucro das empresas.
Contudo, resolver os problemas internos não bastam para garantir o crescimento.
Risco a fatores externos, como a política monetária americana e a onda de protecionismo
iniciada pelo governo Trump, podem tornar a taxa de juros interna volátil, além de
prejudicar o crescimento do setor externo do Brasil. Isso se deve ao fato de que esse
protecionismo envolve produtos tipicamente exportados pelo Brasil como, por exemplo,
o aço (MELLO, WELLE e DE OLIVEIRA, 2018).
3.2 O Setor do Comércio Varejista no Brasil
3.2.1 Panorama atual
Após acentuada queda no crescimento das vendas, culminando numa contração
delas em 2016, devido à crise econômica explicada anteriormente, o comércio varejista
volta a crescer em 2017, como pode ser visto na Figura 17.
35
Figura 17: Receita nominal - Média dos setores do Varejo. Índice Mensal (Base: igual mês do ano
anterior). Fonte: IBGE (2018).
No Apêndice A, está a evolução da receita nominal nos vários setores do comércio
varejista desde 2007. Nesse gráfico, é possível observar que os setores mais afetados pela
crise foram “Equipamentos e materiais para escritórios, informática e comunicação” e
“Móveis e Eletrodomésticos”. O menos afetado foi “Artigos farmacêuticos, médicos,
ortopédicos, de perfumaria e cosméticos".
Analisando o desempenho no início de 2018, observa-se um crescimento de 3,8%
no comércio varejista restrito no primeiro trimestre de 2018 contra o primeiro trimestre
de 2017, puxado em maior parte pelas vendas de “Outros artigos de uso pessoal e
doméstico”, com crescimento de 8,7%, e também por “Hiper, Supermercados, produtos
alimentícios, bebidas e fumos”, com crescimento de 5,7%, como é possível ver na Tabela
3. O destaque negativo, por outro lado, é das vendas de “Livros, jornais, revistas e
papelaria”, com -8,2%.
36
Tabela 3: indicadores do volume de vendas no comércio varejista e comércio varejista ampliado, por
atividades, no Brasil — indicador trimestral (base igual trimestre do ano anterior). Fonte: IBGE (2018).
EXPECTATIVAS PARA O VAREJO EM 2018
As expectativas para o ano de 2018 são boas. Segundo especialistas, o conjunto
de renda e emprego, que vem melhorando de maneira gradual, e a tendência de melhora
no crédito são pontos chave dessa recuperação. Após dois anos de consumo fraco, espera-
se que a demanda, que estava reprimida, melhore o resultado de diversos setores, como
os têxteis, de alimentos e o de eletrodomésticos (RIBEIRO, 2018).
Enquanto o setor de alimentos é beneficiado pela safra que, neste ano, espera-se
ser menor que a do ano passado, melhorando sua margem, os outros segmentos
aproveitarão as melhores condições de crédito, que tem como um dos motivos a taxa de
juros mais baixa. Além disso, pode-se ver na Figura 18 que a boa expectativa é
confirmada pela alta das ações das empresas do setor do comércio, em especial, varejista.
(RIBEIRO, 2018).
37
Figura 18: Ações das empresas do setor de comércio. Fonte: O Globo (2018).
Dessa forma, a Confederação Nacional do Comércio de Bens, Serviços e Turismo
(CNC) prevê um crescimento de 5,0% no comércio em 2018. Ainda segundo a entidade,
o processo de desinflação e a intensificação da queda da taxa de juros, além da retomada
do nível de emprego, são cruciais para a consolidação da recuperação. Entretanto, o setor
continua pendente da recuperação das condições de consumo (NIELMAR, 2018).
3.3 O Futuro da Automação Segundo Consultorias
Como insumo cujo objetivo é ter algum vislumbre qualitativo sobre o futuro da
automatização mundial e no Brasil, este estudo utilizará os comentários, principalmente
qualitativos, de um dos principais observadores do ponto de vista corporativo. Esses
observadores são as consultorias estratégicas, cujo papel que combina percepções
profundas dentro das dinâmicas das organizações e mercados, é capaz de construir um
horizonte das expectativas a respeito do futuro da automação.
Para elucidar de forma mais coesa com o objeto de estudo, faz sentido olhar a visão
geral do panorama (ponto de vista da automação no mundo), depois restringe-se
geograficamente (ponto de vista da automação no Brasil) e por fim filtra-se por atividade
econômica (visão do varejo no Brasil)
Dentro desse objetivo identifica-se algumas tendências mundiais no panorama
geral que estão presentes em todos os relatórios em maior ou menor grau e por isso
merecem atenção, são elas:
1. Aspecto demográfico e envelhecimento da população
2. Variação do ritmo da automação
38
3. Grau de competitividade das economias avançadas contra a mão de obra mais
barata das economias em desenvolvimento
3.3.1 Panorama geral
Segundo os principais relatórios de consultorias globais, hoje vive-se uma era de
transformação equivalente à do século passado, quando houve a migração de uma
sociedade agrária para uma sociedade industrial. A diferença é que hoje essa
transformação é dirigida pela robótica (automação manual) e pela inteligência artificial
(automação intelectual) que estarão gerando a disrupção em praticamente todos os setores
da economia.
3.3.1.1 Envelhecimento da população
De acordo com um relatório do Mckinsey Global Institute (MGI) para o World
Economic Forum (2018) o envelhecimento da população impactará o crescimento
econômico de forma bem acentuada. Indaga-se que o crescimento do PIB mundial nos
últimos anos teve o protagonismo de dois principais fatores, o crescimento da população
e o aumento da produtividade (produção por trabalhador). Um desses fatores está
entrando em declínio, sobrando para a produtividade compensar os dois, o que acaba por
estimular o desenvolvimento e implementação de tecnologias de automação.
Outro relatório, da Bain & Company’s Macro Trends Group (2018) endossa essa
tendência. Ele prevê que o envelhecimento da população gerará escassez de mão de obra
e influenciará as empresas a investirem em tecnologias de automação.
3.3.1.2 Ritmo da automação
As consultorias também chamam atenção para o ritmo de automação, ou seja, o
quão rápido e quantos esforços os países estarão dispostos a empregar para acelerar ou
diminuir o processo de desenvolvimento e implantação de tecnologias de automação. De
acordo com um estudo do The Boston Consulting Group (2015) a respeito da velocidade
de adoção de tecnologias de automação na manufatura, existe, por um lado, o interesse
dos países em proceder de forma moderada, dada a tensão entre o estímulo à automação
causado pela expectativa de diminuição do crescimento da força de trabalho, com o
estímulo para um processo mais lento para evitar uma disrupção massiva nos setores da
economia e permitir que a força de trabalho tenha tempo para se adaptar. Por outro lado,
uma vez que as primeiras empresas começarem a implementar novas formas de
automação, as outras irão segui-las rapidamente para se manterem competitivas.
39
Vale ressaltar que mesmo que este estudo tenha a manufatura como objeto de
estudo, ele continua sendo relevante para o varejo por dois motivos. O primeiro se refere
à aproximação do ritmo de automação da manufatura em um determinado espaço
temporal ao ritmo futuro à esse mesmo espaço no setor de serviços. O segundo salienta
que esse estudo relata a postura dos países frente à uma onda de automação, portanto a
manufatura é apenas uma particularização.
Nessa linha de estudo, o BCG expõe que o ritmo de adoção das tecnologias de
automação estará diretamente atrelado à indústria e características do país, alguns com
uma postura mais agressiva, outros com uma abordagem mais lenta. Dito isso, o BCG
salienta três tendências principais que influenciam a velocidade de adoção de forma mais
geral:
• A relação custo-produtividade
• Os avanços tecnológicos que derrubam barreiras de adoção em setores-chave
• Chegada de sistemas acessíveis a pequenos manufatureiros tanto pelo custo
quanto pela complexidade
Analisando essas tendências e o contexto de cada país, o BCG organizou os seguintes
países:
Figura 19: Categorias de adoção de tecnologias de automação. Fonte: BCG (2015)
40
A Figura 19 ilustra as 4 principais posturas frente a adoção de novas tecnologias
de automação na manufatura e exemplos dos respectivos países que se adequam a essa
abordagem:
• Agressiva (Aggressive) – Já vem instalando mais robôs do que seria esperado por
essas economias, dado a produtividade ajustada pelo custo da mão de obra desses
países. O motivo é parcialmente explicado pelo fato de todas essas economias
possuírem crescimento acima da média de salários, possuírem taxa de desemprego
baixa e força de trabalho em processo de envelhecimento rápido. Cerca de 50%
das tarefas relativas a manufatura automatizadas até 2025
• Rápida (Fast) – Se encontram em situação similar aos países com postura
agressiva, porém como se tratam de economias maiores e mais robustas, essas
possuem graus de complexidade, regulações e ações, em geral do governo, para
impedir uma disrupção massiva e incentivo para uma abordagem mais moderada
através de legislações trabalhistas e assistência aos trabalhadores. Cerca de 30 a
45% das tarefas relativas a manufatura automatizadas até 2025.
• Moderado (Moderate) – Estão em um ritmo que acompanha o crescimento
econômico desses países, possuem maiores regulamentações trabalhistas,
restrições ao capital externo e controle governamental das taxas de juros devem
contrinuir para amenizar a adoção de tecnologias de automação. 30 a 35% das
tarefas relativas a manufatura seja automatizadas até 2025.
• Lenta (Slow) – Apesar de possuírem um alto custo de mão de obra, sofrerem com
o processo de envelhecimento da população, estas economias possuem um
processo bem mais lento de adoção de tecnologias de automação. Um dos
principais motivos para isso são as regulações que proíbem ou dificultam a
substituição da mão de obra por capital. São governos menos flexíveis que
prejudicam não só o processo de automação, mais desencorajam o investimento
em bens de capital no longo prazo, forte controle sobre as taxas de juros e restrição
de investimento externos são empecilhos adicionais. Até 15% das tarefas relativas
a manufatura seja automatizadas até 2025. O que tornará difícil para os que
possuem processo de adoção lenta competirem com os que possuem processos
mais rápidos
41
Vale ressaltar que as porcentagens de adoção à automação utilizadas nesse estudo
possuem função primariamente comparativa entre as posturas dos países, sendo então
interpretadas de forma qualitativa.
Complementando essa abordagem, o MGI (2018) salienta ainda cinco elementos que
devem ser considerados pelos países em relação a adoção futura de uma tecnologia de
automação:
1. Potencial Tecnológico
2. Custo de desenvolvimento e de implementação de tecnologias de automação
3. Dinâmica de oferta e demanda de mão de obra
4. Benefícios da automação além da substituição da mão de obra (maior
produtividade, melhor qualidade, menor quantidade de erros e competências que
superam a habilidade humana)
5. Regulação e problemas sociais oriundos da possível automação de funções
críticas que podem pôr em risco a segurança da população (cirurgias e trânsito em
vias públicas) e substituição da mão de obra.
3.3.1.3 Competitividade das economias avançadas frente a mão de obra mais
barata das economias em desenvolvimento
Outro fator abordado pela Bain (2018) é o efeito do aumento do salário na China
como estimulo para automatização. É mostrado que, na China em 2010, o período para
se obter retorno sobre o investimento na substituição da mão de obra (estimated payback
period), ou seja, o benefício em se automatizar uma função era entorno de 5,3 anos. Em
2016, a combinação de queda nos preços dos robôs e o aumento do custo da mão de obra
diminuíram esse período para 1,5 anos. E é esperado que até o o final da década, esse
período será reduzido para menos de um ano.
Um efeito semelhante é descrito ainda pela Bain (2018) e observado em outros
países, as novas gerações de tecnologias de automação estão se tornando competitivas
frente à mão de obra de países em desenvolvimento. Por exemplo, em 1997, o valor
agregado fabril adicionado por dólar de trabalho era o dobro no México em relação aos
Estados Unidos. Em 2013, essa diferença diminuiu para menos de 15%. O que mostra um
crescimento da atratividade de arranjos mais automatizados nas economias mais
avançadas.
42
3.3.2 Panorama Brasil
Dentro dos comentários das principais consultorias é encontrado um olhar
especial para o Brasil, e como este vai se comportar futuramente dentro desse novo
contexto homem-máquina.
3.3.2.1 Automação geral
Anteriormente foi mostrado que o Brasil foi categorizado como um país que
possuirá um processo de adoção de tecnologias de automação lento. O relatório do BCG
(2015) ainda salienta que devido ao impacto do governo em políticas trabalhistas, forte
controle sobre investimentos externos e taxas de juros implicarão em uma estimativa de
15% das tarefas relativas a manufatura, automatizada até 2025. O que prejudicará a
competitividade brasileira frente aos países que farão uma transição mais ligeira.
Por outro lado, a modelagem da adoção das tecnologias de automação feita pelo
MGI (2018) já denota um cenário ainda mais conservador. Nesse cenário é explicitado a
potencialidade de automação no Brasil, já que apenas com a tecnologia disponível hoje
já é possível automatizar metade de todas as horas trabalhadas pela força de trabalho, com
potencial especial nas áreas de manufatura e varejo. Além disso, estimativas do relatório
MGI preveem que até 2030, presumindo um cenário de adoção médio, 14% do total de
postos de trabalho poderão ser automatizados.
Além disso, uma visão mais panorâmica do Brasil é trazida por um estudo feito
pela Associação Brasileira de Automação (2018), que analisou os desdobramentos da
automação no Brasil.
O estudo desdobra a automação de empresas em diferentes dimensões de
automação, e ainda segmenta entre fábricas e comércio/serviços como mostrado abaixo:
• Empresas → Subdividida entre indústria e comércio/serviços
o Sistemas
o Relacionamento com o colaborador
o Relacionamento com o cliente
o Atendimento
o Logística
o Fábrica (Indústria)
o Loja (Comércio e Serviços)
43
Através da análise dessas dimensões de automação, o estudo estipula um índice
cujo intervalo de 0 a 1, sendo zero a inexistência de automação e 1 a automação plena,
denota a distribuição e concentração da automação no mercado brasileiro.
Como linha de base do estudo, salienta-se que o índice geral de automação do
mercado brasileiro é 0,22 no ano de 2017, esse número representa a média de adoção às
tecnologias de automação das empresas brasileiras, levando em conta o tamanho e setor
de atuação. Dessa forma, com base nele compara-se mais a frente as dimensões do varejo
e o porte das empresas.
3.3.2.2 Automação varejo
Como o objeto de estudo desse trabalho é o varejo brasileiro, essa sessão focará a
análise nos dados apresentados pela Associação Brasileira de Automação (2018) nesse
setor em específico, o comparando com o que se vê no universo Brasil como todo.
3.3.2.2.1 Comparação por setor
Figura 20: Comparativo entre indústria e comércio/serviços. Fonte: Associação brasileira de automação
(2018)
Primeiro, pode-se notar pela Figura 20 que a automação do mercado brasileiro
tem maior adoção no setor industrial, isso se dá principalmente porque foram nas linhas
de produção que surgiram as primeiras tecnologias de automação. A automação
comercial e de serviços tem uma história muito mais recente.
3.3.2.2.2 Comparação por dimensões no varejo
É importante ressaltar inicialmente que o varejo objeto de estudo desse trabalho
se difere da definição de varejo do estudo da Associação Brasileira de Automação. O que
será considerado varejo no caso desse estudo será o campo “comércio e serviços”
nas tabelas referidas.
