As pedaladas fiscais foram para o R

No Clube do Código dessa semana, vamos destrinchar a Nota à Imprensa de Política Fiscal do Banco Central do Brasil (BCB) de março de 2016, que fez referência às pedaladas fiscais. De forma a cumprir acordo com o Tribunal de Contas da União (TCU), o BCB incorporou os passivos do Tesouro Nacional junto a bancos públicos no estoque de endividamento e no resultado nominal e primário do setor público. Para fazer essa análise, importamos os dados diretamente do BCB.

Antes de mais nada, vamos carregar os pacotes que vamos usar. O código abaixo faz isso.

#### Carregar pacotes
library(XLConnect)
library(stargazer)

Para esse exercício, vamos utilizar a Nota à Imprensa de Política Fiscal do Banco Central do Brasil referente à março de 2016. Vamos importar as planilhas Quadro 43, Quadro 44 e Quadro 45 referentes ao Equacionamento de passivos - evidenciação dos impactos, na forma do Acórdão TCU nº 3.297/2015, de 9.12.2015. Fazemos isso com o código abaixo.

temp <- tempfile()

url <- 'http://www.bcb.gov.br/ftp/NotaEcon/NI201603pfp.zip'

download.file(url, temp)

data <- unzip(temp, files='Notimp3.xls')

data <- loadWorkbook(data)

estoque <- readWorksheet(data, sheet='Quadro 43', startRow = 12)[,-c(1:3)]

primario <- readWorksheet(data, sheet='Quadro 44', startRow = 12)[,-c(1:3)]

nominal <- readWorksheet(data, sheet='Quadro 45', startRow = 12)[,-c(1:3)]

Observe que não importamos as três primeiras colunas de cada planilha. Agora, vamos tratar os missing values e renomear as colunas.

estoque <- estoque[complete.cases(estoque),]

primario <- primario[complete.cases(primario),]

nominal <- nominal[complete.cases(nominal),]

colnames(estoque) <- c('BB Equa Agro', 'BB Títulos a receber', 'BB Total', 
 'Finame PSI', 'Finame Demais', 'Finame Total', 
 'CEF Tarifas', 'CEF BF', 'CEF AS', 'CEF SD', 'CEF Demais',
 'CEF Total', 'FGTS CS', 'FGTS MCMV', 'FGTS Canc Juros',
 'FGTS Total', 'Pedaladas Total', 'DL divulgada SPC', 
 'DL divulgada GF','DL com passivos SPC', 
 'DL com passivos GF')

colnames(primario) <- c('BB Equa Agro', 'BB Títulos a receber', 'BB Total', 
 'Finame PSI', 'Finame Demais', 'Finame Total', 
 'CEF Tarifas', 'CEF BF', 'CEF AS', 'CEF SD', 'CEF Demais',
 'CEF Total', 'FGTS CS', 'FGTS MCMV', 'FGTS Canc Juros',
 'FGTS Total', 'Pedaladas Total', 'Primario divulgado SPC', 
 'Primário divulgado GF','Primário com passivos SPC', 
 'Primário com passivos GF')

colnames(nominal) <- c('BB Equa Agro', 'BB Títulos a receber', 'BB Total', 
 'Finame PSI', 'Finame Demais', 'Finame Total', 
 'CEF Tarifas', 'CEF BF', 'CEF AS', 'CEF SD', 'CEF Demais',
 'CEF Total', 'FGTS CS', 'FGTS MCMV', 'FGTS Canc Juros',
 'FGTS Total', 'Pedaladas Total', 'Nominal divulgado SPC', 
 'Nominal divulgado GF','Nominal com passivos SPC', 
 'Nominal com passivos GF')

Transformamos agora em série temporal.

estoque <- ts(estoque, start=c(2001,12), freq=12)

primario <- ts(primario, start=c(2002,01), freq=12)

nominal <- ts(nominal, start=c(2002,01), freq=12)

Por fim, acumulamos o primario e o nominal em 12 meses, para melhor visualizar os dados.

