A Elasticidade É Um Conceito Fundamental Na Economia

O que todo analista precisa entender sobre elasticidade antes de subir um preço

Quando eu trabalhava em consultoria de precificação para uma rede varejista no final dos anos 2010, o time de marketing ficou obcecado com a ideia de aumentar margem apenas subindo preços de forma uniforme. A proposta era simples e soava correta no papel. Elevar tudo em 8% e ver o volume cair o suficiente para compensar. O que aconteceu foi que o volume caiu em 14%. A elasticidade-preço não era uniforme entre os produtos. Alguns artigos tinham demanda perfeitamente inelástica porque os consumidores já os consideravam essenciais. Outros eram altamente elásticos porque existiam substitutos imediatos na prateleira do concorrente ao lado. A empresa perdeu margem em vez de ganhar. Esse tipo de situação mostra exatamente porque a elasticidade é um conceito fundamental na economia e também por quê ele é frequentemente mal aplicado no dia a dia.

a elasticidade é um conceito fundamental na economia

Elasticidade mede a sensibilidade de uma variável econômica em resposta a mudanças em outra variável. A mais conhecida é a elasticidade-preço da demanda, que calcula o percentual de variação na quantidade demandada dividido pelo percentual de variação no preço. Se o preço sobe 10% e a quantidade cai 5%, a elasticidade é -0,5. O sinal negativo reflete a lei da demanda, mas o que importa na prática é a magnitude absoluta. Produtos com elasticidade maior que 1 em valor absoluto são considerados elásticos. Menor que 1 são inelásticos. Isso determina se aumentar ou reduzir preços aumenta ou diminui a receita total. Existem outros tipos de elasticidade que costumam ser negligenciados mas aparecem frequentemente em análises reais. A elasticidade-renda mede como a demanda reage a mudanças na renda do consumidor. Produtos normais têm elasticidade-renda positiva. Produtos inferiores têm elasticidade-renda negativa. A elasticidade-cross price da demanda mede a relação entre o preço de um produto e a demanda por outro produto. Isso identifica substitutos e complementaridades. Se o preço do café sobe e a demanda por chá aumenta, ambos são substitutos com elasticidade-cross positiva. Se o preço dos consoles sobe e a demanda por jogos cai, eles são complementares com elasticidade-cross negativa.

O cálculo básico parece simples mas os erros aparecem rapidamente na aplicação prática. A fórmula padrão usa pontos médios para evitar distorções dependendo da direção da mudança. A fórmula com arco é: ((Q2 - Q1) / ((Q1 + Q2)/2)) dividido por ((P2 - P1) / ((P1 + P2)/2)). Usar a fórmula simples de variação percentual entre dois pontos produz resultados inconsistentes. Se você calcula a elasticidade de A para B e depois de B para A, os valores numéricos serão diferentes. A fórmula do arco resolve isso. Em dados reais, o problema é que os preços e quantidades nunca mudam de forma isolada. Quando você ajusta o preço de um produto, outros preços também podem estar mudando. A renda dos consumidores está se movendo. Há fatores sazonais, campanhas de marketing concorrentes, alterações na disponibilidade. Tudo isso se mistura nos dados observados. Para isolar o efeito preço, o padrão da indústria é usar regressão com variáveis de controle. Você modela a quantidade como função do próprio preço, dos preços dos concorrentes, da renda média da região, da estação do ano e de variáveis indicadoras de promoções. Os coeficientes dessa regressão dão as elasticidades estimadas.

Eu já vi equipes de análise usarem apenas a variação bruta de preço e quantidade sem controlar por nada. O resultado era uma elasticidade aparente que misturava efeito preço com efeito renda e efeito sazonal. Na prática, isso significava que o preço foi aumentado no verão, quando a demanda por sorvete já estava alta naturalmente. A quantidade aumentou apesar do preço maior. A conclusão errada foi de que a demanda era inelástica. Na verdade, a demanda por sorvete é altamente elástica e sazonal. Sem controles apropriados, a análise inteira se torna inútil. Um detalhe que poucos iniciantes percebem é que a elasticidade não é um número fixo. Ela varia ao longo da curva de demanda. Em preços mais altos, a demanda tende a ser mais elástica porque os consumidores substituem mais facilmente. Em preços muito baixos, ela tende a ser mais inelástica porque já há pouco espaço para redução adicional de consumo. Isso significa que estimar uma única elasticidade global para todo o produto é frequentemente enganoso. O ideal é estimar elasticidades locais em diferentes faixas de preço. Isso exige dados granulares suficientes. Se você tem apenas dados mensais agregados, não conseguirá capturar essa variação.