44
Figura 21: Comparativo entre setores e dimensões. Fonte: Associação brasileira de automação (2018)
Como mostrado na Figura 21 (acima), nota-se como a distribuição da automação
no varejo está feita em relação às dimensões predefinidas. Nessa visão é possível tecer
alguns comentários sobre as dimensões:
Algumas dimensões impulsionam o índice de automação, enquanto outras ainda
possuem investimentos em fase muito inicial. As dimensões “Relacionamento com o
cliente” e “Relacionamento com o colaborador” por exemplo, só vem adquirindo
relevância recentemente, então as tecnologias que permeiam esse mercado, além de raras,
ainda são pouco adotadas pelas empresas.
Além disso, vale comentar que o índice de automação em lojas, ou seja, pontos de
vendas totalmente automatizadas ainda é extremamente residual no Brasil e grande parte
da contribuição ao índice da automação advém dos sistemas integrados de gestão e
logística, mesmo assim, estes estão defasados da indústria.
3.3.2.2.3 Comparação por porte de empresa no varejo
Figura 22: Comparativo da automação por porte de empresa. Fonte: Associação brasileira de automação
(2018)
Por fim, pode-se notar pela Figura 22 que a maior parte da automação está
concentrada nas grandes empresas, o que não chega a ser uma surpresa dado o grande
investimento necessário para implementação de soluções de automação. Mesmo assim,
já se nota algum grau de automação nas pequenas e médias empresas, o que denota um
45
crescimento na acessibilidade das soluções de automação que geram ganhos de
produtividade para as mesmas.
3.4 Frentes de Automação Iminentes no Comércio Varejista
Aqui serão discriminadas as principais frentes de automação relevantes para o
varejo e cuja implantação é vislumbrada no horizonte de 20 anos. Como um dos principais
critérios para aderência dessas soluções é o custo de adoção, uma atenção especial será
dada às estimativas do custo de implantação das tecnologias, essa estimativa será feita de
forma qualitativa, não tendo como objetivo a valoração do custo em si, apenas inferir se
determinada tecnologia possui um custo ainda alto e proibitivo, moderado ou se já possui
um custo mais baixo que facilita a aderência e se já existe indícios de disseminação no
varejo brasileiro. O objetivo é identificar tendências e possíveis entraves para
implantação dessas tecnologias.
Sendo assim, as principais frentes analisadas serão descritas abaixo em conjunto
com seu potencial custo de implantação.
• Esteira automática em conjunto com robôs
Dentro dos processos de recebimento e estocagem dos produtos do varejo,
existe a possibilidade da implementação de um sistema de esteiras
automáticas e robôs pré-programados que direcionam os produtos para os
seus respectivos locais de estoque ou saída para entrega. Esse sistema é
encontrado na Amazon, por exemplo, onde um investimento significativo
foi feito nessa área e hoje eles comercializam essa capacidade de
gerenciamento de estoque como serviço para terceiros que o utilizam para
vender os seus próprios produtos.
Custo: Altíssimo custo de implantação. Segundo o Seattle Business News
(2017), a Amazon investiu cerca de 200 milhões de dólares para
desenvolver a sua solução.
• Drones
Dentro do processo de entrega de produtos e serviços de delivery
(principalmente no e-commerce) existe expectativa de se utilizar drones
na última etapa de entrega, essa tecnologia consiste em pequenos veículos
aéreos não tripulados, elétricos e controlados por operadores que viajam
pequenas distâncias.
46
Custo: Baixo custo de manutenção. Segundo o Business Insider (2017),
estimativas dizem que cada entrega via drone custaria 1 dólar para a
Amazon.
• Veículos autônomos
Ainda no processo de entrega, porém mais focado nas primeiras etapas
(entre centros de distribuição interestaduais, por exemplo), é questionada
a utilização de veículos autônomos e elétricos capazes de percorrer
grandes distâncias. Apesar da expectativa nessa tecnologia, essa ainda se
encontra incipiente, possuindo alto risco e custo.
Custo: Alto custo de implantação. Segundo o Tecmundo (2017), o custo
de se adicionar recursos autônomos a veículos de linha está na faixa de 10
mil dólares.
• Beacon
Já na parte de eficácia de estratégias de marketing, tem-se tecnologias que
monitoram o trajeto e comportamento do cliente e geram dados para as
empresas de varejo analisarem e suportarem novas estratégias mais
efetivas. Essa tecnologia geralmente é instalada em pequenos dispositivos
que se conectam aos smartphones dos clientes, com o barateamento do
custo da conectividade e de hardwares que captam dados, essa tecnologia
possui um custo extremamente baixo.
Custo: Baixíssimo custo de implantação. Segundo o portal Practical E-
commerce (2015) o custo de dispositivos beacon está em torno de quarenta
e oitenta dólares.
• Big Data Analytics
Já onde serão geridos todos os dados captados pelas empresas de varejo,
encontra-se as tecnologias que são responsáveis pela gestão, estocagem e
análise desses dados. Essas soluções apesar de possuírem um custo alto de
implementação, já estão disseminadas nas empresas brasileiras.
Custo: Alto/Moderado custo de implantação. Segundo o portal da Forbes
(2012), a mão de obra especializada em conjunto com a migração de dados
de data centers para nuvem é alto, porém soluções para empresas que não
envolvem migração de dados são bem mais acessíveis.
• Machine Learning
47
Com a evolução dos processos de geração e gestão dos dados, tecnologias
que automatizam o processo de análise estão começando a surgir, essas
tecnologias utilizam modelagem matemáticas e estatísticas para criar
insights e previsões de cenários para os dados consumidos. O custo de
processamento dessa tecnologia já vem sendo reduzido dado a
popularização da tecnologia e disseminação de profissionais
especializados nessa área.
Custo: Baixo custo de implantação. Segundo o catálogo de serviços
prestados pela Amazon, o custo de 20h de processamento e criação de mil
modelos de previsões custaria em torno de 100 dólares.
• Autoatendimento
Como ponto chave de contato com o cliente em casos de serviços de
atendimento, chatbots, vem sendo implementados em empresas diversas,
em especial no varejo. Esses chatbots são robôs que são capazes de fazer
o primeiro contato com o cliente e sanar alguns problemas padronizados,
economizando o tempo dos atendentes e barateando o serviço.
Custo: Baixo custo de implantação. Segundo o portal da IBM (2017),
chatbots seriam capazes de diminuir em 30% o custo do atendimento ao
cliente.
• Self Checkout
Caixas automáticos que prestam o serviço de venda de produtos no varejo
já são uma realidade, são máquinas capazes de identificar o produto
escolhido e receber o pagamento pelo método preferido do cliente.
Custo: Alto custo de implantação. Segundo o MIT o custo de implantação
de uma máquina de self checkout custa em torno de U$125.000,00. Se
configurando como um investimento inicial alto, porém com custo de
manutenção baixo.
• Just Walk Out Technology (Amazon)
A Amazon está desenvolvendo uma tecnologia que acabaria com a
necessidade de se ter um caixa na saída de uma loja. Essa tecnologia
consiste em um conjunto de câmeras, algoritmos avançados para
identificação de objetos por computadores e um processo igualmente
avançado de aprendizado de máquina para reconhecer os produtos
48
retirados das prateleiras e realizar o processo de pagamento
automaticamente quando o cliente sair da loja.
Custo: Alto custo de implantação. Segundo o The Guardian (2018), o
poder computacional e sensores de alta tecnologia necessários para
implantação dessa solução demandam um investimento bem maior que um
posto de self checkout.
49
4 Revisão Sistemática da Literatura
4.1 Dinâmica de Sistemas
4.1.1 Pensamento Sistêmico
Segundo Amarildo Fernandes (2003) o pensamento sistêmico é uma forma holística
de se pensar e abordar a compreensão de sistemas complexos e envolve uma mudança de
mentalidade. Essa mudança incentiva a prestar atenção nos inter-relacionamentos, em vez
de cadeias lineares de causa-efeito, ver os processos de mudança e olhar o ser humano
como parte de um processo de feedback, não ficando à parte dele (SENGE, 2017).
De acordo ainda com Senge (2017) esse pensamento nos ajuda a abordar um
diferente tipo de complexidade, a complexidade sistêmica, onde uma pequena mudança
em uma das variáveis causa uma cadeia mudanças que impactam o sistema como todo,
em contraponto à complexidade dos detalhes que aprofunda nas minúcias das variáveis
em detrimento da visão dos padrões e inter-relacionamentos principais.
4.1.2 Sistemas dinâmicos
De acordo com Fernandes (2003) os sistemas podem ser classificados em ciclos
abertos e sistemas de feedback. O primeiro caracteriza por ter inputs que influenciam os
outputs, porém os outputs estão isolados e não exercem influência nos inputs (Relações
de causa-efeito). O segundo é caracterizado pela influência do seu passado, possuindo
uma estrutura onde o output influencia o input, nesse cenário causa e efeito se confundem,
pois uma causalidade não tem apenas um efeito e a informação sobre o estado do sistema
é a base da decisão que gera uma ação e que gera um resultado. E essa informação se
torna input novamente para um novo processo decisório. Essa estrutura caracteriza um
sistema dinâmico.
4.1.3 Dinâmica de sistemas
Dentro dos sistemas dinâmicos o principal objeto de estudo é o ciclo de feedback
que pode ser dividido em ciclos de reforço (+) e ciclos de equilíbrio (-). Segundo
Fernandes (2003) os ciclos de reforço se caracterizam por ter um efeito positivo, ou de
incentivar determinado comportamento da variável, os ciclos de equilíbrio proporcionam
o efeito contrário.
As modelagens de sistemas dinâmicos podem possuir duas abordagens, que são
divididas em modelagens soft e hard. A modelagem soft (que será utilizada nesse estudo)
possui um caráter qualitativo, desvantagem por não mostrar muita informação no decorrer
do tempo e geralmente é utilizada nas etapas iniciais, de conceptualização e definição do
50
problema. A modelagem hard já possui um caráter mais quantitativo, desvantagem de ter
um distanciamento dos agentes estudados e geralmente é utilizada nas etapas posteriores
de um estudo.
Nesse estudo em particular será utilizado como parâmetro para modelagem, as
etapas da modelagem soft abordada por Fernandes (2003) a seguir:
1. Definição de uma situação complexa de interesse → Onde é buscada uma situação
importante e complexa para a organização, ou para o conjunto de indivíduos
interessados.
2. Apresentação da história dos eventos → Onde o objetivo é assinalar eventos
relevantes relacionados com a situação ao longo do período considerado.
3. Identificação de fatores chave → Onde é necessário identificar que fatores ou
variáveis podem ser assinalados como chave para a compreensão da situação.
4. Observação do comportamento → Consiste em observar padrões de
comportamento através de gráficos de curva, de alguns elementos chaves e ao
longo do tempo.
5. Identificação de influências → Passo em que o objetivo é identificar as relações
causais entre os fatores, a partir da comparação das curvas, hipóteses preliminares
e intuições a respeito das influências recíprocas.
6. Identificação de modelos mentais → O objetivo desta fase é identificar os modelos
mentais presentes, ou seja, levantar crenças e pressupostos que os atores
envolvidos mantêm em suas formas de enxergar a realidade, e que estão ajudando
a criar a estrutura em questão.
O resultado dessa modelagem é chamado de enlace causal e é um modelo de
relacionamento entre os agentes envolvidos.
51
Figura 23: Exemplo de Modelagem Soft (Qualitativa). Fonte: Fernandes (2003)
Na Figura 23 tem-se um exemplo de enlace causal. Nele pode-se notar 4 ciclos de
feedback, dois ciclos de reforço (R+) e dois de equilíbrio (E-), assim como a visão das
inter-relações entre todos os agentes do sistema.
4.2 Modelagem Macroeconômica
4.2.1 O modelo
A modelagem macroeconômica realizada neste trabalho tem como objetivo
entender a dinâmica econômica do sistema em estudo. Esse sistema, durante a
implementação do Método dos Cenários, será baseado tanto nesta modelagem
(macroeconômica), quanto na modelagem tecnológica explicada no item 4.3.
Para a realização desta modelagem, faz-se uso da Dinâmica de Sistemas,
explicadas no item 4.1, buscando entender a interação entre as diversas variáveis e
localizando os ciclos de feedback em questão. Para simplificar, diz-se que uma influência
positiva é caracterizada por uma correlação positiva, enquanto influência negativa
caracteriza-se por uma correlação negativa. O modelo está representado na Figura 24 e
será explicado logo abaixo.
52
Figura 24:’ modelagem macroeconômica. Fonte: elaboração própria.
Uma vez que um dos objetivos deste trabalho é compreender o emprego da
tecnologia de automação, entende-se que uma das principais variáveis macroeconômica
é a demanda por investimentos I’. A partir desta variável, serão buscadas várias relações
de causa e efeito desta com outras variáveis, e assim por diante.
Observa-se que todas essas relações estão sob a condição ceteris paribus. Além
disso, salienta-se que este modelo possui como objetivo principal ter insumos, ou seja,
relações, para o desenvolvimento da matriz de análise estrutural proposta no Método dos
Cenários. Desta forma, o modelo procura representar ciclos de feedback que envolvam
variáveis macroeconômicas que estejam mais relacionadas as variáveis tecnológicas,
sendo elas o consumo C’ e demanda por investimentos I’. Por exemplo, sabe-se que C’ é
influenciado pelo nível de salário (ou custo do trabalho), enquanto I’ influencia a principal
variável do estudo, a parcela de capital na produção agregada.
Portanto, sem pretensões de obter uma modelagem hard, e com o intuito de obter
uma representação simplificada da realidade, decide-se por não representar no modelo
outras variáveis macroeconômicas como gastos de governo, importações e exportações.
Essas são, a priori, variáveis que possuem um menor número de relações com o modelo
tecnológico. Não está descartada, entretanto, a hipótese de testar novos modelos que
envolvam essas variáveis.
53
A primeira percepção que pode-se ter refere-se à taxa de juros real r. É uma
variável importantíssima para o modelo, integrando diversos ciclos de feedback e tendo
uma influência negativa (i) sobre a demanda por investimentos I’, uma vez que compõe
o custo do capital (WOILER e MATHIAS, 2015). A taxa de juros real r também possui
influência negativa (iii) sobre o consumo C’, devido ao aumento da demanda (MANKIW,
2018), influência negativa (ii) sobre a taxa de câmbio real er, devido à movimentação de
divisas (MANKIW, 2018), e é influenciada positivamente (iv) pela taxa de juros nominal
i, conforme a equação de Fisher (MANKIW, 2018).
Além de ser influenciado pela taxa de juros real r, a demanda por investimentos
I’ também é influenciada negativamente (vi) pela taxa de câmbio nominal en, que, por sua
vez, é influenciada positivamente (x) pela taxa de câmbio real er. Para a relação (vi),
toma-se como premissa que parte da tecnologia da automação é importada; para a relação
(x), sabe-se que a taxa de câmbio nominal é igual à variação da taxa de câmbio real mais
a diferença da taxa de inflação entre os dois países (MANKIW, 2018).
Ainda em relação à demanda por investimentos I’, ela tem influência positiva (ix)
sobre o PIB Y, uma vez que é um dos componentes da demanda no PIB (MANKIW,
2018), e influência positiva (xi) na inflação , por aumentar a demanda (lei da oferta e da
demanda) (MANKIW, 2018). Já o consumo C’, também possui, assim como o
investimento I’, influência positiva (viii) e (vii) tanto no PIB Y, quanto na inflação ,
pelos mesmos motivos.
