Choques adversos ou represamento de preços?

[et_pb_section bb_built="1"][et_pb_row][et_pb_column type="4_4"][et_pb_text _builder_version="3.20.2"]

Nelson Barbosa escreveu artigo na Folha semana passada chamando atenção para a administração de Ilan Goldfajn à frente do Banco Central. Para Barbosa, Ilan teria apenas colhido os frutos plantados por Alexandre Tombini, a quem coube a ingrata tarefa de elevar os juros para conter a inflação em aceleração. No decorrer do artigo, Barbosa classifica o aumento de preços de energia e a desvalorização cambial de "choques adversos" sobre a economia brasileira. Será mesmo?

Para examinar a questão, considere o seguinte modelo básico:

(1)   \begin{align*} y = b_0 + b_1 x + \varepsilon, \end{align*}

onde y é nossa variável de interesse, x é um vetor de variáveis explicativas e \varepsilon é um termo de erro que captura tudo o que não está sendo explicado pelo nosso modelo. Isto é, nele estaria o tal "choque" sobre a variável y.

Isso dito, o que chamamos de choque é algo não previsto, certo? O problema na definição de Barbosa sobre "choques adversos" que afetaram a economia brasileira no final de 2014 para o ano de 2015 é que tudo ali estava previsto. Para examinar a questão usando dados, vamos nos concentrar nos preços da energia elétrica residencial e na gasolina. Enquanto o preço da gasolina foi mantido represado durante boa parte do governo Dilma, o preço da energia elétrica residencial sofreu um duro ataque com a MP 579, que alteraria o marco regulatório do setor. Esses preços são considerados administrados, porque seus reajustes são feitos de acordo com algum contrato, sofrendo forte interferência do governo de plantão. O gráfico abaixo ilustra.

 


 

Observe que o preço do subitem energia elétrica residencial tem uma queda brusca no final de 2012, início de 2013, por conta da tal MP 579. Já o preço da gasolina mantém-se quase sempre em uma banda limite até o final de 2014. Ambos os preços sobem drasticamente após as eleições de 2014, refletindo o represamento feito durante o governo Dilma. O que há nesses dois casos, portanto, é apenas consequência do que foi feito anteriormente pelo governo Dilma. Fato, infelizmente, esquecido por Barbosa.

Para além disso, é importante notar que o represamento de preços administrados atendia a uma estratégia alternativa mais geral de controle da inflação, deixando os juros de fora do processo. Isto é, o governo Dilma tinha como objetivo controlar a inflação ao tentar controlar preços administrados, evitando assim usar os juros para tal tarefa. Isso inclusive está documentado na heterodoxia econômica que sustentou teoricamente aquele governo. Novamente, um fato esquecido por Barbosa.

Tudo isso dito, soa leve demais chamar de "choques adversos" o que na verdade foi uma correção dos erros de cometidos pelo governo na condução da política econômica, em particular da política monetária. Ocorre choque quando não é possível antecipá-lo, o que claramente aqui não era o caso.

_______________________________

Saiba como coletar, tratar, analisar e apresentar dados com nossos Cursos Aplicados de R.

O código que gera o gráfico está disponível no repositório do Clube do Código.

[/et_pb_text][/et_pb_column][/et_pb_row][/et_pb_section]

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Transfer Learning: mostrando porque o Python está na ponta do desenvolvimento

A aprendizagem por transferência (transfer learning) é o reuso de um modelo pré-treinado em um novo problema. Portanto, sua utilização torna-se um avanço enorme para a previsão de diferentes tipos de variáveis, principalmente para aquelas ordenadas no tempo. Mostramos nesta postagem o uso do Transfer Learning com o Python para o caso de Séries Temporais.

Criando Tabelas com o Python: mostrando o poder da linguagem sobre o Excel

Nos dias atuais, pessoas que trabalham com dados estão constantemente confrontados com um dilema: criar uma tabela não tão genial no Excel ou manter em um formato ainda pior, como um dataframe, mas mantendo a flexibilidade de obtenção dos dados. Podemos resolver esse grande problema, unindo a flexibilidade e beleza ao usar a biblioteca great_tables do Python.

Análise do Censo Demográfico com o R

Como podemos analisar dados do Censo Demográfico para produzir pesquisas e implementar políticas públicas? Mostramos nesta postagem o resultado de uma breve análise dos dados preliminares do Censo Demográfico de 2022 usando o R.

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.