Category

Comentário de Conjuntura

Análise de falências e recuperações judiciais com o R

By | Comentário de Conjuntura

Uma das questões mais delicadas ao longo de 2020 era evitar que (1) a população vulnerável ficasse desamparada na maior crise sanitária dos últimos 100 anos e (2) as micro e pequenas empresas falissem ou solicitassem recuperação judicial. Evitar que (2) ocorresse implicava em irrigar o mercado de crédito com dinheiro subsidiado, mitigando assim o risco de crédito associado a esse tipo de empréstimo.

Empresas falidas ou em recuperação judicial têm impacto sobre o PIB Potencial da economia, conforme exercício que fizemos em meados do ano passado. Quanto maior o número de empresas nessa condição, menor a capacidade de produção do país, logo menor será o PIB Potencial.

Isso dito, cabe nos perguntar: houve um aumento de falências e recuperações judiciais ao longo de 2020?

Para responder essa pergunta, podemos recorrer aos índices da Serasa e da Boa Vista. Os arquivos estão disponíveis nos respectivos sites dessas instituições. De posse desses dados, podemos importá-los conforme o código abaixo.


library(tidyverse)
library(readxl)
library(xts)
library(zoo)
library(timetk)
library(vars)
library(seasonal)

## Dados de Falências, RJ e concordatas SERASA
falencias = read_excel('FACONS.xls', sheet=1, skip=4) %>%
rename(date = "...1",
falencias_requeridas_total = "Total...5",
falencias_decretadas_total = "Total...9",
rj_requeridas_total = "Total...13",
rj_deferidas_total = "Total...17") %>%
filter(date > '2006-01-01') %>%
mutate(falencias_requeridas_sa = final(seas(ts(falencias_requeridas_total,
start=c(1991,01), freq=12))),
falencias_decretadas_sa = final(seas(ts(falencias_decretadas_total,
start=c(1991,01), freq=12))),
rj_requeridas_sa = final(seas(ts(rj_requeridas_total,
start=c(1991,01), freq=12))),
rj_deferidas_sa = final(seas(ts(rj_deferidas_total,
start=c(1991,01), freq=12)))) %>%
dplyr::select(date, falencias_requeridas_sa, falencias_decretadas_sa,
rj_requeridas_sa, rj_deferidas_sa) %>%
gather(variavel, valor, -date)

## Índice de Falências Boa Vista
fal_boavista = read_excel('Falências-e-Recuperações-Judiciais.xlsx',
skip=3) %>%
rename(date = "...1",
falencias_requeridas = "(média 2011 = 100)...2",
falencias_decretadas = "(média 2011 = 100)...3",
rj_pedidos = "(média 2014 = 100)...4",
rj_deferimentos = "(média 2014 = 100)...5") %>%
mutate(falencias_requeridas_sa = final(seas(ts(falencias_requeridas,
start=c(2006,01), freq=12))),
falencias_decretadas_sa = final(seas(ts(falencias_decretadas,
start=c(2006,01), freq=12))),
rj_pedidos_sa = final(seas(ts(rj_pedidos,
start=c(2006,01), freq=12))),
rj_deferimentos_sa = final(seas(ts(rj_deferimentos,
start=c(2006,01), freq=12)))) %>%
dplyr::select(date, falencias_requeridas_sa, falencias_decretadas_sa,
rj_pedidos_sa, rj_deferimentos_sa) %>%
gather(variavel, valor, -date)

Uma vez que tenhamos tratados os dados, podemos gerar os gráficos a seguir.

O índice Boa Vista de falências e recuperações judiciais indica que, de fato, houve um aumento tanto no número de pedidos quanto de deferimentos de recuperações judiciais ao longo de 2020. O número de falências, por outro lado, não parece ter descolado muito do que se observou em anos recentes.

O índice Serasa, por seu turno, também não mostra um avanço atípico no número de falências, mas captura um aumento no número de recuperações judiciais ao longo dos primeiros meses de 2020.

Os membros do Clube AM, a propósito, têm acesso aos códigos completos dos nossos Comentários e Exercícios.

_______________________

Inflação segue controlada no Brasil

By | Comentário de Conjuntura

A inflação medida pelo IPCA, divulgada essa semana pelo IBGE, fechou em 4,52% em 2020, levemente acima da meta, que era de 4%. O principal fator que gerou um desvio em relação à meta foi o repique no grupo Alimentação e Bebidas. A despeito disso, a média dos 7 núcleos de inflação construídos pelo Banco Central ficou em 2,76%, dentro do limite inferior do regime de metas para inflação.

Os membros do Clube AM, a propósito, têm acesso ao Monitor de Inflação, atualizado sempre que o IPCA é divulgado pelo IBGE. O Monitor é uma apresentação automatizada, que coleta os dados diretamente do SIDRA/IBGE e gera gráficos e demais informações sobre a inflação medida pelo IPCA. O gráfico a seguir resume o comportamento da inflação, da média dos núcleos e do intervalo da meta.

