3. DOKUMENTASJON AV GLASSREKKVERK
3.2 K RAV TIL PRODUKTDOKUMENTASJON (DOK)
Para a construção do modelo utilizando os países da América Latina, julgamos ser necessário fazer algumas alterações em relação ao modelo original. Além das variáveis10 utilizadas no modelo do trabalho de referência (Y, TRADEBAL, OPEN, FIXCAP, LDCIMP e IMPCHINA), acrescentamos a variável RAWMGDP (que mede a exportação de
commodities em percentual do PIB) e excluímos a variável LDCIMP, uma vez que os países
da América Latina também possuem mão-de-obra mais barata e menos qualificada do que os países desenvolvidos, de modo que o impacto do comércio norte-sul perderia o sentido no modelo a ser construído. A variável RAWMGDP foi incluída com o intuito de verificarmos se há indícios de um processo de doença holandesa em curso nesses países, ou seja, verificar se os recursos produtivos estão sendo deslocados para o setor de commodities.
A variável Y (PIB per capita) está expressa na forma logarítmica em paridade de poder de compra a preços constantes de 200511. As demais variáveis estão expressas em percentuais do PIB, desse modo, controlamos o efeito de preço na evolução das séries.
Selecionamos o período de 1986 a 2005 em função da disponibilidade dos dados para as variáveis utilizadas no modelo. Além disso, conforme verificamos anteriormente, os dados referentes a emprego sugerem que a desindustrialização teria se iniciado em fins da década de 1980 e inicio da década de 1990.
A escolha dos países se justifica em função da impossibilidade de obter séries históricas confiáveis para os demais países da América Latina. Assim, os países considerados são: Argentina, Brasil, Chile, Colômbia, Costa Rica, México, Peru e Venezuela. Contudo, embora a amostra seja composta por 8 países, juntos eles correspondem a aproximadamente 85% do total da população da América Latina e Caribe e aproximadamente 90% do PIB da América Latina12. Logo, trata-se de uma amostra representativa tanto do ponto de vista da população quanto da importância de suas economias.
10 Para mais detalhes sobre as variáveis do modelo, consultar o apêndice A.
11 O turning point foi convertido a dólares de 1995 para que a comparação com o modelo de Rowthorn e Coutts
(2004) se tornasse possível.
4.2 O modelo
Iniciamos o estudo realizando uma análise gráfica das variáveis utilizadas no modelo a ser desenvolvido nesta dissertação. No Gráfico 7 observamos a participação do emprego no setor de manufaturas em relação ao emprego total da economia desses países.
Gráfico 7 – Participação da manufatura no emprego (%), 1986 a 2005
Fonte: elaboração própria
Com base nos gráficos acima, podemos perceber que o comportamento da variável dependente do modelo, EMPSHARE (participação da indústria de transformação no emprego total), é distinto entre os países da amostra. Entretanto, embora o comportamento da curva seja diferente entre os países, todos apresentam tendência de queda no período estudado.
O Gráfico 8 mostra o comportamento do investimento no período analisado, sendo adotada como sua medida a formação bruta de capital fixo (FBKF). Adotamos essa convenção em função da recomendação da OCDE de que a variável investimento seja sempre utilizada em termos de FBKF, posto que isso reduz distorções estatísticas. Neste estudo, representaremos essa variável pela denominação FIXCAP.
.1 .1 5 .2 .1 .1 5 .2 .1 .1 5 .2 1985 1990 1995 2000 2005 1985 1990 1995 2000 20051985 1990 1995 2000 2005
Argentina Brasil Chile
Colômbia Costa Rica México
Peru Venezuela Pa rti ci pa çã o ma nu fa tu ra n o emp re go Ano
Gráfico 8 – Formação bruta de capital fixo (% PIB), 1986 a 2005
Fonte: elaboração própria
Podemos notar no Gráfico 8 que a FBKF apresenta um comportamento heterogêneo entre os países e irregular ao longo do tempo. A Venezuela apresenta o comportamento mais instável entre os países selecionados.
O Gráfico 9 mostra o comportamento do PIB per capita (medido em logaritmo) no período entre 1986 e 2005.
