A estagflação heterodoxa

estagflacaoNão foi por acaso, leitor, que chegamos ao 7x0, mostrado no boletim Focus divulgado hoje: 7,15% de inflação e 0% de crescimento. Nos últimos anos, uma vez mais, fizemos experimentação. Usando teoria velha e com um monte de evidências empíricas contrárias, insistimos em política econômica expansionista. Usamos a política fiscal, os bancos públicos e a política monetária para incentivar os componentes da demanda agregada. Como, entretanto, a economia brasileira está sujeita a inúmeros constrangimentos no lado da oferta agregada, a manutenção de oferta e demanda crescendo a taxas diferentes gerou mais inflação e mais déficit em conta corrente. E, claro, quando os componentes da demanda, consumo principalmente, cansaram, dado a redução da taxa de crescimento dos salários e, principalmente, o maior endividamento das famílias, o crescimento insustentável da economia deixou de ser vistoso. Esse quadro, aliás, perpassou os últimos cinco anos. Logo, não é novidade alguma. E também não é por outro motivo que o atual ministro da fazenda é Joaquim Levy, um economista que é contrário a tudo o que foi feito nos últimos anos. Ao invés, portanto, de críticas ao atual ajuste fiscal, alguns economistas deveriam explicar por que, uma vez mais, o que eles dizem estava errado: um pouquinho mais de inflação não gerou mais crescimento... 🙁

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise regional do mercado de trabalho com dados do CAGED usando Python

Os microdados dos CAGED fornecem informações detalhadas a nível de cidade, sexo, raça, nível de instrução, idade, salário e outras sobre os trabalhadores formais do Brasil, possibilitando ricas análises regionais de dados. Neste artigo mostramos como acessar, processar e analisar estes dados utilizando o Python.

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.

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.