Outro ponto importante é que elasticidade estimada a partir de dados observacionais carrega viés de simultaneidade. Preço e quantidade são determinados simultaneamente no mercado. Empresas ajustam preços em resposta à demanda e consumidores ajustam demandas em resposta aos preços. Isso gera correlação entre o preço e o erro na regressão. A solução padrão é usar variáveis instrumentais. Variáveis comuns incluem custos de insumos, mudanças regulatórias, choques de oferta naturais. O custo do leite afeta o preço do sorvete mas não afeta diretamente a demanda por sorvete. Ele funciona como instrumento válido para isolar a variação exógena do preço. Na prática operacional, eu costumava usar uma abordagem híbrida. Para produtos com histórico longo de transações diárias, eu estimava elasticidades por produto usando regressão com variáveis instrumentais baseadas em custos. Para produtos com dados mais escassos, eu usava elasticidades derivadas de testes A/B controlados. Testes de preço em mercados aleatórios dão a melhor estimação causal mas são caros e difíceis de escalar. A combinação das duas abordagens funcionava bem: testes para calibrar e regressão para generalizar entre os produtos sem teste.

Existem limitações sérias que precisam ser declaradas abertamente. Elasticidade estimada com dados históricos não prevê bem mudanças de regime. Quando uma nova tecnologia entra no mercado, quando há uma pandemia, quando há guerra comercial, as elasticidades mudam drasticamente. A elasticidade do pão durante a COVID não era a mesma elasticidade do pão em tempos normais. Modelos baseados apenas em dados passados falham nesses momentos. É necessário incorporar variáveis macroeconômicas e de contexto diretamente na estimação. Outra limitação comum é que elasticidade-preço captura apenas a reação de curto prazo. No longo prazo, consumidores se adaptam. Mudam hábitos, encontram substitutos, a empresa pode reposicionar o produto. Estimações de curto prazo frequentemente subestimam a elasticidade verdadeira. Se você está planejando uma mudança estrutural de preço, usar a elasticidade de curto prazo vai superestimar a receita após a mudança. O ajuste completa geralmente leva de seis a dezoito meses dependendo do setor.

Para setores específicos, existem particularidades importantes. No varejo alimentício, a elasticidade varia enormemente entre categorias. Produtos de primeira necessidade como arroz e feijão têm elasticidade baixa, frequentemente entre -0,2 e -0,5. Produtos não essenciais como biscoitos premium ou refrigerantes podem ter elasticidade entre -1,5 e -3,0. Uma regra prática útil que eu aplicava era agrupar produtos por categoria antes de analisar elasticidade. Misturar categorias diferentes no mesmo modelo distorce tudo porque cada grupo tem comportamento de demanda fundamentalmente diferente. No setor de serviços, a elasticidade é frequentemente mais alta porque os custos de busca e troca são menores. Um cliente que cancela um serviço de streaming por aumento de preço pode voltar meses depois se o concorrente oferecer uma promoção. Isso cria volatilidade nas elasticidades ao longo do tempo. Modelos estáticos não capturam isso. Dinamicidade é importante: elasticidades estimadas com dados trimestrais são muito menos confiáveis que dados semanais ou diários quando disponíveis.

Se você precisa estimar elasticidade a partir do zero, o fluxo mínimo viável é: coletar dados de preço e quantidade em nível de produto por período, agregar por região se o mercado for geograficamente segmentado, rodar regressão com logaritmos nos dois lados para interpretar coeficientes diretamente como elasticidades, incluir variáveis de controle de preço dos concorrentes e variáveis macro, testar robustez com diferentes especificações e períodos, e reportar intervalos de confiança e não apenas pontos estimados. Intervalos amplos indicam dados insuficientes e decisões baseadas nesses números são arriscadas. Existem ferramentas acessíveis para fazer essa análise. O R com o pacote fixest permite regressões com fixed effects de alta dimensão de forma rápida. O Python com statsmodels ou linearmodels também funciona. Para empresas que não têm equipe de economia, algumas plataformas de precificação comoPROS, Pricefx e Imperium Analytics já incluem módulos de estimação de elasticidade embutidos. A desvantagem dessas plataformas é que elas operam como caixas pretas. Você confia na metodologia delas sem conseguir auditar ou ajustar. Se os dados de entrada forem ruins, a caixa preta produzirá elasticidades ruins com aparência de precisão.

O que eu recomendo de forma prática é começar simples. Não tente estimar elasticidades perfeitas para todos os produtos de uma vez. Escolha dez produtos com maior volume de vendas e maior variabilidade de preço nos últimos doze meses. Estime para eles primeiro. Veja se os resultados fazem sentido intuitional e se os intervalos de confiança são razoáveis. Depois expanda. Elasticidade estimada com poucos dados nunca será confiável. É melhor ter cinco elasticidades bem estimadas do que cinquenta elasticidades imprecisas usadas como se fossem verdades absolutas.