Gráfico 9 – log PIB per capita, 1986 a 2005
Fonte: elaboração própria
.1 .1 5 .2 .2 5 .3 .1 .1 5 .2 .2 5 .3 .1 .1 5 .2 .2 5 .3 1985 1990 1995 2000 2005 1985 1990 1995 2000 20051985 1990 1995 2000 2005
Argentina Brasil Chile
Colômbia Costa Rica México
Peru Venezuela Fo rma çã o bru ta d e ca pi ta l f ixo Ano
Gráficos por país
8 .5 9 9 .5 8 .5 9 9 .5 8 .5 9 9 .5 1985 1990 1995 2000 2005 1985 1990 1995 2000 20051985 1990 1995 2000 2005
Argentina Brasil Chile
Colômbia Costa Rica México
Peru Venezuela
Ano
A variável PIB per capita (Y) apresenta, como seria de se esperar, um comportamento crescente no longo prazo, exceto para a Venezuela.
O Gráfico 10 apresenta o grau de abertura comercial da economia dos países estudados, representado pela variável OPEN. Essa variável foi obtida somando-se o total de exportações de manufaturas com o total de importação de manufaturas.
Gráfico 10 – Abertura comercial (% PIB), 1986 a 2005
Fonte: elaboração própria
No Gráfico 10 verificamos que a variável OPEN apresenta crescimento no período observado, porém de forma distinta entre os países.
No Gráfico 11 apresentamos as importações de bens manufaturados da China, em proporção do PIB no período entre 1986 e 2005, representada pela variável IMPCHINA.
0 .2 .4 .6 0 .2 .4 .6 0 .2 .4 .6 1985 1990 1995 2000 2005 1985 1990 1995 2000 20051985 1990 1995 2000 2005
Argentina Brasil Chile
Colômbia Costa Rica México
Peru Venezuela
Ano
Gráfico 11 – Importação de manufaturas da China (% PIB), 1986 a 2005
Fonte: elaboração própria
A variável IMPCHINA apresenta tendência de crescimento em todos os países, tendo esse processo se acentuado a partir de meados da década de 1990.
O Gráfico 12 mostra o resultado da balança comercial de manufaturas dos países estudados, entre 1986 e 2005. A balança comercial de manufaturas é representada no modelo pela variável TRADEBAL.
Gráfico 12 – Balança comercial de manufaturas (% PIB), 1986 a 2005
Fonte: elaboração própria
0 .0 1 .0 2 .0 3 0 .0 1 .0 2 .0 3 0 .0 1 .0 2 .0 3 1985 1990 1995 2000 2005 1985 1990 1995 2000 20051985 1990 1995 2000 2005
Argentina Brasil Chile
Colômbia Costa Rica México
Peru Venezuela Imp ort açã o de ma nu fa tu ra s da C hi na Ano
Gráficos por país
-. 2 -. 1 0 -. 2 -. 1 0 -. 2 -. 1 0 1985 1990 1995 2000 2005 1985 1990 1995 2000 20051985 1990 1995 2000 2005
Argentina Brasil Chile
Colômbia Costa Rica México
Peru Venezuela Ba la nça co me rc ia l d e ma nu fa tu ra s Ano
Não é possível notar, com base no Gráfico 12, uma tendência clara de comportamento da variável TRADEBAL ao longo do tempo e entre os países.
O Gráfico 13 mostra o volume de exportações de commodities, em proporção do PIB, entre 1986 e 2005. Essa variável será representada no modelo como RAWMGDP.
Gráfico 13 – Exportação de commodities (% PIB), 1986 a 2005
Fonte: elaboração própria
Por fim, a variável RAWMGDP apresenta um comportamento distinto tanto entre países, quanto ao longo do tempo, com destaque para o comportamento irregular (volátil) da Venezuela.
Após essa breve análise gráfica das variáveis, realizamos algumas regressões a fim de analisar as principais causas de uma possível desindustrialização precoce na América Latina, bem como determinar o turning point13 da renda per capita desses países. Os resultados são
apresentados na Tabela 3.
Vale lembrar que, conforme exposto na seção 3, as equações 1, 2 e 3 referem-se ao modelo estimado por Rowthorn e Coutts (2004). Já as equações 4, 5 e 6, detalhadas na Tabela 3 a seguir, referem-se às equações que estimamos nesta dissertação.
13
Ponto de inflexão da curva de participação da indústria no emprego em função da renda per capita. Neste ponto de inflexão podemos analisar a que nível de renda per capita a participação do emprego na indústria em relação ao emprego total começa a cair.