Por fim, sabe-se que a inflação possui influência positiva (v) sobre a taxa de
juros nominal i, explicada através de uma relação histórica (BARBOSA, 2017), e é
influenciada positivamente (xii) pela taxa de câmbio real er, uma vez que o aumento desta
torna os bens importados mais caros (MANKIW, 2018).
4.2.2 Identificando os ciclos de feedback
É possível observar que todos os ciclos de feedback deste modelo envolvem a
inflação e a taxa de juros. Quando a taxa de inflação se eleva, o governo age, elevando a
taxa de juros, acionando ciclos de feedback de equilíbrio, fazendo com que a taxa de
inflação reduza novamente. A taxa de juros é, portanto, o instrumento escolhido pelo
governo para o controle da inflação.
Assim, nota-se que a inflação pode se elevar a partir de diferentes estímulos:
aumento da demanda das famílias (consumo C’), aumento da demanda das empresas
(investimentos I’) ou através do aumento da taxa de câmbio real er, pois torna os insumos
54
importados mais caros. Nesses três casos, há ciclos de feedback de equilíbrio,
respectivamente representados na Figura 25, Figura 26 e Figura 27.
Figura 25: ciclo de feedback de equilíbrio envolvendo inflação e consumo. Fonte: elaboração própria.
Figura 26: ciclo de feedback de equilíbrio envolvendo inflação e investimentos. Fonte: elaboração
própria.
55
Figura 27: ciclo de feedback de equilíbrio envolvendo inflação e taxa de câmbio real. Fonte: elaboração
própria.
Por outro lado, é possível observar um ciclo de feedback de reforço quando há
alterações na demanda por investimentos em função da variação da taxa de câmbio,
podendo gerar um aumento constante da inflação (Figura 28).
Figura 28: ciclo de feedback de reforço envolvendo inflação e investimentos a partir de importação de
bens de capital. Fonte: elaboração própria.
As figuras acima nos mostram o quanto é importante a identificação dos ciclos de
feedback para a formação de insights acerca do sistema. Assim, considerando um governo
racional, que possui como uma de suas metas o controle da inflação, esta deve ser
controlada atuando em variáveis que estejam nos mesmos ciclos de feedback, como é o
caso da taxa de juros nominal i.
56
4.3 Modelagem Tecnológica
O pano de fundo do comportamento das tecnologias de automação, seus principais
agentes no processo de automação e como estes se relacionam, serão mapeados de acordo
com a estrutura baseada em tarefas (ACEMOGLU e RESTREPO, 2018) em conjunto
com dois tipos distintos de mudança tecnológica que otimizam os fatores de produção,
uma que otimiza o trabalho e outro que otimiza o capital. Ressalta-se ainda que essa
modelagem será utilizada de forma qualitativa, apenas para definirmos relações entre os
agentes, portanto estes serão vistos de forma superficial e sem o rigor matemático exigido
para a aplicação do modelo e por fim que um resumo dessas interações pode ser visto no
apêndice B.
4.3.1 Abordagem baseada em tarefas
O principal pilar para a análise segundo Acemoglu (2018) se pauta na abordagem
baseada em tarefas, essa abordagem consiste em supor que a produção agregada total de
um determinado setor é resultado da combinação da produção de todas as tarefas que
agregam valor nesse setor. Essas tarefas estão distribuídas em um espectro com dois
extremos que representa a propensão dessa tarefa ser automatizada, um dos extremos
representa as tarefas com altíssima propensão a serem automatizadas e o outro mostra
tarefas com baixíssima propensão a sem automatizadas.
Figura 29: O espaço das tarefas e a representação do efeito da automatização de tarefas existentes
e da introdução de novas tarefas. Fonte: Acemoglu (2017)
57
O diagrama acima ilustra a série de tarefas, a fronteira de automação I, o total de
tarefas N e o limite tecnológico da automação atual Ĩ, vale ressaltar que a fronteira de
automação I vai ser sempre o menor valor dentre o limite da tecnologia de automação e
o limite cuja automação possui vantagem econômica frente à mão de obra.
Esse diagrama ilustra 3 efeitos distintos no modelo descrito por Acemoglu:
• O equilíbrio estável dado uma determinada fronteira de tecnologia I.
• Geração de novas tarefas - Alteração na parcela de tarefas dado a inserção de uma
tecnologia que gera novas tarefas para a mão de obra – Nesse caso a parcela de
trabalho na produção agregada aumenta à medida que N aumenta.
• Automação extensiva - Alteração na parcela de tarefas automatizadas com a
evolução tecnológica que diminui o custo, aumenta a produtividade e viabiliza a
automação de tarefas que eram antes feitas por trabalhadores.
4.3.2 Tecnologias que otimizam fatores de produção
Outro aspecto muito importante da modelagem utilizada em Acemoglu (2018) é
a mudança tecnológica como agente que atua otimizando os fatores de produção, ou seja,
o avanço da tecnologia incrementa a produtividade ou barateia o capital que, como
consequência substitui a mão de obra na parcela da produção agregada.
Equação 1: tecnologia como agente que otimiza os fatores de produção.
Esse aspecto assume a forma acima, onde temos o total da produção agregada Y
de um setor como sendo função das tecnologias que otimizam a produtividade do capital
AK e tecnologias que otimizam a produtividade do trabalho AL. Além disso temos o total
de capital disponível K e mão de obra disponível L.
4.3.2.1 Mudança tecnológica que otimiza a produtividade do capital, AK
Novamente segundo Acemoglu (2018), dentro do universo de otimização de
fatores de produção, do ponto de vista do capital, supõe-se que a automação é a mudança
tecnológica que otimiza a produtividade do capital e se estuda a alteração nas variáveis à
medida que se altera a fronteira da automação que gera produtividade do capital Ak.
Conforme a fronteira de automação vai progredindo, tem-se um aumento na parcela de
produção gerada pelo capital, dado que a elasticidade de substituição também estimula
58
esse processo de forma crítica, já que a propensão das empresas à utilizar as novas
tecnologias influencia tanto quanto à existência das ditas tecnologias.
Equação 2: impacto da evolução da tecnologia na elasticidade substituição capital-trabalho.
Onde εKL é a elasticidade de substituição entre capital e trabalho e sK é a parcela
de capital na produção agregada. Vale ressaltar ainda que como todo e qualquer fator
que influencie o aumento da parcela de capital na produção, também gerará a
diminuição da parcela de mão de obra na produção agregada.
4.3.2.2 Mudança tecnológica que otimiza a produtividade do trabalho, AL
Em seguida, Acemoglu (2018) faz algumas definições. Define primeiro que o
salário no equilíbrio W como sendo a derivada da produção agregada Y em função da mão
de obra disponível L, supondo o mercado em equilíbrio, o salário em equilíbrio será igual
ao produto marginal do trabalho.
Equação 3: salário em equilíbrio.
Essa abordagem já esclarece algumas interações entre a evolução da tecnologia
que otimiza o trabalho e o custo da mão de obra (salário) no equilíbrio. Em seguida vale
ressaltar os principais fatores que influenciam nessa parcela de contribuição da mão de
obra na produção agregada.
Equação 4: parcela de trabalho na produção agregada.
Conforme visto acima, o salário no equilíbrio e a quantidade de mão de obra
disponível são de suma importância na influência da parcela de mão de obra na
produção agregada segundo Acemoglu (2018).
4.4 Método dos Cenários
O Método dos Cenários, proposto e desenvolvido por Godet (1994), possui os
seguintes objetivos:
59
1. Detectar as variáveis-chave, a partir da identificação das variáveis inseridas no
sistema estudado através de uma análise sistêmica;
2. Determinar os principais agentes que influenciam o sistema e suas estratégias,
assim como os meios que eles dispõem para alcançar seus objetivos;
3. Descrever o desenvolvimento do sistema em estudo, em forma de cenários,
levando em consideração as evoluções mais prováveis acerca das variáveis-chave
e fazendo suposições sobre o comportamento dos agentes.
De maneira geral, duas são as fases que compõem o método: construção de uma
base de dados acerca do sistema; estabelecimento dos cenários, a partir da base de dados
construída. Ao final, é possível conceber um futuro possível e explorar os caminhos que
levam até eles, além de recomendar ações para o tomador de decisão.
Um destaque do método é seu aspecto modular, o que o torna bastante flexível. É
possível utilizar as ferramentas que o compõem (explicadas mais adiante) de forma
independente, possibilitando a mescla com métodos diferentes. Além disso, ao final do
método, pode-se usar técnicas de previsão clássicas para a quantificação dos cenários. O
fluxograma completo do método, com essas ferramentas, encontra-se na Figura 30.
60
Figura 30: Fluxograma do Método dos Cenários. Fonte: Godet (1994).
Construção da base de dados
A construção da base de dados é realizada em três fases:
1. Delimitação do sistema estudado;
2. Identificação das variáveis-chave;
3. Estudo do retrospecto do ambiente e das estratégias dos agentes.
Fenômeno sob estudo (Variáveis internas)
Ambiente geral (Variáveis externas)
Limitação do sistema e busca por variáveis-chvave
Variáveis influentes Variáveis dependetes
RETROSPECTIVA Mecanismo, Tendências e
agentes
SITUAÇÃO PRESENTE Sementes de mudança
Projeto dos agentes
TABELA Estratégia dos agentes
Suposições prováveis baseadas nas
variáveis-chave no futuro
CENÁRIOS Caminhos Imagens Previsões
Estratégias alternativas
Plano de ação
Análise estrutural Método
MICMAC
Análise do papel dos agentes
Método MACTOR
Método especialista: Questionári
o SMIC
Análise morfológica
Método de multicritérios
Multipol
61
Ao delimitar o sistema, constrói-se uma lista das variáveis – quantificáveis ou não
– que caracterizam o sistema, sendo elas divididas em dois grupos:
• Variáveis internas → caracterizam o fenômeno estudado;
• Variáveis externas → caracterizam o ambiente no qual o fenômeno está inserido,
considerando, por exemplo, o contexto político, econômico, tecnológico, entre
outros.
Um cuidado que deve se ter ao construir a base é se certificar de que mesmo as
variáveis que não influenciam o sistema hoje, mas que podem influenciar o sistema em
um momento posterior estão sendo consideradas. Como será demonstrado mais adiante,
as variáveis que compõem os sistemas interagem tanto de forma direta, quanto de forma
indireta.
A técnica utilizada nessa fase é a análise estrutural, que permite a demonstração
de uma hierarquia de variáveis, com base no seu grau de interação no sistema (tanto como
influenciadora em outras variáveis, quanto como influenciada por outras variáveis).
Dessa forma, é feita uma análise exploratória, que consiste em uma análise retrospectiva
e atual da situação dos agentes, com o objetivo de identificar os mecanismos que tiveram
influência na evolução do sistema, assim como fatores invariantes e tendências
importantes. Além disso, a análise do quadro atual permite identificar “sementes de
mudança” envolvendo as variáveis-chave, além das estratégias dos agentes que estão por
trás desses movimentos.
Ao final deste estágio, são determinadas as estratégias dos agentes para, então, ser
feita uma confrontação da intenção desses agentes e do desenvolvimento resultante do
poder entre eles. Neste ponto, faz-se, por fim, uma tabela com a síntese dos
desenvolvimentos passados e da situação atual.
Construção dos cenários
Após ter definido as variáveis-chave e relacionado as estratégias dos agentes, é
hora de elaborar as hipóteses acerca do futuro. Para isso, é realizada uma análise
morfológica, a partir da qual é definido um espaço morfológico, ou seja, todos os futuros
possíveis. Por fim, são sugeridos métodos baseados na consulta de especialistas via
questionário, como, por exemplo, o Método Delphi, de modo a criar um ranking das
hipóteses em termos de probabilidade e, consequentemente, uma hierarquia dos futuros.
Observa-se, entretanto, como explicado anteriormente, que este estudo não
contempla essa parte do método (questionário aos especialistas), sendo substituída por
62
uma pesquisa sobre o que vem sendo publicado e falado por consultorias e especialistas.
Essa alteração respeita a modularidade do método, não trazendo piores consequências
para o resultado: apesar de não ser feito um questionário, o ranking das hipóteses continua
baseado em especialistas.
O método é completado com uma descrição detalhada da imagem final e, se
necessário, as imagens intermediárias que levam até ela. Contudo, é importante frisar que
nenhum método prospectivo pode nos dar certeza sobre o futuro, pois este é sempre
incerto. O Método dos Cenários, entretanto, ao conjecturar, é de grande valia para pensar
sistematicamente acerca do futuro.
4.4.1 Identificação das variáveis-chave: análise estrutural
O objetivo principal da análise estrutural é analisar a relação entre as variáveis
que caracterizam o sistema em estudo. Assim, o sistema é representado através da criação
de uma matriz que interconecta todas as componentes do sistema, permitindo,
posteriormente, reduzir a complexidade do sistema, identificando suas variáveis-chave.
Essa análise é realizada em três etapas:
1. Listagem das variáveis;
2. Relacionamento das variáveis e construção da Matriz de Análise Estrutural;
3. Identificação das variáveis-chave através do Método MICMAC.
4.4.1.1 Listagem das variáveis
Para a listagem das variáveis, nenhum tipo de pesquisa é tirado de cogitação; o
importante é que nenhuma variável fique de fora da análise. Deve-se assim obter uma
lista exaustiva para, em seguida, obter um refinamento da mesma e, ao final, separar as
variáveis em internas que caracterizam o subsistema em estudo e são sensíveis ao
ambiente – e em externas – que caracterizam o ambiente e são as mais influentes.
4.4.1.2 Relacionamento das variáveis: construção da Matriz de Análise Estrutural
A Análise Estrutural procura inter-relacionar diversas variáveis em uma matriz
quadrada, denominada Matriz de Análise Estrutural, como pode ser visto na Figura 31.
Nela, lista-se as variáveis determinadas anteriormente tanto nos rótulos de linhas (i),
quanto nos rótulos de colunas (j). Feito isto, sempre que tivermos uma relação onde i tem
influência sobre j, escreve-se o dígito 1 no cruzamento da linha i com a coluna j. Em
outras palavras, i representa as variáveis como influenciadora, e j, como dependentes.
63
Figura 31: Análise Estrutural. Fonte: adaptado de Godet (1994).
Antes de determinar uma relação específica, é importante atentar-se para não se
cometer erros comuns como inversão de causa e efeito ou relações não diretas. Além
disso, deve-se considerar não somente variáveis que possuem relações hoje, mas também
as variáveis que possam vir a ter relações no futuro, ou seja, relações potenciais. Um
aspecto importante a se considerar é o grau de preenchimento da matriz. O autor do
método informa que, por experiência, uma matriz elaborada deve estar entre 15 e 25%
preenchida. Mais do que isso, ela está excessivamente preenchida, com ligações
secundárias sendo consideradas diretas. Na média, o grau de preenchimento deve estar
próximo ao da Figura 32.
Figura 32: grau de preenchimento da Matriz de Análise Estrutura. Fonte: adaptado de Godet (1994).
