Um modelo explicativo para a inflação de alimentos

É notável, a cada ida ao supermercado, que os preços de produtos alimentícios subiram consideravelmente nos últimos anos. Em termos acumulados, de 2010 até atualmente, a inflação de alimentos foi de 211%, enquanto que a inflação de toda a cesta de produtos e serviços foi de 138%, uma diferença de ~4.9% por ano.

Essa diferença também se evidencia quando comparamos a inflação efetiva com a meta de inflação. Em termos anuais, considerando o mesmo período, a inflação de alimentos ficou fora do intervalo de tolerância da meta em 13 anos, enquanto que a inflação cheia ficou fora do intervalo em 5 anos, como mostra o gráfico abaixo.

O que explica esta diferença gritante? Como explicar a inflação de alimentos?

Alguns fatores têm sido levantados como determinantes para a dinâmica da inflação de alimentos no Brasil e no mundo, além da sazonalidade e inércia de preços. O Banco Central, por exemplo, destaca a influência de eventos climáticos em seu Estudo Especial nº 57/19. Fatores como a desvalorização cambial incentivam a exportação de alimentos, trazendo uma contribuição altista para o índice.

O gráfico abaixo apresenta os dados da inflação de alimentação no domicílio e do ONI:

Para explicar a dinâmica de preços da alimentação em domicílio dos brasileiros, neste artigo estimamos um modelo de vetores autoregressivos de ordem p ou, simplesmente, VAR(p), baseado em BCB (2019):

onde:

  • y_t = (\pi^{AD}, h_t, \pi_t^*, ONI_t^*, \Delta e_t)
  • \pi^{AD} é a taxa de inflação medida pelo IPCA, subgrupo alimentação no domicílio
  • h_t é o hiato do produto medido pela função de produção
  • \pi_t^* é a inflação externa, medida pelo Índice de Commodities - Brasil agropecuário
  • ONI_t^* é o Oceanic Niño Index (ONI), transformado como (ONI_t + 0,5)^2
  • \Delta e_t é a variação da taxa de câmbio nominal em R$/US$
  • z_t inclui uma constante e dummies sazonais

Utilizamos uma amostra de dados do segundo trimestre de 2003 ao quarto trimestre de 2024. Outras informações e detalhes podem ser encontradas em BCB (2019).

O gráfico abaixo sintetiza as contribuições dos fatores para a variável de interesse, a inflação de alimentos, sob a ótica da decomposição histórica dos choques estruturais do modelo VAR. No período de 2015-16, o fenômeno El Niño contribuiu consideravelmente para o aumento da inflação, assim como mais recentemente entre 2023-24. A inflação externa, medida pelo Índice de Commodities - Brasil agropecuário, também tem se demonstrado relevante no período considerado, apesar de inércia e sazonalidades dominarem os efeitos.

Uma vez identificado a importância das variáveis para a inflação de alimentos, produzimos uma previsão 12 períodos a frente. O gráfico abaixo apresenta as previsões para o período e variáveis do modelo:

Este artigo contribui marginalmente para a avaliação dos fatores relevantes para a inflação de alimentos no Brasil no período atual.

Conclusão

É notável que os preços de produtos alimentícios subiram consideravelmente nos últimos anos. De 2010 para cá a inflação de alimentos foi de 211%, enquanto que a inflação cheia foi de 138%, uma diferença de ~4.9% por ano. Aquela estourou o intervalo da meta de inflação em 13 anos, enquanto esta estourou 5 anos. O que explica esta diferença gritante?

Referências

BANCO CENTRAL DO BRASIL (2019). Impactos do clima na inflação de alimentos. Estudo Especial nº 57/2019.

Quer aprender mais?

Conheça nossa Formação Do Zero à Análise de Dados Econômicos e Financeiros usando a Linguagem R . Aprenda do ZERO a coletar, tratar, construir modelos e apresentar dados econômicos e financeiros usando a Linguagem R.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

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.

Como preparar os dados para um modelo preditivo?

Modelos de previsão macroeconômica podem facilmente alcançar um número elevado de variáveis. Mesmo modelos simplificados, como o Modelo de Pequeno Porte (MPP) do Banco Central, usam cerca de 30 variáveis. Isso impõe um grande desafio ao nosso dia a dia: como fazer a gestão destes dados para uso em modelos, desde a coleta até o tratamento?

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.