0 .1 .2 .3 0 .1 .2 .3 0 .1 .2 .3 1985 1990 1995 2000 2005 1985 1990 1995 2000 20051985 1990 1995 2000 2005
Argentina Brasil Chile
Colômbia Costa Rica México
Peru Venezuela Exp ort açã o de c omm od iti es Ano
Tabela 3 – Resultado das regressões 1986-2005 Número da equação (4) (5) (6) Log Y -0.102 0.550 0.670 (0.43) (0.14)*** (0.16)*** (Log Y)² 0.006 -0.029 -0.036 (0.02) (0.01)*** (0.01)*** TRADEBAL -0.020 0.046 0.037 (0.06) (0.01)*** (0.02)** OPEN -0.015 -0.028 -0.031 (0.02) (0.01)** (0.01)** IMPCHINA -2.789 -0.755 -0.727 (0.41)*** (0.24)** (0.28)** FIXCAP 0.030 -0.052 -0.061 (0.04) (0.01)*** (0.01)*** RAWMGDP - - -0.042 - - (0.02)** Constante 0.549 -2.399 -2.906 (1.92) (0.65)*** (0.74)***
Efeitos fixos para países Sim Sim Sim
Efeitos fixos para anos Não Sim Sim
Método de estimação MQO MQGF MQGF
Turning point (em dólares
de 1995) 2,304.46 9,750.30 8,326.05
Número de grupos (países) 8 8 8
Observações por grupos
(anos) 20 16 16
Número de observações 160 128 128
Notas: 1) '***', '**' e '*' indicam o nível de significância de 1%, 5% e 10%, respectivamente.
2) O turning point é o valor do PIB per capita em que a variável dependente (EMPSHARE) começa a cair com o aumento do PIB per capita.
3) O desvio padrão das variáveis está demonstrado entre parêntesis. Fonte: elaboração própria
Com base no modelo adotado a partir do trabalho-referência de Rowthorn e Coutts (2004), inicialmente construímos o nosso modelo, conforme Equação 4 abaixo14:
𝐸𝑀𝑃𝑆𝐻𝐴𝑅𝐸 = 𝛼0 + 𝛼1log𝑒𝑌 + 𝛼2(log𝑒𝑌)2+ 𝛼3𝑇𝑅𝐴𝐷𝐸𝐵𝐴𝐿 + 𝛼4𝐹𝐼𝑋𝐶𝐴𝑃
+ 𝛼5𝐼𝑀𝑃𝐶𝐻𝐼𝑁𝐴 + 𝛼6𝑂𝑃𝐸𝑁 + 𝑒𝑟𝑟𝑜
(4)
Nessa equação utilizamos o método de mínimos quadrados ordinários (MQO) considerando efeitos fixos para os países. Apenas a variável IMPCHINA se mostrou estatisticamente significativa a um nível de significância de 5%. A variável (log𝑒𝑌)2 apresenta um sinal oposto ao esperado, de modo que essa parábola possui concavidade voltada para cima. O turning point (ponto de inflexão da curva) ficou no patamar de US$ 2,3 mil (a dólares de 1995).
Seguindo procedimentos econométricos, realizamos o teste de especificação de Hausman para verificar qual método de estimação seria mais adequado para o painel analisado: estimador de efeitos fixos ou o estimador de efeitos aleatórios15. A forma simplificada de especificação de um modelo de dados em painel é:
𝑦𝑖𝑡 = 𝛽𝑋𝑖𝑡+ 𝜇𝑖 + 𝜀𝑖𝑡 , onde (𝑖 = 1, 𝑁; 𝑡 = 1, 𝑇) e 𝜇𝑖 é o efeito individual.
Greene (2003) aponta que há poucas justificativas para se considerar que os efeitos individuais (𝜇𝑖) não estão correlacionados com o termo de erro ou com as variáveis explicativas. Desse modo, é importante avaliar se o método mais indicado é o de efeitos fixos ou o método de estimação de efeitos aleatórios.
De acordo com Hausman (1978), o modelo de efeitos fixos trata o 𝜇𝑖 como fixo, variando entre indivíduos, enquanto a especificação alternativa, o modelo de efeitos aleatórios, assume que 𝜇𝑖 não está correlacionado com o termo de erro e com as variáveis explicativas. Porém, dentro da especificação de efeitos aleatórios, o estimador de efeitos aleatórios é o estimador assintoticamente eficiente enquanto o estimador de efeitos fixos é consistente e não enviesado, mas não é eficiente. Caso a média condicional de 𝜇𝑖 não seja independente das variáveis explicativas, o estimador de efeitos aleatórios é inconsistente e enviesado, enquanto o estimador de efeitos fixos não é afetado. Entretanto, ambos os
14A Equação 4 parte da Equação 2 apresentada na seção 3, que foi testada originalmente por Rowthorn e Coutts
(2004). Diferentemente da equação estimada pelos autores, eliminamos a variável LDCIMP, uma vez que para os países selecionados não faz sentido medir o impacto do comércio norte-sul.
estimadores de efeitos fixos e aleatórios são consistentes caso não haja correlação entre 𝜇𝑖 e as variáveis explicativas, e, portanto, eles deveriam convergir para o parâmetro real no caso de grandes amostras.