4.4.1.3 Identificação das variáveis-chave através do Método MICMAC
Após ter construído a Matriz de Análise Estrutural, é o momento de reduzir a
complexidade do sistema através do Método MICMAC (Cross-Impact Matriz –
64
Multiplication Applied to Classification). Este método procura apontar as variáveis
independentes e as dependentes (variáveis-chave), ao classificar as mesmas em diretas e
indiretas.
Examinar diretamente a matriz construída anteriormente é possível detectar quais
variáveis possuem impacto direto em outras, entretanto, isso não é suficiente para revelar
variáveis ocultas que podem ter grande impacto no problema estudado. Além das ligações
diretas entre variáveis, há também ligações indiretas, dispostas em cadeias de influências
e ciclos de feedback.
Como uma matriz pode conter milhões de interações em forma de cadeias e ciclos,
torna-se humanamente impossível interpretar a rede de relações. Dessa forma, o método
MICMAC, por meio de um sistema de multiplicação de matrizes aplicada à Matriz de
Análise Estrutural, é usado para estudar a difusão de impactos através de caminhos e
ciclos de feedback. Ao final do método, é possível estabelecer uma hierarquia para as
variáveis:
• Em ordem de suas influências, considerando o número de cadeias e ciclos de
tamanho 1, 2, ... n ... partindo de cada variável;
• Em ordem de suas dependências, considerando o número de cadeias e ciclos de
tamanho 1, 2, ... n ... chegando a cada variável.
4.4.1.3.1 O princípio de MICMAC: elevando o poder da matriz
O Princípio de MICMAC é baseado nas propriedades das matrizes booleanas.
Tomando o esquema da Figura 33, onde temos os subsistemas S1 e S2, e as variáveis a, b
e c, sabemos que S1 e S2 não são independentes, pois estão conectados através de a, b e
c. No que diz respeito aos efeitos diretos, temos:
• a é fortemente dependente de S1;
• c rege S2.
Ao analisar os efeitos diretos, tendemos a negligenciar b, porém esta variável
pode representar um elemento essencial da estrutura do sistema, pois é um ponto de
relação transversal entre os subsistemas S1 e S2.
65
Figura 33: exemplo de sistema. Fonte: Godet (1994).
Se a variável i influencia diretamente a variável k e se k influencia diretamente a
variável j, temos o que está representado na Figura 34 (a). Neste caso, qualquer mudança
em i pode ter repercussões na variável j, ou seja, há uma ligação indireta entre i e j,
representada na Figura 34 (b). Muitas ligações indiretas deste tipo, existentes na Matriz
de Análise Estrutural, não devem ser consideradas na classificação de ligações diretas.
Entretanto, ao elevar a matriz ao quadrado, esses tipos de ligações são revelados.
Figura 34: exemplo de ligação indireta. Fonte: adaptado de Godet (1994).
De forma algébrica, temos:
Equação 5: o princípio de MICMAC de forma algébrica.
Quando 𝑎𝑖𝑗2 não é igual a 0, há pelo menos um k onde 𝑎𝑖𝑘
1 × 𝑎𝑘𝑗1 = 1, i.e. há ao
menos uma variável intermediária k onde a variável i impacta k (𝑎𝑖𝑘1 = 1) e a variável k
impacta j (𝑎𝑘𝑗1 = 1). Portanto, podemos dizer que há um caminho de segunda ordem que
vai de i a j; se 𝑎𝑖𝑗2 = 𝑁, há N caminhos de segunda ordem indo de i a j, através de N
variáveis intermediárias.
66
De maneira similar, calculando A3, A4, ..., An, o número de caminhos de 3ª, 4ª e nª
ordem interconectando as variáveis podem ser encontradas. Cada vez que o processo é
repetido, uma nova hierarquia de variáveis, com classificação baseada no número de
ações indiretas (influências) que elas têm em outras variáveis, pode ser deduzida. Quando
elevada a uma certa potência, essa hierarquia se estabiliza, sendo o resultado final
denominado classificação MICMAC.
A soma dos elementos 𝑎𝑖𝑗𝑛 de uma linha i (𝑎𝑖𝑗
𝑛 sendo um elemento da matriz
elevada a n) representa o total de caminhos de tamanho n saindo da variável. Visto de
outra forma, pode-se dizer que a variável i influencia diversas outras variáveis do sistema.
Como consequência, a classificação MICMAC ordena as variáveis de acordo com a
influência que elas possuem (ou que elas sofrem) sobre o sistema levando em
consideração a rede de interligações descrita pela Matriz de Análise Estrutural.
Para tornar o processo mais claro, consideremos o sistema S, contido na Figura
35.
Figura 35: exemplo de sistema de três variáveis. Fonte: adaptado de Godet (1994).
S pode, então, ser representado pela Matriz de Análise Estrutural M contida na
Figura 36.
Figura 36: Matriz de Análise Estrutural do sistema S. Fonte: adaptado de Godet (1994).
67
Em M, os elementos da diagonal são iguais a zero, o que significa que a influência
de uma variável em si mesma não é levada em consideração, enquanto em ligações
indiretas, este tipo de influência é considerado, como é possível ver na Figura 37.
Figura 37: Matriz M elevada ao quadrado. Fonte: Godet (1994).
O dígito 1 no cruzamento da primeira linha com a primeira coluna significa que
há um caminho de tamanho 2 indo de A a A, como é comprovado na Figura 38.
Figura 38: influência de A em si própria através de forma indireta. Fonte: Godet (1994).
O dígito 1 no cruzamento da segunda linha com a primeira coluna significa que
há um caminho de tamanho 2 indo de B a A, como é comprovado na Figura 39.
Figura 39: influência indireta de B em A. Fonte: Godet (1994).
De maneira análoga, temos que os elementos de uma matriz elevada a 3 mostra
os caminhos e ciclos de tamanho 3 que vão de uma variável a outra Veja a Figura 40.
Figura 40: matriz M elevada ao cubo. Fonte: Godet (1994).
68
Após elevar a matriz a uma certa potência, como já comentado anteriormente, as
classificações das linhas (ranking das variáveis por influência) e colunas (ranking das
variáveis por dependência) se estabilizam, enfatizando a importância de certas variáveis
possuem devido a seus efeitos indiretos. Na Figura 41, notamos que as classificações das
linhas e colunas se estabilizam na potência de 4.
Figura 41: estabilização da classificação da linhas e colunas na potência de 4. Fonte: Godet (1994).
4.4.1.4 Comparação entre classificações diretas, indiretas e potenciais
Como foi possível ver anteriormente, além de um simples exame da matriz que
permite discernir as variáveis com maior número de conexões diretas com o sistema, é
muito importante identificar também as variáveis ocultas que, levando em consideração
o número de relações indiretas e ciclos de feedback, também se apresentam como muito
importantes. As variáveis são, portanto, classificadas como diretas ou indiretas, sendo
estas duas classificações associadas a horizontes de tempo:
• Classificação direta: resulta de relações com impacto do curto ao médio prazo. O
horizonte de tempo corresponde a menos de uma década.
• Classificações indireta: resulta de relações com impacto do médio ao longo prazo.
O horizonte de tempo de 10 a 15 anos.
Comparando ambas as classificações (direta e MICMAC), pode-se confirmar a
importância de certas variáveis, além de revelar outras que antes pareciam pouco
importantes, mas que, depois, passaram a ter grande relevância por causa das ligações
indiretas. Desconsiderar essas variáveis durante a análise exploratório pode distorcer os
cenários encontrados.
4.4.1.4.1 Gráfico influência-dependência
Após determinado o nível de influência e dependência (soma dos elementos de
cada linha e soma dos elementos de cada coluna, respectivamente) das variáveis, deve-se
posicionar as variáveis no Gráfico Influência-Dependência, representado na Figura 42.
69
Figura 42: Gráfico Influência-Dependência. Fonte: adaptado de Godet (1994).
O gráfico da ser dividido em cinco áreas:
Área 1: Variáveis determinantes: altamente influentes e pouco dependentes;
condicionam o resto de sistema.
Área 2: Variáveis retransmissoras: altamente influentes e altamente dependentes;
são instáveis por natureza; qualquer ação nessas variáveis impacta outras
variáveis, havendo um retorno do efeito (feedback), amplificando ou estabilizando
o impulso inicial.
Área 3: Variáveis resultantes: pouco influentes e altamente dependentes; são
influenciadas pelas variáveis determinantes (área 1) e retransmissoras (área 2).
Área 4: Variáveis rejeitadas: pouco influentes e pouco dependentes; constituem
tendências ou fatores que são relativamente desconectados do sistema, possuindo
poucas conexões com ele; por causa desse desenvolvimento relativamente
autônomo, elas pouco interferem no sistema, podendo ser excluídas da análise
sem afetar o resultado do estudo.
Área 5: Variáveis moderadamente influentes e/ou dependentes: a priori, nada
pode-se dizer a cerca dessas variáveis localizadas no agrupamento intermediário.
A disposição dos pontos ao longo do gráfico nos permite trazer conclusões sobre
a estabilidade do sistema. Em um sistema instável, percebe-se um agrupamento de pontos
ao longo da diagonal principal, sendo cada variável tanto influente quanto dependente:
cada ação nessas variáveis impacta outras variáveis do sistema, que retornam o efeito para
as variáveis originais. Em um sistema estável, por outro lado, há uma dicotomia entre
70
variáveis influentes, que permite a ação dos agentes sobre o sistema, e as variáveis
resultantes, que dependem das variáveis influentes. A representação de ambos os gráficos
se encontra na Figura 43.
Figura 43: estabilidade dos sistemas. Fonte: adaptado de Godet (1994).
Portanto, as variáveis retransmissoras, localizadas no canto superior direito do
gráfico, a priori, são as variáveis-chave do sistema — aquelas contra as quais os agentes
deverão lutar, devido ao seu teor instável.
Não há um uma interpretação oficial dos resultados do MICMAC. Contudo,
aconselha-se formar perguntas corretas acerca das variáveis e propor explicações
baseadas nas relações presentes no sistema. Estas explicações são de grande importância
para o próximo passo do Método dos Cenários, que constitui essencialmente em localizar
quais agentes estão envolvidos em cada variável e, portanto, quais agentes deverão ter
seus papéis cuidadosamente estudados, tanto no passado, quanto no presente e no futuro.
4.4.2 Entendendo a Estratégia dos Agentes: o Método MACTOR
Ao responder as questões sobre as variáveis-chave, todas as fontes de informação
estatísticas devem ser aproveitadas de modo a identificar as principais tendências,
analisar as descontinuidades do passado, as condições sob quais elas aconteceram e o
papel dos principais agentes nessa evolução. Uma pesquisa bem elaborada é necessária
para identificar os principais eventos que apontaram o caminho para o futuro, e obter um
melhor entendimento sobre a interação entre os eventos, além de melhor compreensão da
relação entre agentes.
Os agentes são elementos de um sistema que possuem vários graus de liberdade,
as quais eles estão aptos a exercer, através de ações estratégicas, para alcançar os
objetivos. Como consequência, analisar o movimento dos agentes, confrontando seus
planos e examinando o equilíbrio de suas forças é essencial para esclarecer essas questões
estratégicas,
71
O método MACTOR (Matrix of Alliances and Conflicts: Tactics, Objectives and
Recommendations) tem como objetivo aproveitar de melhor maneira as informações
contidas na tabela de estratégia dos agentes. A análise dos movimentos dos agentes,
proposta pelo método, é composta por 6 etapas:
1. Anotar cada plano, movimentações, restrições e meios de ação (construir a tabela
das estratégias dos agentes).
2. Identificar as questões estratégicas e objetivos associados a cada disputa, ou
“campo de batalha”.
3. Posicionar cada agente em cada disputa e observar as convergências e
divergências.
4. Classificar os objetivos de cada agente e avaliar as possíveis táticas (interações de
possíveis convergências e divergências) em termos de seus objetivos prioritários.
5. Avaliar as relações de poder e formular recomendações estratégicas para cada
agente, considerando seus objetivos prioritários e a disponibilidade de seus
recursos.
6. Levantar perguntas estratégicas sobre o futuro — i.e. formular hipóteses
considerando as tendências, eventos e descontinuidades que irão caracterizar a
evolução do equilíbrio entre as forças de cada agente. É através dessas perguntas
estratégicas, e hipóteses sobre suas respostas, que os cenários são construídos.
O valor agregado pelo MACTOR deriva principalmente das etapas 3 (posicionar
agentes em relação a seus objetivos), 4 (táticas para possíveis alianças e conflitos) e 5
(recomendações estratégicas). O fluxograma do método pode ser visto na Figura 44.
72
Figura 44: o método MACTOR. Fonte: Godet (1994).
4.4.2.1 Construindo a tabela de estratégia dos agentes
Nesta etapa, é importante decidir sobre o nível de especificação de cada agente.
Tomando as empresas como exemplo, deve-se decidir tratá-las como um único agente,
ou separar elas em empresas pequenas, médias e grandes. Não se pode, entretanto, correr
o risco de tornar o sistema extremamente complexo a ponto de dificultar qualquer tipo de
análise. O autor do método recomenda um nível de especificação que gere no máximo 20
agentes.
A tabela de estratégias dos agentes é construída em uma matriz quadrada (agentes
X agentes), como mostrado na Figura 45, onde A1, A2, A3, ..., A.N são os agentes. As
células da diagonal principal são normalmente as mais cheias, pois nelas traçamos a
Variáveis-chave da
análise estrutural e
agentes envolvidos
Tabela de estratégia
dos agentes
Conflitos estratégicos
e objetivos associados
Objetivos dos atores/
Matriz de posição
1 MAO
Primeira matriz de
convergência e
divergência
1MAA: MAO x MOA
Matriz valorada de
posições em termos de
objetivos 2MAO
Matriz de
relacionamento de
poder direto e indireto
Coeficiente de poder (ri)
Segunda matriz de
convergência e
divergência 2MAA
Matriz valorada de posição
com coeficientes de poder
Terceira matriz de
convergência e
divergência 3MAA
Recomendação
estratégica para cada
agente
73
identidade de cada agente. Por outro lado, as diversas das outras células — que
representam ações de agentes em outros agentes — são quase ou completamente vazias.
Figura 45: tabela das estratégias dos agentes. Fonte: elaboração própria.
4.4.2.2 Identificando as questões estratégicas e objetivos associados
Ao discutir e elaborar a tabela de estratégia dos agentes, as questões estratégicas
— i.e. as disputas nas quais os agentes se confrontarão — são esclarecidas mais
facilmente. Nesta etapa, determina-se algumas questões estratégicas sobre o sistema em
estudo, observando em quais delas os agentes são convergentes e quais eles são
divergentes considerando seus objetivos. Cada uma dessas questões estratégicas
(disputas) é, então, apresentada em forma de um ou mais objetivos (veja a Figura 46)
sobre os quais os agentes convergem, divergem ou se apresentam como neutros.
Ações em
Ações de
A2 A3 ... A.N
A1
A2
A3
...
A.N
A1
74
Figura 46: definição das questões estratégicas e dos objetivos associados. Fonte: elaboração própria.
Observa-se que, diferentemente das disputas, os objetivos geralmente são
definidos através de sentenças que começam com um verbo no infinitivo.