A linha vermelha no gráfico representa a meta de inflação, que em 2020 foi de 4%. Já a área cinza representa os limites inferior e superior da meta, que de acordo com o regime servem para acomodar eventuais choques sobre a inflação. Em resumo, portanto, o gráfico acima deixa claro que a inflação se manteve controlada em 2020, a despeito do choque de alimentos.

_______________________

Expectativas do Boletim Focus para 2021

By | Comentário de Conjuntura

Após um breve recesso de final de ano para recarregar as baterias, estamos de volta aqui no Blog da Análise Macro. E como anunciado no mês passado, a partir desse mês, os códigos completos de todos os posts publicados aqui serão enviados para os membros do Clube AM, um grupo exclusivo com acesso a códigos e troca de informações entre os membros. Para começar, como faço todos os anos, vamos dar uma olhada nas expectativas do boletim Focus  do Banco Central para 2021.

Os dados do boletim Focus trazem expectativas de mais de uma centena de instituições para diversas variáveis macroeconômicas brasileiras. Para começar, vamos dar uma olhada nas expectativas para inflação, taxa Selic, crescimento do PIB e taxa de câmbio para esse ano.

O mercado espera uma recuperação cíclica do PIB esse ano, mas nada muito espetacular. A expectativa é de um crescimento médio próximo a 3,4%, com um máximo centrado em 5,3%. A inflação, por seu turno, deve se manter comportada, ao redor de 3,3%. Já a taxa de câmbio R$/US$ fecha próximo a 5, enquanto a taxa Selic deve fechar próxima a 3,2%.

Em palavras outras, se o consenso de mercado estiver correto, teremos uma recuperação cíclica bem meia-boca esse ano.

O boletim Focus também traz expectativas para outras variáveis macroeconômicas, além das citadas anteriormente. Por exemplo, podemos ver o que o mercado espera para o IGP-M, para os preços administrados e para a produção industrial.

Há muita variância nas expectativas para o IGP-M, um índice um pouco mais complicado de gerar previsões. A média das projeções indica um IGP-M próximo a 4,4% em 2021. Os preços administrados, por seu turno, devem ficar em 4,17%, enquanto espera-se que a produção industrial feche em 4,95%.

Também é possível ver o que o mercado espera para o setor externo. Os gráficos abaixo ilustram.

Espera-se um superávit de US$ 55,3 bilhões para a balança comercial, enquanto para a conta corrente o consenso médio do mercado espera um déficit de US$ 15,2 bilhões. Novamente aqui, chama atenção a variância das previsões.

Um dos pontos mais críticos da atual conjuntura econômica brasileira é a fragilidade fiscal, dadas as medidas que foram tomadas para amenizar os efeitos da pandemia do coronavírus. Para 2021, por suposto, essa agonia fiscal deve continuar, como pode ser visto nos gráficos a seguir.

O déficit primário esperado para 2021 é de 3,26%, enquanto o déficit nominal é de 6,81%. Isto é, ainda teremos números superlativos no campo fiscal, o que deve contribuir para a manutenção de níveis ainda elevados de incerteza no ambiente econômico.

 

A recuperação em V do PIB brasileiro

By | Comentário de Conjuntura

No próximo dia 15/12, darei uma aula ao vivo sobre como automatizar um departamento de pesquisa macroeconômica com o R. A aula faz parte do lançamento do Clube AM,  um grupo fechado e exclusivo de pessoas que buscam estar atualizadas com o que há de mais moderno no mundo da Análise de dados com R, com reuniões mensais e acesso a materiais e descontos exclusivos. Para se inscrever na aula, clique aqui. Para ilustrar o que faremos nessa aula, no Comentário de Conjuntura dessa semana vou mostrar como é possível automatizar a coleta e tratamento dos dados do Produto Interno Bruto (PIB) brasileiro.

Em termos simples, o PIB é a soma de bens e serviços finais produzidos por um determinado país em um período de tempo. Em geral, um trimestre. No Brasil, cabe ao Instituto Brasileiro de Geografia e Estatística (IBGE) a coleta e divulgação dos dados do PIB.

Para ilustrar como é possível coletar os dados do PIB com o R, vamos usar aqui o pacote sidrar, que coleta dados diretamente do SIDRA/IBGE. O código a seguir carrega alguns pacotes que usaremos.


library(tidyverse)
library(sidrar)
library(zoo)
library(tstools)
library(scales)

Na sequência, nós coletamos os dois números-índices do PIB e criamos três métricas de crescimento: a variação marginal, a variação interanual e a variação acumulada em 4 trimestres. Com isso, poderemos ter uma dimensão da recuperação pós-pandemia.