Com isso, Hausman (1978) propõe um teste baseado na diferença entre os dois estimadores: se a especificação de efeitos aleatórios está correta, o valor dos dois estimadores deve ser semelhante. Desse modo, a hipótese nula desse teste é de que os estimadores do modelo de efeitos fixos e do modelo de efeitos aleatórios não diferem de modo significativo. No caso deste trabalho, com um nível de significância de 5%, rejeitamos a hipótese nula e concluímos que o modelo mais adequado é o modelo de efeitos fixos. Ou seja, nesta regressão μi está correlacionado com as variáveis explicativas (HAUSMAN, 1978; HILL, GRIFFITHS
& LIM, 2011).
Wooldridge (2010) aponta que a população pode ter distribuições diferentes em períodos de tempo diferentes. Para contornar esse fato, geralmente se insere uma variável
dummy para cada período considerado menos um, em que geralmente o primeiro período é
escolhido como período-base. Com a inclusão dessas dummies, permitimos que o intercepto varie ao longo dos anos. Assim, realizamos um teste F para verificar se a inclusão de variáveis
dummy anuais se mostraria necessária16. No teste realizado também rejeitamos H0 (todos os
coeficientes são juntamente iguais a zero). Ou seja, a inclusão de dummies anuais se fez necessária.
O método de painel é uma combinação de dados de corte transversal com séries temporais fazendo com que os dados em painel tenham uma dimensão temporal e outra espacial. De acordo com Gujarati (2006), o método de dados em painel possibilita mais variabilidade, menos colinearidade entre as variáveis, um número maior graus de liberdade e, por fim, maior eficiência. No entanto, nesse modelo pode haver heterocedasticidade do termo de erro, problema comum aos modelos de corte transversal, e autocorrelação, problema comum aos modelos de series temporais. A heterocedasticidade ocorre quando a variância do termo de erro não é constante entre as observações de corte transversal. Portanto, realizamos o teste de Wald modificado17 como forma de verificar se há heterocedasticidade no modelo. A hipótese nula desse teste é de que a variância do termo de erro é homocedástica. Neste caso, verificamos que havia heterocedasticidade na regressão 4.
16 Ver apêndice D. 17 Ver apêndice E.
De acordo com Baltagi (2008) a correlação entre painéis é um problema comum em painéis longos, ou seja, painéis em que N < T18. Portanto, realizamos o teste de Breusch- Pagan19 para constatar se havia correlação entre painéis na regressão. O resultado indicou que a correlação entre painéis também está presente na regressão 4.
A autocorrelação também é um problema comum a painéis longos, uma vez que sua dimensão temporal é maior do que sua dimensão espacial. A autocorrelação ocorre quando o termo de erro de um período está correlacionado com um período anterior. Logo, realizamos um teste de autocorrelação20, e concluímos que também há na regressão 4 autocorrelação. Por fim, realizamos o teste de normalidade dos resíduos21 e verificamos que não podemos rejeitar a hipótese de normalidade dos resíduos em um nível de significância de 5%.
A fim de corrigir os problemas de heterocedasticidade, autocorrelação e correlação entre painéis, encontrados nos testes realizados para a regressão 4, utilizamos o método de estimação de mínimos quadrados generalizados factíveis (MQGF), uma vez que o termo de erro não é i.i.d. (independente e identicamente distribuído). Davidson e MacKinnon (1993) argumentam que o método de estimação por mínimos quadrados generalizados factíveis é uma alternativa quando os dados apresentam autocorrelação e heterocedasticidade. No software Stata, o comando que realiza esse procedimento é o xtgls, adequado para efetuar essas correções, uma vez que permite a estimação na presença de autocorrelação, correlação entre painéis e heterocedasticidade. Assim, as Equações 5 e 6 foram estimadas por esse método. Para essas equações, com o intuito de corrigir os problemas de autocorrelação consideramos as variáveis FIXCAP, OPEN, TRADEBAL e IMPCHINA de forma defasada22. Além disso, incluímos variáveis dummies para os anos, conforme aponta teste realizado no apêndice D. Uma vez que o teste de Hausman realizado no apêndice C aponta que o melhor modelo para os dados utilizados é o modelo de efeitos fixos, também incluímos variáveis
dummies de intercepto para os países, para conciliar o método de mínimos quadrados
generalizados factíveis juntamente com o modelo de efeitos fixos.