4.4.2.3 Posicionando cada agente em relação aos objetivos estratégicos (Matriz de
Posições Assumidas)
As relações entre os agentes em cada disputa podem ser representadas em forma
de um diagrama de possíveis convergências e divergências, como pode ser visto no
exemplo da Figura 47. Para cada agente, o problema é identificar e avaliar suas opções
estratégicas, além de uma seleção coerente de objetivos e alianças. Devido à dificuldade
de se comparar visualmente todos os diagramas, todos os diagramas são resumidos em
uma única matriz, denominada MAO (Matrix of Actors and Objectives), representa na
Figura 48.
Questões (Disputas) Objetivos associados
E1 O1.1, O1.2, O1.3 ...
E2 O2.1, O2.2, O2.3 ...
E3 O3.1, O3.2, O3.3 ...
E.N O.N.1, O.N.2, ON.3 ...
75
Figura 47: exemplo de diagrama de possíveis convergências e divergências entre agentes. Fonte:
elaboração própria.
Figura 48: MAO - Matriz de Posições Assumidas (agentes X objetivos). Fonte: adaptado de Godet
(1994).
A MAO deve ser preenchida da seguinte forma:
• (+1) Agente i a favor do objetivo j.
• (-1) Agente i contrário ao objetivo j.
76
• (0) Agente i neutro em relação ao objetivo j.
Assim, a quinta coluna representa o diagrama da Figura 47, associado ao objetivo
O5.
4.4.2.4 Classificando os objetivos de cada agente (Matriz de Posições Valoradas) e
avaliando a gama de possíveis convergências e divergências
Para cada agente, é interessante anotar o número de objetivos nos quais eles são
convergentes ou divergentes. Novamente, devido a dificuldade de se realizar essa tarefa
para matrizes extensas, multiplicamos a MAO (actors x objectives) por sua transposta,
MOA (objectives x actors), para obter uma nova matriz, denominada MAA (actors x
actors).
Para distinguir quais das questões estratégicas correspondem a convergência (+1)
ou divergência (-1) entre os agentes, deve-se proceder com o cálculo MAO X MOA,
aplicando a seguinte convenção:
• ncij é obtido pelo produto da matriz que contém apenas produtos escalares
positivos. Representa o número de objetivos nos quais os agentes i e j possuem
atitude em comum, favorável ou desfavorável a certos objetivos. Em outras
palavras, representa o número de convergências.
• ndij é obtido pelo produto da matriz que contém apenas produtos escalares
negativos. Representa o número de objetivos nos quais os agentes i e j possuem
atitude divergente. Em outras palavras, representa o número de divergências.
A matriz MAA, representada na Figura 49, é, portanto, constituída de pares
(ncij,ndij). Por exemplo, MAA23 = (+2, -2) significa que os agentes A2 e A3 possuem a
mesma posição em dois objetivos (O1 e O5), e são contrários em outros dois objetivos
(O3 e O4).
77
Figura 49: MAA - Matriz de convergências e divergências (agentes x agentes). Fonte: adaptado de Godet
(1994).
Diagramas de Convergência e Divergências iniciais
Ao indicar, para cada par de agentes, o número de convergências (ncij) e o número
de divergências (ndij), a matriz MAA nos permite obter dois diagramas completos: uma
para a representação das convergências e outro para as divergências; a espessura das
linhas é proporcional ao número de objetivos em questão. Veja as Figura 50 e Figura 51.
Figura 50: diagrama de convergência sobre objetivos. Fonte: adaptado de Godet (1994).
78
Figura 51: diagrama de divergências. Fonte: adaptado de Godet (1994).
Diagramas de convergências e divergências aprimorados
Os primeiros diagramas obtidos são considerados elementares, pois só levam em
consideração o número de convergências e divergências em cada objetivo. Para tornar o
modelo mais próximo da realidade, é aconselhável introduzir mais duas dimensões:
• A prioridade de objetivos, que varia para cada agente;
• A relação de força entre agentes.
Para levar em consideração a prioridade de objetivos de cada agente, é suficiente
anotar o posicionamento de cada agente em relações a seus objetivos em uma escala de -
3 a +3, levando em consideração se o nível de oposição ou concordância é alto, médio ou
baixo. Quanto maior é a preocupação do agente com o objetivo, maior o valor registrado.
Assim, obtêm-se uma segunda matriz de posições valoradas do tipo MAO
(agentes x objetivos), que é denominada de 2MAO (Figura 52); multiplicando-a por sua
transposta, obtêm-se uma do tipo MAA (agentes x agentes), chamada de 2MAA (Figura
53).
79
Figura 52: 2MAO. Fonte: adaptado de Godet (1994).
Figura 53: 2MAA. Fonte: adaptado de Godet (1994).
80
A matriz 2MAA é formada por todos os pares de convergências (2cij) e
divergências (2dij) valoradas. Cada elemento é obtido a partir da média de intensidade
(em valores absolutos) de, respectivamente, convergências e divergências em objetivos.
Seguindo o exemplo utilizado até então, temos que:
2𝑐23 =|−2| + | − 1|
2+
|−3| + | − 2|
2= 4
e
2𝑑23 = |+3| + | − 3|
2+
|−1| + | + 3|
2= 5
Por definição, convergência levam sinal positivo, enquanto divergências, sinal
negativo. Com a 2MAA, pode-se ver a intensificação de certas intrigas ou o
fortalecimento de alianças.
A interação de possibilidades de convergências e divergências não depende
somente da prioridade de objetivos de cada agente, mas também da capacidade de cada
agente de se impor aos outros, ou seja, as relações de poder.
4.4.2.5 Avaliando o equilíbrio entre forças e formulando recomendações
estratégicas (matriz de posições valoradas com coeficientes de poder)
Sendo apenas divergente com um agente não é suficiente para opor-se a ele —
também se necessita de meios diretos e indiretos para se opor. Uma seleção tática de
convergências e divergências é necessariamente dependente desses meios. Às vezes, até
mesmo a existência de um equilíbrio entre forças positivo pode desencadear um conflito.
É útil, portanto, guiar escolhas táticas analisando relações de poder através de duas
matrizes: MDA (Matrix of means of Direct Action), representada na Figura 54, e MIA
(Matrix of means of Indirect Aciont), representada na figura. A primeira matriz, MDA, é
simplesmente uma tabela agentes X agentes na qual a influência potencial de cada agente
sobre outro é registrada em uma escala de 0 a 3 (nula, fraca, moderada, forte). Lendo a
soma de cada linha e cada coluna é possível saber, respectivamente, os agentes que são
mais influenciadores e os agentes que são mais sujeitos à pressão de outros.
81
Figura 54: MDA. Fonte: adaptado de Godet (1994).
Porém, ao tratar as relações de poder, não podemos restringir nossa análise apenas
para os meios de ação direta: um agente pode influenciar outro através do intermédio de
um terceiro agente. É importante, portanto, encontrar a matriz MIA —means of indirect
(second order) actions — obtido pela multiplicação da matriz MDA por ela mesma (MIA
= MDAxMDA), de acordo com o princípio de MICMAC. A matriz MIA, representada
na Figura 55, revela relações de poder que não são encontradas de forma intuitiva.
82
Figura 55: MIA. Fonte: adaptado de Godet (1994).
Sabendo que um agente que possui o dobro de influência que outro no equilíbrio
de forças é o mesmo que dizer que esse agente possui o dobro de poder sobre os objetivos,
podemos chegar na matriz 3MAO. É necessário, portanto, determinar os coeficientes ri,
responsáveis por caracterizar as relações de influência:
Equação 6: coeficiente ri (coeficiente de poder).
Para facilitar a interpretação e o cálculo dos coeficientes, transforma-se ri em r*i:
Equação 7: normalização do coeficiente de poder.
onde n é o número de agentes.
A partir do exemplo dado, temos:
𝑟1∗ = 1.23, 𝑟2
∗ = 0.88, 𝑟3∗ = 0.36, 𝑟4
∗ = 1.49, 𝑟5∗ = 0.83, 𝑟6
∗ = 1.21
A soma de todos os coeficientes deve ser igual a 6. Logo, se todos os agentes
tivessem a mesma relação de poder, todos os r*i seriam iguais a 1.
83
Esses coeficientes funcionam como peso para as relações de influência, e, ao
multiplicar cada linha da 2MAO por eles, encontra-se a 3MAO (Figura 56). A 3MAO,
por sua vez, ao ser multiplicada por sua transposta, resulta na 3MAA (Figura 57).
Figura 56: 3MAO. Fonte: Godet (1994).
Figura 57: 3MAA. Fonte: Godet (1994).
84
Por fim, chegamos ao terceiro diagrama completo de convergências (Figura 58) e
divergência (Figura 59) sobre objetivos. Comparando este diagrama com o diagrama
inicial, nota-se diferenças significativas entre a estratégia dos agentes quando a
priorização de objetivos e o equilíbrio de forças é levado em consideração.
Figura 58: terceiro diagrama completo de convergências sobre objetivos. Fonte: adaptado de Godet
(1994).
85
Figura 59: terceiro diagrama completo de divergências sobre objetivos. Fonte: adaptado de Godet (1994).
4.4.2.6 Questões-chave sobre o futuro
A evolução de relações de poder entre os agentes pode ser representada na forma
de hipóteses, cada qual podem ou não ser realizada no horizonte de tempo considerado.
Essas hipóteses são relacionadas a tendências, assim como a eventos ou descontinuidades.
O passo seguinte do Método dos Cenários consiste em reduzir a incerteza sobre essas
hipóteses.
4.4.3 Examinando possíveis futuros: análise morfológica
Nesta etapa, o sistema sob estudo é quebrado em seus diversos componentes.
Estas devem ser o mais independente possível, além de representar a totalidade do
sistema.
4.4.3.1 O campo de possíveis futuros: o espaço morfológico
Para cada componente, é considerada, então, diversas configurações. Um sistema
com quatro componentes, cada uma contendo quatro configurações, representa 4x4x4x4
= 256 combinações possíveis. Este campo de possibilidades é chamado de espaço
morfológico.
86
Um sistema com muitas componentes e configurações leva a um espaço
morfológico muito grande, tornando a análise difícil. Entretanto, há restrições (como, por
exemplo, incompatibilidades técnicas) que podem tornar diversas soluções inviáveis,
reduzindo, assim, o espaço morfológico. Além disso, é possível também dar preferência
às combinações de configurações que parecem mais propícias que outras, em termos de
desenvolvimento de custos, viabilidade etc.
Em essência, um cenário não é nada mais que a combinação das configurações de
cada componente. O espaço morfológico, por sua vez, define o conjunto de cenários
possíveis. Abaixo, é proposta uma abordagem metodológica para contornar a dificuldade
gerada por um espaço morfológico extenso.
4.4.3.2 O espaço morfológico útil
Reduzir o espaço morfológico é necessário, pois é humanamente impossível
analisar, uma por uma, todas as soluções geradas pelas combinações. Além disso, não há
necessidade de identificar soluções que serão rejeitadas de acordo com alguns critérios
(técnico, econômico etc.) levados em consideração. Portanto, é necessário identificar os
componentes principais e secundários correspondentes a cada um desses critérios. Para
isso, os seguintes passos são recomendados:
• Escolher os critérios econômicos, técnicos e estratégicos que podem ser usados
para analisar e selecionar as melhores soluções dentre o total de soluções possíveis
(espaço morfológico).
• Identificar as componentes que são consideradas cruciais levando em
consideração os critérios adotados, e classificar essas componentes de acordo com
seus pesos, de acordo com as diretrizes adotadas.
• Restringir a exploração do espaço morfológico para as componentes identificadas.
• Introduzir restrições de exclusão ou preferências.
Esse procedimento permite dar prioridade à análise dos principais componentes
do sistema, reduzindo o espaço morfológico a um subespaço que considera apenas as
soluções mais relevantes. A etapa seguinte do Método dos Cenários consiste em calcular
a probabilidade de cada solução através de métodos baseados no consenso de
especialistas, como, por exemplo, o Método Delphi.
87
5 Aplicação do método
Partindo da integração de toda metodologia explicitada anteriormente, com os
panoramas que servirão de insumo para aplicação do método, dá-se início a parte prática
do estudo.
5.1 Identificação das variáveis-chave
Neste ponto, começa-se, a aplicação do método, onde são determinadas as
variáveis-chave do sistema (item 3 do fluxograma):
Figura 60: passo 1 do método (determinação das variáveis-chave). Fonte: elaboração própria.
88
5.1.1 Lista de variáveis
As variáveis que utilizaremos na matriz de análise estrutural são as listadas na
Tabela 4, já classificadas em internas e externas. Além disso, observa-se que uma parte
delas foram retiradas da modelagem tecnológica (capítulo 4.3) e a outra da modelagem
macroeconômica (capítulo 4.2).
Tabela 4: lista de variáveis. Fonte: elaboração própria.
Foi utilizado como critério para separar as variáveis em internas e externas, a
percepção do capital como agente, ou seja, todas variáveis que são características do
Nome da Variável Símbolo Fonte
Tecnologia que otimiza Capital - Máquinas Ak
Capital K
Parcela de capital na produção agregada sK
Elasticidade de substituição Capital - Trabalho εKL
Produtividade do capital η
Custo do capital R
Produção Agregada Y
Produto Marginal do Trabaho - Nível de Salário - Custo da mão de obra W
Tecnologia que otimiza Trabalho - Mão de obra Al
Mão de obra L
Parcela de mão de obra na produção agregada sL
Fronteira de automação I
Total de tarefas N
Produtividade do trabalho ɣ
Taxa de Juros r
Investimentos I'
Taxa de Câmbio e
Inflação
Consumo C'
Taxa de Câmbio Nominal e n
Taxa de Juros Nominal i
I
n
t
e
r
n
a
s
E
x
t
e
r
n
a
s
Cap. 4.3 -
Modelagem
Tecnológica
Cap. 4.2 -
Modelagem
Macroeconômica
Nome da Variável Símbolo Fonte
Tecnologia que otimiza Capital - Máquinas Ak
Capital K
Parcela de capital na produção agregada sK
Elasticidade de substituição Capital - Trabalho εKL
Produtividade do capital η
Custo do capital R
Produção Agregada Y
Produto Marginal do Trabaho - Nível de Salário - Custo da mão de obra W
Tecnologia que otimiza Trabalho - Mão de obra Al
Mão de obra L
Parcela de mão de obra na produção agregada sL
Fronteira de automação I
Total de tarefas N
Produtividade do trabalho ɣ
Taxa de Juros r
Investimentos I'
Taxa de Câmbio e
Inflação
Consumo C'
Taxa de Câmbio Nominal e n
Taxa de Juros Nominal i
I
n
t
e
r
n
a
s
E
x
t
e
r
n
a
s
Cap. 4.3 -
Modelagem
Tecnológica
Cap. 4.2 -
Modelagem
Macroeconômica
89
capital propriamente dito, como produtividade do capital, parcela do capital na produção
agregada, elasticidade de substituição do capital e trabalho, dentre outros, são
considerados variáveis internas. Já todos agentes além do capital, como força de trabalho,
produção agregada, total de tarefas, esses são considerados variáveis externas.
5.1.2 Matriz de análise estrutural
A matriz de análise estrutural, feita através das variáveis listadas na sessão
anterior, encontra-se representada no Apêndice C. Observa-se que parte delas é explicada
a partir da modelagem tecnológica e macroeconômica (partes sombreadas na matriz). As
relações da parte não sombreada, ou seja, a parte onde o modelo tecnológico é integrado
ao modelo macroeconômico, são explicadas na Tabela 5.