## Coletar Números Indices do PIB
### Número Indice com ajuste sazonal

pib_sa = get_sidra(api='/t/1621/n1/all/v/all/p/all/c11255/90707/d/v584%202') %>%
mutate(date = as.yearqtr(`Trimestre (Código)`, format='%Y%q')) %>%
rename(pib_sa = Valor) %>%
mutate(var_marginal = (pib_sa/lag(pib_sa,1)-1)*100) %>%
select(date, pib_sa, var_marginal) %>%
as_tibble()

### Número Índice sem ajuste
pib = get_sidra(api='/t/1620/n1/all/v/all/p/all/c11255/90707/d/v583%202') %>%
mutate(date = as.yearqtr(`Trimestre (Código)`, format='%Y%q')) %>%
rename(pib = Valor) %>%
mutate(var_interanual = (pib/lag(pib,4)-1)*100) %>%
mutate(var_anual = acum_i(pib, 4)) %>%
select(date, pib, var_interanual, var_anual) %>%
as_tibble()

### Juntar os dados
df_pib = inner_join(pib_sa, pib, by='date') %>%
drop_na()

Um gráfico do número-índice do PIB e das principais métricas de crescimento que criamos é colocado abaixo.

Pelos gráficos, observa-se um início de recuperação em V da economia brasileira no pós-pandemia. Para a continuidade da recuperação, contudo, ainda restam diversas incertezas no horizonte, como a solvência fiscal e o fim do auxílio emergencial.

____________________

(*) Conheça o Clube AM aqui.

Ibovespa vs. Economia Real: há relação?

By | Comentário de Conjuntura

No próximo dia 15/12, iremos abrir as inscrições para o Clube AM. O projeto de compartilhamento de códigos da Análise Macro vai avançar para uma versão 2.0, que incluirá a existência de um grupo fechado no Whatsapp, de modo a reunir os membros do Novo Clube, compartilhando com eles todos os códigos dos nossos posts feitos aqui no Blog, exercícios de análise de dados de maior fôlego, bem como tirar dúvidas sobre todos os nossos projetos, exercícios e nossos Cursos e Formações.

Para ilustrar o que vamos compartilhar lá nesse novo ambiente, estou publicando nesse espaço alguns dos nossos exercícios de análise de dados. Hoje, vou compartilhar com vocês o nosso já tradicional Comentário de Conjuntura Semanal. Dessa vez, exploro a relação entre o índice Bovespa e a variação interanual da Formação Bruta de Capital Fixo, um forte indicador do que os economistas consideram como "economia real".

Com o código abaixo, nós pegamos os dados do índice Bovespa utilizando o pacote de R quantmod.


# IBOVESPA
library(quantmod)
library(xts)
env <- new.env()
getSymbols("^BVSP",src="yahoo",
env=env,
from=as.Date('2001-01-01'))
ibovespa = env$BVSP[,4]
ibovespa = ibovespa[complete.cases(ibovespa)]
ibovespa = apply.quarterly(ibovespa, FUN=mean)
ibovespa = ts(ibovespa, start=c(2001,01), freq=4)

Na sequência, nós pegamos os dados da Formação Bruta de Capital Fixo (FBCF) diretamente do site do SIDRA/IBGE, utilizando para isso o pacote de R sidrar.


# FBCF
library(sidrar)
fbcf = get_sidra(api="/t/1620/n1/all/v/all/p/all/c11255/93406/d/v583%202")
fbcf = fbcf$Valor
fbcf = ts(fbcf, start=c(1996,01), freq=4)
dfbcf = (fbcf/lag(fbcf,-4)-1)*100

Uma vez coletados e tratados os dados, nós podemos visualizar ambas as séries como abaixo.

Feito o tratamento, a correlação entre as séries, de fato, não é muito alta. Isso não melhora, inclusive, quando verificamos a correlação entre as defasagens, como pode ser visto no gráfico abaixo.

De posse dos dados já devidamente tratados, entretanto, nós podemos ir um pouco além da simples visualização de correlação entre as séries. Construímos um Vetor de Correção de Erros (VEC) entre as mesmas, de modo que é possível explorar as funções de impulso-resposta. Os resultados encontrados a partir dessa metodologia sugerem que um choque no Ibovespa tem efeito sobre a variação da FBCF, como pode ser visto no gráfico abaixo.

Por óbvio que diversos outros fatores irão governar a expansão da FBCF ao longo do tempo. Mas fica a evidência da relação entre o índice Bovespa e a variação da FBCF.

____________________

(*) Conheça o Clube AM aqui.

(**) Conheça o novo Curso de Análise de Séries Temporais da Análise Macro.

Cadastre-se em nossa Lista VIP para receber conteúdos exclusivos!

Fazer Inscrição
{"cart_token":"","hash":"","cart_data":""}