primario12 <- primario+lag(primario,-1)+lag(primario,-2)+lag(primario,-3)+
 lag(primario,-4)+lag(primario,-5)+lag(primario,-6)+lag(primario,-7)+
 lag(primario,-8)+lag(primario,-9)+lag(primario,-10)+lag(primario,-11)

colnames(primario12) <- colnames(primario)

nominal12 <- nominal+lag(nominal,-1)+lag(nominal,-2)+lag(nominal,-3)+
 lag(nominal,-4)+lag(nominal,-5)+lag(nominal,-6)+lag(nominal,-7)+
 lag(nominal,-8)+lag(nominal,-9)+lag(nominal,-10)+lag(nominal,-11)

colnames(nominal12) <- colnames(nominal)

Efeito das Pedaladas nas Contas Públicas

A Nota à Imprensa recém divulgada pelo Banco Central do Brasil, destrinchada na seção anterior, coloca luz sobre o que convencionou-se chamar de pedaladas fiscais. Entre outras, foram ações deliberadas de atraso de repasse do Tesouro Nacional para Bancos Públicos, configurando, na prática, em empréstimos destes com aquele. Tal iniciativa causou efeito sobre os fluxos e estoques das finanças públicas. Comecemos, nesse aspecto, a avaliar o montante desses atrasos desde o início da série divulgada pelo BCB.

grafico01

O gráfico abaixo traz a distribuição média mensal do total das pedaladas em relação a quatro grandes grupos, a partir de 2008: (i) Banco do Brasil; (ii) FINAME (BNDES); (iii) CEF; (iv) FGTS. Em média, o Banco do Brasil representou 38,67% das pedaladas, seguido pelo Finame BNDES com 24,92%, pelo FGTS com 23,94% e pela Caixa Econômica com 12,45%.

grafico02

A tabela abaixo resume algumas estatísticas descritivas de todos os atrasos para a amostra total.

Estatísticas Descritivas das Pedaladas Fiscais (Rmilhões)
Statistic N Mean St. Dev. Min Max
BB Equa Agro 169 2,456.57 3,490.63 5.82 13,459.43
BB Títulos a receber 169 793.57 572.30 197.12 2,278.63
BB Total 169 3,250.13 4,036.53 237.41 15,591.65
Finame PSI 169 3,444.99 5,839.78 0.00 20,915.35
Finame Demais 169 186.20 160.39 0.00 685.81
Finame Total 169 3,631.19 5,899.90 0.00 21,335.51
CEF Tarifas 169 819.05 548.04 296.04 2,762.99
CEF BF 169 42.91 231.21 0.00 2,018.36
CEF AS 169 40.26 191.78 0.00 1,583.63
CEF SD 169 116.66 425.80 0.00 2,667.23
CEF Demais 169 94.92 58.13 38.65 281.76
CEF Total 169 1,113.79 1,046.34 363.14 7,367.65
FGTS CS 169 1,751.40 3,505.13 0.00 10,937.23
FGTS MCMV 169 1,718.89 2,723.68 -0.001 8,800.74
FGTS Canc Juros 169 285.80 294.05 0.00 831.05
FGTS Total 169 3,756.09 6,376.78 0.00 20,435.57
Pedaladas Total 169 11,751.20 17,027.37 635.43 58,683.66

Os atrasos para pagamento do Bolsa Família foram em média de R$ 42,91 milhões enquanto que para o Finame PSI foram de R$ 3,4 bilhões. A figura 3 abaixo traz o efeito das pedaladas sobre a Dívida Líquida. A diferença entre o que foi divulgado e o real endividamento passa a ser relevante a partir de 2012.

grafico03

Além do efeito sobre o endividamento, o resultado primário também foi prejudicado, como pode ser visto na figura 4 abaixo. O resultado divulgado pelo Tesouro era frequentemente melhor do que o de fato ocorreu, com a incorporação dos passivos junto aos bancos públicos.

grafico04

_________________________________________________________________

Gostou? Tenha acesso completo a esse e outros estudos. Entre para o Clube do Código.

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.