Portanto, na Equação 5, diferentemente da Equação 4, incluímos dummies para tempo e utilizamos o comando xtgls do Stata. Todas as variáveis consideradas se mostraram estatisticamente significativas a um nível de significância de 5%. Além disso, nessa regressão
18 N representa o número de países na amostra e T representa o número de anos da amostra. 19 Ver apêndice F.
20 Ver apêndice G. 21 Ver apêndice H.
22 Utilizamos 1 defasagem para a variável IMPCHINA, 2 defasagens para a variável TRADEBAL, 3 defasagens
para a variável FIXCAP e 4 defasagens para a variável OPEN. Portanto, reduzimos em 4 as observações de tempo, passando de 20 observações na equação 4 para 16 observações nas equações 5 e 6.
a variável Y² apresentou o sinal esperado (negativo), ou seja, a função que representa a relação entre participação do emprego na indústria e nível de PIB per capita apresenta concavidade negativa. Nessa regressão o turning point aumentou para o patamar de US$9,7 mil, a dólares de 1995. Por fim, apenas a variável FIXCAP apresenta um sinal diferente do esperado.
Na Equação 6 incluímos a variável de interesse RAWMGDP:
𝐸𝑀𝑃𝑆𝐻𝐴𝑅𝐸 = 𝛼0 + 𝛼1log𝑒𝑌 + 𝛼2(log𝑒𝑌)2+ 𝛼3𝑇𝑅𝐴𝐷𝐸𝐵𝐴𝐿 + 𝛼4𝐹𝐼𝑋𝐶𝐴𝑃
+ 𝛼5𝐼𝑀𝑃𝐶𝐻𝐼𝑁𝐴 + 𝛼6𝑂𝑃𝐸𝑁 + 𝛼7𝑅𝐴𝑊𝑀𝐺𝐷𝑃 + 𝑒𝑟𝑟𝑜
(6)
Novamente todas as variáveis se mostraram estatisticamente significativas. O sinal da variável FIXCAP está diferente do que seria esperado e o turning point ficou um pouco reduzido, indo para o patamar de US$ 8,3 mil , a dólares de 1995.
Podemos observar que nos Gráficos 7 a 13 há um comportamento atípico da Venezuela em relação às variáveis consideradas nos modelos. Portanto, realizamos as mesmas regressões listadas na Tabela 3 excluindo esse país. Esses resultados são apresentados na Tabela 4.
Em todas as equações abaixo, a função de EMPSHARE em relação ao PIB per capita é uma parábola com concavidade voltada para baixo, visto que Y² < 0. O turning point – ponto de inflexão destas curvas – oscilou entre US$ 5mil e US$ 8 mil, a dólares de 1995. A variável de interesse RAWMGDP é significativa em todas as regressões em que é considerada, a um nível de significância de 5%, e apresentou o comportamento esperado (negativo).
Tabela 4 – Resultado regressões (sem Venezuela)
(Variável dependente= EMPSHARE) 1986-2005 Número da equação (7) (8) (9) (10) Log Y 0.544 0.427 0.399 0.714 (0.37) (0.12)*** (0.15)** (0.15)*** (Log Y)² -0.031 -0.023 -0.022 -0.041 (0.02) (0.01)*** (0.01)** (0.01)*** TRADEBAL 0.159 0.032 0.024 0.038 (0.06)** (0.01)** (0.02) (0.02)* OPEN -0.040 -0.023 -0.026 -0.033 (0.02)** (0.01)** (0.01)** (0.01)** IMPCHINA -1.565 -1.365 -1.327 0.000 (0.38)*** (0.23)*** (0.27)*** FIXCAP 0.094 -0.040 -0.045 -0.054 (0.04)** (0.01)*** (0.01)*** (0.01)*** RAWMGDP 0.000 0.000 -0.049 -0.074 (0.02)** (0.02)*** Constante -2.216 -1.790 -1.616 -2.951 (1.66) (0.56)*** (0.67)** (0.69)***
Efeitos fixos para países Sim Sim Sim Sim
Efeitos fixos para anos Não Sim Sim Sim
Método de estimação MQO MQGF MQGF MQGF
Turning point (em dólares
de 1995) 5,047.85 8,086.83 6,470.33 5,363.07
Número de grupos (países) 7 7 7 7
Observações por grupos
(anos) 20 16 16 16
Número de observações 140 112 112 112
Notas: 1) '***', '**' e '*' indicam o nível de significância de 1%, 5% e 10%, respectivamente.
