Por que a Reforma da Previdência é prioritária?

Hoje eu atualizei o script Monitor Fiscal, que faz parte do kit de apresentações do curso de Análise de Conjuntura usando o R e que também está disponível no Clube do Código. Por se tratar de dados fiscais, o Monitor é o maior script do kit de apresentações, dando ao aluno do curso uma excelente noção de como coletar e tratar dados reais da economia brasileira.

A apresentação está dividia em três grandes partes. Na primeira, são coletados os dados da Secretaria do Tesouro Nacional (STN), que produz o resultado primário do governo central. Isto é, traz as receitas e despesas do Tesouro Nacional, da Previdência Social e do Banco Central.  Já nesse bloco de dados, a propósito, é possível verificar a situação precária das contas públicas, como ilustra o resultado primário em valores reais abaixo.

O resultado primário é obtido pelo confronto entre despesas e receitas líquidas das transferências para estados e municípios. O que podemos ver no gráfico acima, destacado na área vermelha clara, é que houve nos últimos anos, desde 2011, um grande declínio dessa métrica, sendo parcialmente revertido na margem. No último dado disponível, o resultado primário encontra-se negativo em R$ 122,2 bilhões. Recentemente, a propósito, o governo divulgou no PLDO 2020 estimativa de déficit primário até 2022.

O déficit primário de R$ 122,2 bilhões, a propósito, é obtido pelo confronto entre despesas primárias de R$ 1.381 bilhões contra receitas de R$ 1.254 bilhões. O gráfico acima mostra que a boca de jacaré se abriu no final de 2014 e não fechou mais, gerando o déficit primário ilustrado no primeiro gráfico. Nós podemos melhorar nosso entendimento desse problema desagregando receitas e despesas. O gráfico abaixo ilustra as principais classes de receitas.

Os valores estão deflacionados a preços de fevereiro de 2019 e acumulados em 12 meses, como é ensinado em nosso curso de Análise de Conjuntura usando o R. Observe que há uma queda na ponta em todas as classes de receita. A seguir, colocamos as despesas desagregadas.

Os valores também estão deflacionados a preços de fevereiro de 2019 e acumulados em 12 meses. Feita essa suavização, salta aos olhos a tendência positiva e ininterrupta de crescimento dos gastos com previdência. Na ponta, esses gastos já somam R$ 600,8 bilhões, representando 43,5% da despesa total do governo central.

Importante dizer, diga-se, que os gastos com previdência acima representam apenas os gastos com o INSS. Não estão incluídos os gastos com o regime próprio, isto é, com os servidores civis e militares. Infelizmente, não há transparência sobre esses gastos e, portanto, não há disponível uma série histórica mensal onde possamos fazer uma análise similar.

Como se vê, entretanto, os gastos com previdência são de longe o principal problema do governo central porque são gastos inflexíveis e que crescem de forma ininterrupta ao longo do tempo. Caso nada seja feito, portanto, eles consumirão cada vez mais recursos do orçamento público, deixando menos dinheiro para outras áreas como saúde, educação e segurança.

Isso e muito mais você aprende em nosso curso de Análise de Conjuntura usando o R.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Regimes da Política Monetária Brasileira com Markov Switching no Python

Este exercício analisa a política monetária brasileira utilizando modelos de Markov Switching Regression. O objetivo é identificar diferentes regimes de política monetária e como eles influenciam a taxa Selic, a meta de inflação e o hiato do produto. Usamos a linguagem de programação Python para o processo de coleta, tratamento, análise e modelagem dos dados.

Como criar janelas móveis de séries temporais usando o Python

Janelas Móveis/Deslizantes, ou Rolling Windows, são termos frequentes na análise de séries temporais. Mas o que são e como aplicá-las no Python? Neste tutorial, mostramos como essa ferramenta é essencial para a análise de dados utilizando como exemplo a correlação móvel de ações brasileiras.

Como incorporar choques em cenários de previsão?

Neste exercício mostramos como incorar choques no cenário de variáveis exógenas para fins de previsão. Usando como exemplo a previsão do IPCA, através de um modelo de machine learning, mostramos os cuidados a serem tomados e uma forma simples de definir o cenário com os choques. Ao final, apresentamos uma previsão com um suposto choque e uma previsão sem o choque para comparação.

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

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.