Tabela 5: Explicação das relações que conectam o modelo tecnológico ao modelo macroeconômico.
Fonte: elaboração própria.
Destaca-se aqui que o grau de preenchimento está próximo ao sugerido por Godet
(1994), como pode ser visto na Tabela 6. Ter um grau de preenchimento próximo ao
recomendado é um sinal de que o modelo é consistente, uma vez que diversos
experimentos realizados pelo autor do método com esse nível de preenchimento se
mostraram eficazes (GODET, 1994).
Relação Explicação Fonte
(xiii)
Definição econômica de investimento: total de máquinas,
equipamentos e instalações produtivas numa economia, num dado
período.
Ferreira (2004)
(xiv)
Definição econômica de investimento: total de máquinas,
equipamentos e instalações produtivas numa economia, num dado
período.
Ferreira (2004)
(xv)
Definição econômica de investimento: total de máquinas,
equipamentos e instalações produtivas numa economia, num dado
período.
Ferreira (2004)
(xvi) Hipótese: parte da tecnologia de automação é importada. Hipótese
(xvii)Definição econômica de inflação (de custos): o que se origina de uma
elevação autônoma dos custos de produção.Ferreira (2004)
(xviii) Dissídio coletivo FIEP (2008)
(xix)
Definição econômica de investimento: total de máquinas,
equipamentos e instalações produtivas numa economia, num dado
período.
Ferreira (2004)
(xx) Quanto maior é a renda do trabalhador, maior é seu consumo Mankiw (2018)
(xxi) Mais pessoas empregadas significa mais pessoas consumindo Mankiw (2018)
(xxii)Uma elasticidade mais alta significa que o empresário está mais
disposto a trocar um trabalhador por uma máquinaAcemoglu (2018)
90
Tabela 6: grau de preenchimento da matriz. Fonte: elaboração própria.
5.1.3 Método MICMAC
A partir da matriz de análise estrutural, encontramos a matriz M1 (Apêndice D),
onde toda relação tem seu símbolo substituído por 1, enquanto o resto recebe zero. Em
seguida, elevamos a matriz M1 ao quadrado para obter a matriz M2 (Apêndice E), e assim
por diante, obtendo M3 (Apêndice F), M4 (Apêndice G), M5 (Apêndice H), M6
(Apêndice I), M7 (Apêndice J) e M8 (Apêndice K).
Nos Apêndices, ao lado de cada matriz, estão também a ordem de influência e de
dependência das variáveis. Nota-se que a matriz se estabiliza em M7, ou seja, de M7 para
M8 não se altera a ordem de influência e dependência das variáveis.
Após obter estabilização da matriz em M7, podemos identificar as variáveis-chave
do sistema, ou seja, aquelas que são muito influentes e muito dependentes. Essas
variáveis, como explicado anteriormente, são as que têm mais poder de modificar o
sistema, e ficam localizadas na área mais externa do Gráfico Influência-Dependência
(como destacado), como pode ser visto na Figura 61.
Figura 61: Gráfico Influência-Dependência. Fonte: elaboração própria.
Variáveis Valor Recomendação
Internas em internas 25,0% 20,0%
Internas em externas 14,4% 10,0%
Externas em internas 10,0% 15,0%
Externas em externas 14,7% 25,0%
91
Por fim, na Tabela 7 estão as variáveis-chave identificadas através do Método
MICMAC. Como é possível observar, o método cumpriu um dos objetivos propostos por
Godet (1994), revelando duas “variáveis ocultas” no sistema. Enquanto sK, εKL e W são
variáveis-chave determinadas de forma intuitiva, e o C’ são variáveis que, a priori, não
eram importantes; estas só tiveram sua importância identificada após a aplicação do
MICMAC.
Tabela 7: variáveis-chave. Fonte: elaboração própria.
De fato, temos que W é muito importante para o sistema, uma vez que W muito
alto incentiva a substituição de trabalhadores por máquinas. A taxa dessa substituição, a
elasticidade εKL, por sua vez, indica a quantidade de trabalhadores substituídos para uma
variação de W. Já sK, é o próprio emprego da tecnologia. Vê-se, portanto, que são três
variáveis críticas para a automação.
Para entender as “variáveis ocultas”, aproveitamos o modelo macroeconômico
proposto no item 4.2.1, além de algumas ligações dele com o modelo tecnológico. Com
eles, podemos ver que a inflação está ligada a vários ciclos de feedback que envolvem
a demanda por investimentos I’, que por sua vez, é muito influente em diversas variáveis
do modelo tecnológico. Já o consumo C’, é relevante, porque influencia e é
influenciado por W.
5.2 Entendimento do jogo dos agentes
Chega-se, portanto, ao segundo passo do método, o entendimento do jogo dos
agentes (item 7 do fluxograma):
92
Figura 62: passo 2 do método (determinação do jogo dos agentes). Fonte: elaboração própria.
5.2.1 Identificação dos agentes
Nessa sessão será discutido os principais agentes influentes no método de
cenários.
5.2.1.1 Agente 1: governos
É um agente muito influente, apresentando considerável poder sobre todas as
variáveis:
• Possui como uma das metas o controle da inflação, que é feita através de ajustes
na taxa de juros, como explicado anteriormente.
• Afeta o consumo, ao alterar a taxa de juros, impactando no poder de compra das
famílias.
• Causa variações no custo da mão-de-obra, ao alterar o salário mínimo e realizar
reformas trabalhistas.
• Impacta na elasticidade de substituição capital-trabalho, ao alterar a taxa de
juros e o custo da mão-de-obra, tornando a aquisição de bens de capital mais cara
ou mais barata.
• Modifica a parcela de capital na produção agregada, ao alterar a elasticidade
de substituição capital-trabalho.
93
5.2.1.2 Empresas
As empresas não possuem tanto poder de alterar o sistema quanto o governo,
entretanto é o agente que possui a decisão final quanto ao emprego da tecnologia de
automação. Influenciam, portanto, na parcela de capital na produção agregada e na
elasticidade de substituição do capital.
Agente 2: grandes empresas
No caso das empresas grandes, pode-se dizer ainda que são empresas mais
propícias à automatização devido à maior capacidade financeira, que possibilita um maior
volume de investimentos.
Agente 3: pequenas e médias empresas
Não possuem tanta capacidade de investimento quanto às empresas grandes,
entretanto, apenas as pequenas empresas são responsáveis por 70% dos empregos no
Brasil, segundo reportagem em 2017 (ESTADÃO, 2017).
5.2.1.3 Agente 4: empresas cujo papel é vender soluções relacionadas à automação
de tarefas
São empresas grandes e pequenas que atuam no mercado de soluções de
automação, ou seja, empresas favoráveis ao processo de automação de tarefas,
dependentes de políticas que interferem com esse movimento (Legislação de patentes,
legislação trabalhista, burocracias, etc.) e da predisposição à investimento das empresas
clientes.
5.2.1.4 Agente 5: trabalhadores (sindicatos)
Os trabalhadores possuem influência sobre o salário e o consumo, e,
consequentemente sobre a inflação. Além disso, podem pressionar o governo na criação
de leis que limitam o emprego de novas tecnologias de automação.
5.2.2 Método MACTOR
5.2.3 Construindo a tabela da estratégia dos agentes
A tabela da estratégia dos agentes se encontra na tabela Apêndice L
Representando-a como matriz, o agente de cada linha exerce influência no agente de cada
coluna, ou seja, no termo aij, o agente i exerce influência em j. Dessa forma, nessas
posições na tabela, descreve-se os objetivos e as ações de um agente sobre outro.
A diagonal principal, uma vez que seus termos não representam pares de agentes,
é destinada a descrever aspectos estratégicos de cada agente. Portanto, nesses termos da
94
matriz, colocamos os objetivos gerais de cada agente, assim como seus meios e restrições
para atingi-los.
5.2.4 Identificando as questões estratégicas e objetivos associados
As questões e objetivos estratégicos se encontram na Tabela 8. Embora as
questões Q1 e Q2 estejam diretamente relacionadas (para haver bem-estar é necessário
haver crescimento econômico), optou-se por separá-las, deixando em Q1 os objetivos
com impactos mais diretos no PIB, ou seja, aumento da demanda e da produtividade.
95
Tabela 8: questões e objetivos estratégicos. Fonte: elaboração própria.
5.2.5 Posicionando cada agente em relação aos objetivos estratégicos (Matriz de
Posições Assumidas)
A partir dos objetivos definidos na sessão anterior, construímos a matriz 1MAO
(Agentes x Objetivos), também denominada de Matriz de Posições Estratégicas. Quando
aij contém o dígito 1, significa que o agente i é a favor do objetivo j; contendo o dígito -
1, ele é contra o objetivo, e como dígito 0, ele é neutro.
Os agentes escolhidos para o modelo são: Governo (A1), Grandes Empresas do
Varejo (A2), Pequenas e Médias Empresas do Varejo (A3), Trabalhadores (A4) e
Empresas Fornecedoras de Tecnologia). A 1MAO se encontra na Figura 63.
Figura 63: Matriz 1MAO. Fonte: elaboração própria.
5.2.6 Classificando os objetivos de cada agente (Matriz de Posições Valoradas) e
avaliando a gama de possíveis convergências e divergências
A partir da matriz 1MAO, aplicamos os cálculos descritos na explicação do
método, e encontramos a matriz 1MAA, que se encontra na fig. Nela, cada termo aij,
exceto a diagonal (não é utilizada), representa o número de objetivos em que o agente i e
o agente j são convergentes (primeiro número do par, que possui sinal positivo), e o
número de objetivos em que eles são divergentes (segundo número do par, que possui
sinal negativo). A Matriz 1MAA se contra na Figura 64.
Questões (Disputas) Objetivos associados
Q1 - Crescimento Econômico (aumento do PIB) O1: aumentar os investimentos em automação no comércio (aumento da produtividade)
O2: incentivar o consumo
O3: aumentar os gastos do governo com formação técnica (aumento da produtividade)
O4: incentivar (financiar) o desenvolvimento da tecnologia de automação no comércio
Q2 - Bem-estar da população O5: aumentar a parcela do trabalho na produção agregada
O6: realizar reforma trabalhista
O7: realizar reforma da previdência
96
Figura 64: Matriz 1MAA. Fonte: elaboração própria.
A matriz 1MAA não considera a prioridade dos objetivos para cada agente. Logo,
constrói-se a matriz 2MAO (Figura 65), que contém o peso, de -3 (muito contrário) a +3
(muito a favor), de cada objetivo para cada agente. Em seguida, do mesmo modo que foi
obtida a matriz 1MAA, encontra-se a matriz 2MAA (Figura 66), esta última levando em
consideração o peso de cada objetivo para cada agente.
Figura 65: Matriz 2MAO. Fonte: elaboração própria.
Figura 66: Matriz 2MAA. Fonte: elaboração própria.
5.2.7 Avaliando o equilíbrio entre forças e formulando recomendações estratégicas
(matriz de posições valoradas com coeficientes de poder)
Para se obter um modelo ainda mais próximo da realidade, é recomendado ainda
introduzir as relações de poder entre cada agente. Por exemplo, sabe-se que o governo
possui muita força sobre os outros agentes, o que pode ser decisivo em diversos
movimentos estratégicos. Portanto, define-se a matriz MDA (Matriz de Ações Diretas)
97
(Figura 67), onde o termo aij representa o quanto (de 0 a 3, sendo 0 nada influente e 3
muito influente) o agente i influencia no agente j.
Figura 67: Matriz MDA: Fonte: elaboração própria.
A partir da matriz MDA, então, chega-se à matriz MIA (Matriz de Ações Indiretas),
através do princípio de MICMAC, o mesmo utilizado para encontrar as variáveis-chave
do sistema. MIA representa, portanto, não somente as relações de força diretas, como
também as indiretas. A MIA se encontra na Figura 68, onde Mi é a quantidade total de
influências indiretas de cada agente, e Di é a quantidade total de dependência de cada
agente. A partir desses números, encontra-se ri, que é o peso da força de cada agente, e,
depois, ri*, que facilita a interpretação ao tornar a soma dos pesos igual a 5. Dessa forma,
se cada agente tivesse a mesma força, cada ri* seria igual a 1. A explicação dos cálculos
encontra-se dentro da explicação do método.
Figura 68: Matriz MIA. Fonte: elaboração própria.
Após obter o peso da força de cada agente sobre outros, encontra-se a matriz
3MAO (Figura 69). Por fim, a partir da matriz 3MAO, chega-se à matriz 3MAA (Figura
70), através dos mesmos cálculos feitos anteriormente. Esta matriz considera além da
prioridade de cada agente sobre os objetivos, as relações de poder, e sua interpretação é
da mesma forma que as outras MAA: revela quais são as alianças mais prováveis no
sistema.
98
Figura 69: Matriz 3MAO. Fonte: elaboração própria.
Figura 70: Matriz 3MAA. Fonte: elaboração própria.
5.3 Análise Morfológica
A análise morfológica compõe o item 8 do fluxograma, “determinação das
hipóteses:
Figura 71: passo 3 do método (determinação das hipóteses). Fonte: elaboração própria.
5.3.1 Definição do espaço morfológico
Para a definição do espaço morfológico, utilizou-se como base a cadeia de valor
típica de uma empresa do comércio varejista (Figura 72). Assim, cada atividade primária
99
foi transformada em uma componente do espaço morfológico. As atividades de suporte,
por sua vez, foram desconsideradas, pois não são exclusivas do varejo.
Já as dimensões de cada componente, elas foram definidas a partir da sessão
anterior onde foram explicadas as frentes de automação iminentes. Além disso, para
facilitar a análise, adaptou-se a tabela proposta por Godet (1994), colocando a elasticidade
de substituição capital-trabalho εKL de cada componente, além do custo da utilização de
cada tecnologia, pois essas variáveis-chave impactam diretamente a parcela de capital sK
no produto agregado (Figura 73).
Figura 72: cadeia de valor de uma empresa genérica do comércio varejista. Fonte: elaboração própria.
Para contextualizar o universo do espaço morfológico do mercado varejista foi
recorrido à estrutura de cadeia de valor acima, esta servirá o propósito de simplificar a
distribuição de cenários para a automação, porém vale ressaltar que esta é utilizada no
fluxo da manufatura segundo Porter (1979), logo possui limitações dentro do âmbito de
serviços e na contemplação de mudanças no modelo de negócio.
Infra-estrutura
Monitoramento Remoto
Integração por backoffice
Gestão de Recursos Humanos
Recrutamento
Gestão de Desempenho
Desenvolvimento Tecnológico
-
Aquisição/Compras
Negociação Produtos
Seleção Produtos
Logística de Entrada Operações Logística de Saída Marketing e Vendas Serviços
Recebimento Venda Envio (e-commerce) Identificação Pós venda
Estocagem Delivery Monitoramento
Perfil de Compra
Ati
vid
ades
de
Sup
ort
e
Ati
vid
ades
Pri
már
ias
100
Figura 73: espaço morfológico com elasticidade substituição capital-trabalho das componentes e custo de utilização de cada tecnologia (dimensão). Fonte: elaboração própria.