2) O turning point é o valor do PIB per capita em que a variável dependente começa a cair com o aumento do PIB per capita.
3) O desvio padrão das variáveis está demonstrado entre parêntesis Fonte: elaboração própria
Ao comparar as regressões 5 a 6 com as regressões 7 a 9, podemos notar que a remoção dos dados da Venezuela alteraram de forma significativa os resultados das regressões, resultando principalmente em uma redução no turning point23, indicando que
23 Comparamos apenas as regressões 5 a 7 com as regressões 9 a 11, pois as mesmas foram corrigidas para os
presença da Venezuela estava distorcendo os resultados. Todas as variáveis se mantiveram significativas, exceto TRADEBAL, que não se mostra significativo na regressão 9.
Na Equação 10 removemos a variável IMPCHINA, uma vez que essa apresentava, assim como no trabalho de referência, um coeficiente extremamente alto, o que poderia estar distorcendo os resultados da regressão:
𝐸𝑀𝑃𝑆𝐻𝐴𝑅𝐸 = 𝛼0 + 𝛼1log𝑒𝑌 + 𝛼2(log𝑒𝑌)2+ 𝛼3𝑇𝑅𝐴𝐷𝐸𝐵𝐴𝐿 + 𝛼4𝐹𝐼𝑋𝐶𝐴𝑃
+ 𝛼5𝑂𝑃𝐸𝑁 + 𝛼6𝑅𝐴𝑊𝑀𝐺𝐷𝑃 + 𝑒𝑟𝑟𝑜 (10)
Os resultados indicam que a remoção da variável IMPCHINA foi relevante, uma vez que a variável TRADEBAL passou a ser significativa a um nível de significância de 10%. Além disso, o turning point foi reduzido ficando no patamar de US$ 5,3 mil a dólares de 1995. A variável de interesse RAWMGDP permaneceu significativa e com o sinal esperado. A curva de EMPSHARE em relação ao PIB per capita também continuou apresentando formato de U invertido. O sinal da variável FIXCAP permaneceu diferente do que seria esperado.
5 CONCLUSÃO
O objetivo deste trabalho foi analisar, através de um estudo de dados em painel, se há um processo de desindustrialização precoce em países selecionados da América Latina (Argentina, Brasil, Chile, Colômbia, Costa Rica, México, Peru e Venezuela) no período entre 1986 e 2005. A análise foi baseada em um modelo de referência construído por Rowthorn e Coutts (2004), no qual os autores estudaram o processo de desindustrialização de 23 países ,classificados pela ONU como economias avançadas, no período de 1963 a 2002.
Este trabalho contribui com o debate acerca da questão da desindustrialização precoce na América Latina. Não esperamos com isso encerrar o assunto de forma definitiva, mas sim lançar luz sobre o tema, buscando, através da reflexão das questões levantadas por este estudo, estimular o desenvolvimento de alternativas aos países que porventura estejam enfrentando esse processo. Além disso, estudar as economias mais avançadas, que de certa forma já atravessaram esse processo no passado, contribui para que no presente os países que se deparam com as mesmas questões consigam superá-las, buscando, levando em conta as características de cada país, trilhar os caminhos que a experiência consagrou como bem sucedidos.
A análise gráfica da variável dependente (EMPSHARE) do modelo revelou que, embora se tratasse de uma amostra heterogênea de países, havia uma tendência de redução da participação do emprego no setor de manufatura em relação ao emprego total, movimento esse que se inicia a partir da década de 1980. Nesse sentido, os resultados obtidos através do modelo sugerem que, no período em questão, os países escolhidos para o estudo apresentam um movimento compatível com desindustrialização. Além disso, levando em conta a hipótese central deste estudo (há ou não desindustrialização precoce), o modelo estimado também aponta que os países da América Latina estudados apresentaram no turning point no patamar de renda per capita de US$ 6.000, a dólares de 1995 (Considerando-se as regressões 9 e 10). Já o trabalho-referência de Rowthorn e Coutts apresenta no turning point renda per capita de US$ 9.500, também a dólares de 1995.