Falências e PIB Potencial: o efeito permanente do choque

Uma das grandes preocupações dos economistas nessa pandemia era evitar que ocorresse um número grande de falências de empresas. Isso porque, quanto maior o número de falências, maior o impacto sobre o potencial de crescimento da economia. Para ilustrar esse argumento, nesse Comentário de Conjuntura fiz um exercício simples que verifica o efeito de um choque no número de falências sobre o PIB Potencial da economia brasileira.

Como proxy para essas séries, utilizei o PIB Potencial construído pela IFI, a Instituição Fiscal Independente, e o total de falências decretadas disponibilizado pelo Serasa Experian. Foi, então, construído um modelo de correção de erros e extraída a função de impulso-resposta, considerando um choque no número de falências e o seu efeito sobre o PIB Potencial. O gráfico a seguir ilustra.

O aumento no número de falências tem efeitos deletérios sobre o potencial de crescimento da economia, como era esperado. Isso porque, o efeito mais visível da falência de empresas é a destruição de capacidade produtiva.

Os dados do levantamento da Serasa vão até abril. Como é provável que haja uma defasagem não desprezível entre a empresa ter dificuldades de caixa e a decretação de uma falência, ainda não é possível verificar um aumento nesse número em 2020. Entretanto, dadas as imensas dificuldades de acesso a crédito e o impacto considerável da pandemia no caixa das empresas, é de supor que esse número mostre algum avanço nos próximos meses.

Caso isso se confirme, o efeito sobre a capacidade produtiva do país será considerável.

____________________

(*) Conheça nosso Curso de Macroeconometria usando o R e aprenda a entender o organismo econômico por meio de equações.

(**) Você aprende a coletar, tratar, analisar e apresentar dados com o R em nossos Cursos Aplicados de R.

(***) Os alunos do plano premium dos nossos Cursos Aplicados de R  têm acesso a mais de 70 exercícios do Clube do Código.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise exploratória para modelagem preditiva no Python

Antes de desenvolver bons modelos preditivos é necessário organizar e conhecer muito bem os dados. Neste artigo, damos algumas dicas de recursos, como gráficos, análises e estatísticas, que podem ser usados para melhorar o entendimento sobre os dados usando Python.

Como usar modelos do Sklearn para previsão? Uma introdução ao Skforecast

Prever séries temporais é uma tarefa frequente em diversas áreas, porém exige conhecimento e ferramentas específicas. Os modelos de machine learning do Sklearn são populadores, porém são difíceis de aplicar em estruturas temporais de dados. Neste sentido, introduzimos a biblioteca Skforecast, que integra os modelos do Sklearn e a previsão de séries temporais de forma simples.

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.