Elasticidade
Recebimento/Estocagem Baixa Carro de mão + escada Carro motorizado + empilhadeira hidráulica/elétrica Esteira + robô
Envio (e-commerce)/Delivery Baixa Entregador Drone Veículos Autônomos
Identificação Alta Amostragem VRM (Visit Relationshio Management) Machine Learning***
Monitoramento Alta Observação/ estudos no local Beacon
Perifl de Compra Alta Questionário Big Data Analytics* Machine Learning***
Atendimento Média Ponto de Venda Online Autoatendimento
Caixa (lojas físicas) Média Manual Self Checkout** Just Walk Out Technology
Custo Custo Custo
Grau de Automação
Tecnologia que otimiza o capital Capital disponível Produtividade da mão-de-obra Mão-de-obra disponível Mactor
Recebimento/Estocagem Alto custo de implementação Baixa, problemas de saúde Sindicato Forte
Envio (e-commerce)/Delivery Tecnologia em desenvolvimento Alto custo de implementação
Identificação Tecnologia bem desenolvida Mão-de-obra cara
Monitoramento Tecnologia bem desenolvida Mão-de-obra cara
Perifl de Compra Tecnologia bem desenolvida Mão-de-obra cara
Atendimento Tecnologia bem desenolvida
Caixa (lojas físicas) Alto custo de implementação Baixa, problemas de saúde Sindicato Forte
EXPLICAÇÕES
101
Conforme ilustrado acima, pode-se salientar as soluções mais palatáveis ao
empresariado brasileiro com base na elasticidade de substituição capital-mão de obra e
custo das soluções.
Dentro do espectro da elasticidade de substituição1 baixa, ou seja, soluções que o
empresariado está pouco propenso a substituir mão de obra por capital, salienta-se que o
altíssimo custo de implementação de uma solução totalmente automatizada de
recebimento e estocagem de produtos, com esteiras automáticas e robôs, é pouco provável
de ser disseminado no Brasil em um espaço de 20 anos. Isso se dá principalmente por
dois motivos, o custo de implantação dessa tecnologia restringe às empresas grandes,
estas que são capazes de custear o investimento nessa tecnologia, ou seja, com capital
mais abundante disponível. E empresas grandes, que empregam muita mão-de-obra nos
setores de operação de estoques por exemplo, estão suscetíveis à sindicatos fortes, estes
que possuem interesse explícito na não implantação dessa ou de qualquer tecnologia que
diminua a parcela de mão de obra na produção agregada, principalmente se essa parcela
for de sua área de atuação.
De forma similar a implantação de sistemas de entrega autômatos ou operados
remotamente (drones) geram uma forte antipatia por parte de sindicatos fortes, estes que
regem os acordos trabalhistas de profissionais que atuam com fretamento de encomendas.
Além disso há o agravante em relação aos veículos autômatos, que possuírem uma
tecnologia ainda incipiente que gera uma precaução acima da média por parte do governo,
já que existe o risco de acidentes no trajeto da entrega que colocam os cidadãos em risco.
No outro extremo, temos o espectro da elasticidade de substituição alta, onde o
empresariado está muito propenso a substituir a mão de obra por capital. Nesse caso as
novas tecnologias estão todas relacionadas à captação, gerenciamento e análise de dados
gerados pelos clientes. Essa área de conhecimento é relativamente nova e postos de
trabalho nesse setor ainda estão sendo gerados, então não existe substituição de mão-de-
obra já que anteriormente esses postos de trabalho nem existiam. Ainda assim, mesmo
que futuros desdobramentos dessa tecnologia gerem um efeito de deslocamento, onde a
mão de obra será substituída por capital, esses postos por serem novos e não possuírem
1 Elasticidade de substituição nesse caso se refere a elasticidade de substituição entre os fatores de produção capital e trabalho. Um conceito econômico que mede a substituibilidade entre os dois fatores. Quanto menor
a elasticidade mais suscetível à substituição, quanto maior a elasticidade menos suscetível à substituição.
102
sindicatos fortes, estão mais vulneráveis e possuem menor poder de barganha frente aos
empresários e frente ao governo. Além disso se faz importante salientar os aspectos do
custo de implementação dessas tecnologias, todas elas estão conectadas de forma quase
que dependentes, isto é, a tecnologia Beacons gera uma quantidade monstruosa de dados
que devem ser armazenados e gerenciados via tecnologias relativas à Big Data Analytics,
que por sua vez são analisadas via Machine Learning. Portanto, pode-se estabelecer que
para a solução fim a fim, o custo de implantação é relativamente alto, mas após a
implantação o custo de manutenção dessas soluções é baixo.
Por fim, entre os dois extremos tem-se as soluções que possuem elasticidade de
substituição média, ou seja, não existe um caso específico geral que norteie a implantação
ou não dessas tecnologias pelo empresariado varejista brasileiro. Nesse caso uma
perspectiva um pouco mais detalhista em relação aos fatores pertinentes se faz necessária.
No caso do autoatendimento, tem-se como fator positivo à implantação o fato
dessa tecnologia diminuir o custo do atendimento ao cliente (Como foi explicitado
anteriormente), além da tecnologia já existir e estar em curva ascendente de evolução.
Como pontos opostos à implantação, temos o aspecto cultural do brasileiro de estar
acostumado a ser atendido por uma pessoa física e não por uma máquina, o grande efeito
de deslocamento advindo dessa tecnologia, já que o setor de atendimento ao cliente
emprega muita mão de obra desqualificada. Por fim ainda existe a questão da valorização
do atendimento personalizado que não é contemplado pelo autoatendimento.
Já no caso do Self Checkout e Just Walk Out, tem-se situações mais complexas.
Além do alto custo de implantação de ambas as tecnologias (Também descrito nos
capítulos anteriores), deve-se levar em conta novamente o aspecto cultural do brasileiro
que não está habituado com tecnologias que geram comodidade e, porém, possuem falhas
que podem ser exploradas para fins escusos. Ainda mais, deve-se lembrar que o sindicato
que rege os profissionais responsáveis pelas áreas de caixa são tradicionais e possuem
uma força considerável de barganha (Sindicato dos Comerciários), tanto frente ao
governo quanto frente às empresas. Como precedente pode-se citar o fato de o
autoatendimento nos postos de gasolina ser irregular no Brasil, sendo obrigado a
utilização de profissionais que abastecem os carros e fazem as operações de pagamento.
Tudo isso é contrabalançado pelo capital que seria economizado com mão-de-obra e
encargos trabalhistas.
103
6 Resultado
Chega-se, por fim, à parte final do método, onde se define a hipótese mais
provável para o cenário (item 12):
Figura 74: passo 4 do método (definição da hipótese mais provável). Fonte: elaboração própria.
6.1.1 Definição do cenário mais provável
Para a definição do cenário mais provável, se fará uso da elasticidade de
substituição como principal parâmetro que ditará os cenários futuros, essa elasticidade
que se comporta conforme a análise anterior.
6.1.1.1 Recebimento/Estocagem e Entregas (baixa elasticidade)
Conforme estabelecido anteriormente, apesar da necessidade de aumento da
produtividade no processo de recebimento e estocagem, o alto custo de implementação
de tecnologias totalmente automatizadas em conjunto com a ação contrária dos sindicatos
influenciará na adoção de postos de trabalho com mão de obra em conjunto com algum
maquinário que otimize a operação. Nesse caso o mais provável será um operador e um
carro motorizado em conjunto com uma empilhadeira hidráulica.
6.1.1.2 Marketing/Vendas — Identificação, Monitoramento, Perfil de Compra
(alta elasticidade)
Já no caso dos processos mais focados nas áreas de marketing e vendas, o cenário
é muito mais amigável em relação às novas tecnologias. A probabilidade está a favor da
implementação, já que a criação de novos postos de trabalho, um custo moderado de
104
implementação e a já existente disseminação dessas tecnologias indicam a implantação
de tecnologias relacionadas à Machine Learning, Beacons e Big Data Analytics
6.1.1.3 Atendimento e Caixa (elasticidade média)
Por último, no caso do atendimento, existe uma alta probabilidade de os cenários
futuros penderem para tecnologias aperfeiçoadas de autoatendimento em combinação
com atendimentos online, estes que apesar de impessoais geram escalabilidade para o
atendimento ao cliente já que vários atendimentos podem ser feitos ao mesmo tempo.
Além disso, o baixo custo dessa tecnologia a torna atrativa não só para grandes empresas
como para pequenas e médias.
No caso dos caixas, encontraremos alguma resistência por parte dos sindicatos,
porém a grande produtividade gerada por postos de self checkout gera uma possibilidade
atraente para o varejo brasileiro, ainda que como visto anteriormente o mais provável
seria uma parcela grande de operações de caixa ainda sendo feitos de forma manual e
tradicional enquanto uma migração lenta em direção a sistemas mais automatizados de
self checkout.
Essa análise em específico pode ser vista de uma forma um pouco mais detalhista
e com seus desdobramentos sistêmicos discriminados. Para isso, criou-se um modelo
(Figura 76) envolvendo as variáveis-chave, com o intuito de entender como variações no
sistema resultam em um aumento da automação na economia, ou seja, um aumento da
parcela de capital na produção sK. Além disso, introduziu-se a variável expectativa de
mercado E.M. e definiu-se alguns eventos que disparam o sistema, sendo eles:
1. Aumento das vagas de trabalho com o surgimento de novas tecnologias na
área de Marketing, principalmente Machine Learning. Essa tecnologia criou
novos cargos relacionados à tecnologia da informação, enquanto manteve as
vagas dos analistas de Marketing (UBEDA, 2017).
2. Aumento da expectativa do mercado. Como visto na Figura 18, a expectativa
do mercado, traduzida em termo das ações das empresas do varejo, vem crescendo
após o fim da recessão. Entretanto, para que essa recuperação seja sólida, é
necessárias certas medidas como as descritas na sessão sobre o panorama
macroeconômico. Sabe-se, entretanto, que essas medidas dependem do próximo
presidente a ser eleito.
3. Espera-se nos próximos anos uma diminuição relevante no custo de aquisição
das tecnologias envolvendo Atendimento e Caixa. Segundo a teoria da curva-S
105
da tecnologia e redes de valor (CHRISTENSEN, 2012) a melhoria do
desempenho de um produto, em determinado período de tempo ou devido a um
esforço de engenharia, é diferente em cada estágio de maturidade da tecnologia.
Nos primeiros estágios, a taxa de progresso do desempenho será lenta e à medida
que a tecnologia se torna melhor compreendida, controlada e difundida, a taxa de
melhoria tecnológica será acelerada, conforme é ilustrado abaixo.
Figura 75: Curva-S da tecnologia. Fonte: Christensen (2012)
Ainda segundo Christensen (2012), com o aumento da performance, a base
da competição na indústria muda. Em um primeiro momento com a base nos
aspectos tecnológicos, mudando para confiabilidade e terminando na competição
baseada no preço, que por fim barateia a tecnologia e toda as soluções que a
circundam.
106
Figura 76: modelo contendo eventos "disparadores" do sistema. Fonte: elaboração própria.
Como é possível observar, o aumento de sK depende diretamente do aumento dos
investimentos I’. Nota-se também que o aumento dos investimentos I’ depende
diretamente do aumento da elasticidade substituição capital-trabalho εKL. Com o evento
3, espera-se, portanto, um aumento dos investimentos. Por outro lado, devido às novas
vagas criadas com o Machine Learning (evento 1), haverá um aumento no consumo que,
por sua vez, aumenta a inflação e a taxa de juros, diminuindo, assim a demanda por
investimentos.
Em suma, enquanto o aumento da elasticidade substituição capital-trabalho εKL
aumenta a demanda por investimentos I’, o aumento do consumo, devido aos novos
postos de trabalhos criados inicialmente, possui o efeito inverso. Logo, a variável
expectativa do mercado se mostra decisiva no decorrer dos próximos anos. Uma
expectativa alta aumenta a oferta e, portanto, estabiliza a inflação, permitindo taxa de
juros mais baixas e um aumento contínuo dos investimentos.
Além da expectativa do mercado, é importante considerar ainda que outras ações
como a política de crédito para incentivo aos investimentos é bem provável, uma vez que
o resultado do Método MACTOR indica uma provável aliança entre o governo e as
empresas (Figura 70).
Entretanto, é importante destacar que há outros aspectos que influenciam a
elasticidade. Dentre eles, deve-se dar importância para locais, como comportamento e
conjuntura social e política que podem gerar alguns entraves na adoção de determinadas
107
tecnologias, outro fator importante que pode vir a influenciar a elasticidade é o retorno
de investimento nas tecnologias, quanto menor o tempo de retorno desse investimento,
mais atraente será para os empresários.
Visto isso, aposta-se que na próxima década haverá um decréscimo vertiginoso
no tempo de retorno dos investimentos em tecnologias de automação, devido ao
encarecimento da mão-de-obra em conjunto com uma expectativa de um governo um
pouco mais liberal que facilite os investimentos privados em novas tecnologias. Em
conjunto também ocorrerá uma diminuição nos custos de implementação devido ao
amadurecimento dessas tecnologias. E por fim uma maior atuação dos sindicatos,
principalmente relacionados à mão de obra pouco qualificada devido ao crescimento de
tarefas que a automação será capaz de realizar.
6.2 Impactos no mercado de trabalho
Diante do exposto anteriormente, pode-se esperar um crescimento na demanda
por mão-de-obra capacitada em análise e manuseio de dados. Isso se dará principalmente
pela aderência das tecnologias relacionadas à Big Data Analytics, Machine Learning e
Beacon, devido ao seu moderado custo de implantação e extremo potencial de geração de
valor. Esses profissionais atuarão provavelmente em todos as lacunas geradas pelas
limitações tecnológicas dessas soluções, além das novas oportunidades geradas pela nova
frente de inovação nesse setor como consultorias, métodos de visualização de dados,
design e áreas de conhecimento relacionadas à banco de dados.
6.3 O governo como tomador de decisão: ações recomendadas
O governo como principal agente nesse contexto deverá agir com foco em preparar
o mercado de trabalho para a adoção em massa dessas tecnologias, capacitando a mão-
de-obra através de cursos técnicos que sejam curtos e que a permitam de ingressar nesse
mercado o quanto antes. Além disso, ele deve atuar facilitando as empresas a investirem
nesse tipo de tecnologia, desburocratizando e promovendo a infraestrutura para que haja
um ambiente favorável à maturação dessas soluções no Brasil.
6.4 Cenários para legislação trabalhista
Dentro do âmbito legislativo, tendo em vista a falta de agilidade dos processos
burocráticos instaurados, pode-se esperar uma rigidez no que tange a legislação
trabalhista no curto prazo, e excentricidades ainda são esperadas como leis que proíbem
o autoatendimento em postos de combustível, por exemplo.
108
Porém no médio, longo prazo a pressão da provável escassez de postos de trabalho
exigirá uma maior agilidade e flexibilidade da legislação trabalhista a fim de diminuir o
custo da mão de obra e consequentemente estimular o aumento do nível de trabalho.
109
7 Conclusão
Ao final do trabalho, além de aplicar uma abordagem holística para se prever a
automação no comércio varejista e propor um cenário factível, é válido ressaltar a força
e a fraqueza do Método dos Cenários.
Usando como bibliografias principais, de forma integrada, Acemoglu (2018) e
Godet (1994), foi possível notar a consistência do Método MICMAC. O resultado possui
como variáveis-chaves, ou seja, variáveis muito influentes e dependentes, o salário e a
elasticidade substituição capital-trabalho, que além de intuitivas, são as mais relevantes
segundo Acemoglu (2018). Além disso, haver um efeito positivo da automação para o
mercado de trabalho nessa área reforçou a tendência histórica enxergada por Acemoglu
(2018): o aumento do número de tarefas pela automação.
A fraqueza da metodologia proposta por Godet (1994), entretanto, é vista no
Método MACTOR: a volatilidade política pode alterar rapidamente os resultados. Em 4
anos, ou até mesmo menos, no caso de impeachment, as alianças mais prováveis podem
se alterar drasticamente: enquanto um governo de direita está mais inclinado a se aliar às
empresas, um governo de esquerda estará mais inclinado a se aliar aos trabalhadores.
Portanto, o MACTOR pode não funcionar com questões estratégicas cujos agentes
possuam estratégia volátil.
No caso deste trabalho, a volatilidade política afeta principalmente o futuro das
atividades com elasticidade substituição-trabalho média, uma vez que a formação de
alianças pode ser decisiva na adoção de novas tecnologias. Essas atividades são as que
possuem uma menor chance de acerto, sendo necessário o uso de métodos baseados no
consenso de especialistas para aumentar a acurácia do método.
7.1 Propostas de trabalhos futuros
Para enriquecimento da base de conhecimento acerca do tema proposto, sugere-se
reaplicações do Método dos Cenários a partir de diferentes modelos de relacionamento
de causa e efeito, de modo a testar a sua consistência através da comparação dos diversos
resultados obtidos. Além disso, a aplicação de algum método de consenso de especialistas
pode ser de grande utilidade para aumentar a assertividade dos resultados, servindo,
portanto, como uma importante complementação do trabalho.
110
APÊNDICE A – RECEITA NOMINAL - VAREJO. ÍNDICE MENSAL (BASE: IGUAL MÊS DO ANO ANTERIOR)
Fonte: IBGE (2018).
111
APÊNDICE B – RELAÇÕES ENTRE AS VARIÁVEIS SEGUNDO ACEMOGLU (2018)
Fonte: elaboração própria.
Nome da Variável Símbolo - Influenciador Símbolo - Influenciado Motivos Segundo Acemoglu (2018)
Tecnologia que otimiza Capital - Máquinas Ak sK, εKL, η, R, Y, W, sL, N
> Tecnologia que otimiza o Capital aumenta a produtividade do capital, aumentando a parcela de capital na produção
agregada
> Tecnologia que otimiza o Capital também aumenta a elasticidade de substituição de capital pelo mesm motivo
anterior
> Tecnologia que otimiza o Capital aumenta a produtividade do capital (autoexplicativo)
> Tecnologia que otimiza o Capital tendem a diminuir o custo do capital no longo prazo
> Tecnologia que otimiza o Capital aumenta a produividade e por fim aumenta o produto agregado do setor
> Tecnologia que otimiza o Capital tende a aumentar o custo da mão de obra em casos de necessidade de mão de obra
qualificada
> Tecnologia que otimiza o Capital por aumentar a parcela de capital na produção agregada, diminui a parcela da mão
de obra na mesma
> Tecnologia que otimiza o Capital pode aumentar o número de novas tarefas em um determinado setor
desempenhadas por mão de obra
Capital K Ak, εKL, R, Y, W, sL
> Capital disponível aumenta o surgimento de tecnologias que otimizam o Capital
> Capital disponível influencia no aumento da elasticidade de substituição de capital
> Capital disponível diminui o custo de capital
> Capital disponível aumenta o produto agregado do setor
> Capital disponível aumenta o custo da mão de obra (salário)
> Capital disponível aumenta a parcela de mão de obra no produto agregado
Parcela de capital na produção agregada sK - -
Elasticidade de substituição Capital - Trabalho εKL Y, W
> A elasticidade de substituição influencia no aumento da produção agregada (Via instauração de fatores mais
produtivos
> A elasticidade de subtituição influencia no poder de barganha da mão de obra, logo influenciando os salários (custo
de mão de obra)
Produtividade do capital η R, Y, sL
> A produtividade do capital diminui o custo de capital
> A produtividade do capital aumenta a produção agregada
> A produtividade do capital diminui a parcela de mão de obra na produção agregada
Custo do capital R Y > O custo de capital influencia na produção agregada
Produção Agregada Y R, sL
> A produção agregada também influencia no custo de capital
> A produção agregada aumenta a parcela de mão de obra na produção agregada pois uma maior produtividade gera
uma maior demanda por bens e serviços que gera uma maior demanda por mão de obra
Produto Marginal do Trabaho - Nível de Salário - Custo da mão de obra W Y, sL> O custo da mão de obra influencia na producão agregada
> O custo da mão de obra influencia na parcela de mão de obra na produção agregada
Tecnologia que otimiza Trabalho - Mão de obra Al Y, W, sL, N
> Tecnologia que otimiza o trabalho aumenta a produção agregada
> Tecnologia que otimiza o trabalho diminui o custo da mão de obra
> Tecnologia que otimiza o trabalho aumenta a parcela de mão de obra na produção agregada
Mão de obra L εKL > Mão de obra disponível influencia diretamente a elasticidade de substituição de capital - trabalho
Parcela de mão de obra na produção agregada sL - -
Fronteira de automação I R, Y, W
> A fronteira de automação influencia diminui o custo de capital no longo prazo
> A fronteira de automação influencia no aumento da produção agregada
> A fronteira de automação influencia na diminuição do custo da mão de obra (salários)
Total de tarefas N R, Y, W
> O número total de tarefas influencia no custo de capital
> O número total de tarefas influencia no aumento da produção agregada
> O número total de tarefas influencia no aumento do custo da mão de obra (salários)
Produtividade do trabalho ɣ Y > A produtividade do trabalho influencia o auemnto da produção agregada
112
APÊNDICE C – MATRIZ DE ANÁLISE ESTRUTURAL
Fonte: elaboração própria.
Legenda
Relações do modelo tecnológico
Relações do modelo macroeconômico
122
REFERÊNCIAS BIBLIOGRÁFICAS
ACEMOGLU, D.; RESTREPO, P. Modeling automation. Cambridge. 2018.
AMAZON. Amazon, 30 Julho 2018. Disponivel em: <https://aws.amazon.com/pt/getting-
started/projects/build-machine-learning-model/services-costs/>.
ANSPACH, R. Brazil: Staff Concluding Statement of the 2018 Article IV Mission.
International Monetary Funf, 2018. Disponivel em:
<http://www.imf.org/en/News/Articles/2018/05/25/mcs052518-brazil-staff-concluding-
statement-of-the-2018-article-iv-mission>. Acesso em: 9 Jun 2018.
ASSOCIAÇÃO BRASILEIRA DE AUTOMAÇÃO. Índice de Automação do Mercado
Brasileiro 2017. [S.l.]. 2018.
BAIN & COMPANY. Labor 2030: The collision of demographics, automation and
inequality. [S.l.]. 2018.
BARBOSA, F. H. B. A crise econômica de 2014/2017. Estudos Avançados, São Paulo, v.
31, n. 89, p. 51-60, Jan 2017. ISSN ISSN.
Business Insider, Julho 2017. Disponivel em: <https://www.businessinsider.com/delivery-
drones-market-service-2017-7>.
CHRISTENSEN, C. M. O Dilema da Inovação: Quando as Novas Tecnologias Levam
Empresas ao Fracasso. São Paulo: M.Books, 2012.
DE ORTE, P. IMF raises Brazil’s estimated growth to 2.3% in 2018. AGÊNCIA BRASIL,
2018. Disponivel em: <http://agenciabrasil.ebc.com.br/en/economia/noticia/2018-04/imf-
raises-brazils-estimated-growth-23-2018>. Acesso em: 9 Jun 2018.
ESTADÃO. Pequena empresa responde por 70% dos empregos. Estadão - Economia &
Negócios, 2017. Disponivel em: <https://economia.estadao.com.br/noticias/geral,pequena-
empresa-responde-por-70-dos-empregos,70001963654>. Acesso em: 3 Jul 2018.
FERNANDES, A. Scordecard dinâmico - Em direção à integração da dinâmica de
sistemas com o balanced scoredcard. Rio de Janeiro. 2003.
FERREIRA, A. B. H. Novo Dicionário Aurélio da Língua Portuguesa. 3. ed. ed. Curitiba:
Positivo, 2004.
FIEP. Tabela de Reajustes Salariais. FIEP, 2018. Disponivel em:
<http://www.fiepr.org.br/para-sindicatos/assistencia-sindical/tabela-de-reajustes-salariais-
1-124-94564.shtml>. Acesso em: 01 Jul 2018.
FOCUS. Focus - Relatório de Mercado. Banco Central do Brasil. [S.l.], p. 2. 2018.
FOLHA, D. S. P. No 5º dia de alta, dólar testa R$ 3,50 e fecha no maior nível em quase 2
anos. Folha de São Paulo, 2018. Disponivel em:
<https://www1.folha.uol.com.br/mercado/2018/04/no-5o-dia-de-alta-dolar-testa-r-350-e-
fecha-no-maior-nivel-em-quase-2-anos.shtml>. Acesso em: 10 Jun 2018.
FOLHA. Dólar fecha em alta e se aproxima de R$ 3,84; Bolsa cai 0,7%. Folha de São
Paulo, 2018. Disponivel em: <https://www1.folha.uol.com.br/mercado/2018/06/dolar-
fecha-em-alta-e-se-aproxima-de-r-384-bolsa-cai-07.shtml>. Acesso em: 10 Jun 2018.
123
Forbes, 16 Abril 2012. Disponivel em:
<https://www.forbes.com/sites/ciocentral/2012/04/16/the-big-cost-of-big-
data/#3b16209e5a3b>.
GLOBO, O. Perspectiva de alta no consumo alimenta aposta no varejo. O Globo, 2018.
Disponivel em: <https://oglobo.globo.com/economia/perspectiva-de-alta-no-consumo-
alimenta-aposta-no-varejo-22410000>. Acesso em: 23 Jun 2018.
GODET, M. From Anticipation to Action - A handbook of strategic prospective. 1ª. ed.
Vendôme: UNESCO, 1994.
GODET, M. The Art of Scenarios and Strategic Planning: Tools and Pitfalls. Technological
Forecasting and Social Change, Nova Iorque, v. 65, p. 3-22, Set 2000.
IBGE. Demografia das Empresas. IBGE, 2015. Disponivel em:
<https://www.ibge.gov.br/estatisticas-novoportal/economicas/comercio/9068-demografia-
das-empresas.html?=&t=destaques.%20Acesso%20em:%2007/05/2018.>. Acesso em: 25
Mai 2018.
IBGE. Indicadores IBGE. IBGE. [S.l.]. 2018.
IBGE. temas e subtemas » comércio » índices mensais do comércio varejista » Receita
nominal - Varejo. Índice Mensal (Base: igual mês do ano anterior). IBGE, 2018. Disponivel
em:
<https://seriesestatisticas.ibge.gov.br/series.aspx?no=2&op=0&vcodigo=MC74&t=receita-
nominal-varejo-indice-mensal-base>. Acesso em: 29 Jul 2018.
IBM. IBM, Outubro 2017. Disponivel em:
<https://www.ibm.com/blogs/watson/2017/10/how-chatbots-reduce-customer-service-
costs-by-30-percent/>.
INFOMONEY. Quem é Paulo Guedes, o possível ministro da Fazenda se Bolsonaro for
presidente. INFOMONEY, 2017. Disponivel em:
<https://www.infomoney.com.br/mercados/politica/noticia/7109305/quem-paulo-guedes-
possivel-ministro-fazenda-bolsonaro-for-presidente>. Acesso em: 23 Jul 2018.
IPEA. Taxa de câmbio nominal. IPEA DATA, 2018. Disponivel em:
<http://ipeadata.gov.br/ExibeSerie.aspx?serid=38389>. Acesso em: 29 Jul 2018.
MANKIW, N. G. Macroeconomia. 8ª. ed. Rio de Janeiro: LTC, 2018.
MASSACHUSSETS INSTITUTE OF TECHNOLOGY. Massachussets Institute of
Technology. Disponivel em:
<http://web.mit.edu/2.744/www/Project/Assignments/humanUse/lynette/2-
About%20the%20machine.html>.
MCKINSEY GLOBAL INSTITUTE. Preparing Brazil for the future of work: jobs,
technology, and skills. São Paulo. 2018.
MELLO, G.; WELLE, A.; DE OLIVEIRA, A. L. M. A crise prossegue: baixo crescimento
e alta desigualdade no Brasil pós-recessão. Nota do Cecon, Campinas, Mai 2018. 5.
MTE. CAGED - Jun 2018. PROGRAMA DE DISSEMINAÇÃO DAS ESTATÍSTICAS
DO TRABALHO, 2018. Disponivel em: <http://pdet.mte.gov.br/caged?view=default>.
Acesso em: 29 Jul 2018.
MUNDIAL, B. Brasil | Data. The World Bank, 2018. Disponivel em:
<https://data.worldbank.org/country/brazil?locale=pt>. Acesso em: 9 Jun 2018.
124
NIELMAR, O. CNC reduz previsão de crescimento do varejo em 2018 para 5%. Agência
Brasil, 2018. Disponivel em: <http://agenciabrasil.ebc.com.br/economia/noticia/2018-
04/cnc-reduz-previsao-de-crescimento-do-varejo-em-2018-para-5>. Acesso em: 23 Jun
2018.
OREIRO, J. L. A grande recessão brasileira: diagnóstico e uma agenda. Estudos
Avançados, São Paulo, v. 31, n. 89, p. 75-88, Jan 2017. ISSN ISSN.
Practical E-commerce, 2015. Disponivel em:
<https://www.practicalecommerce.com/beacons-local-retail-game-changing-technology>.
RIBEIRO, A. P. Perspectiva de alta no consumo alimenta aposta no varejo. O Globo, 2018.
Disponivel em: <https://oglobo.globo.com/economia/perspectiva-de-alta-no-consumo-
alimenta-aposta-no-varejo-22410000>. Acesso em: 23 Jun 2018.
SEATTLE BUSINESS NEWS, 9 Junho 2017. Disponivel em:
<https://www.bizjournals.com/seattle/news/2017/06/09/amazon-to-spend-200m-on-
fulfillment-center-for-130.html>.
SENGE, P. A Quinta Disciplina. [S.l.]: BestSeller, 2017.
SEPLAN. Parorama Macroeconômico. Secretaria de Planejamento e Assuntos
Econômicos (SEPLAN). [S.l.], p. 5. 2018.
TECMUNDO. Tecmundo, 2017. Disponivel em:
<https://www.tecmundo.com.br/carro/114295-previsao-elon-musk-carros-autonomos-
muito-errada.htm>.
THE BOSTON CONSULTING GROUP. The Robotics Revolution. Boston. 2015.
THE GUARDIAN. The Guardian, 22 Janeiro 2018. Disponivel em:
<https://www.theguardian.com/us-news/2018/jan/22/amazon-go-convenience-store-
corner-shop>.
UBEDA, R. Bem-vindo à era das Machine Learning: a nova evolução do marketing. E-
commerce Brasil, 2017. Disponivel em:
<https://www.ecommercebrasil.com.br/artigos/era-machine-learning-evolucao-
marketing/>. Acesso em: 23 Jul 2017.
WOILER, S.; MATHIAS, W. F. Projetos: planejamento, elaboração, análise. 2 ed. ed. São
Paulo: Atlas, 2015.