Category

Comentário de Conjuntura

A melhor política econômica no momento é a vacina

By | Comentário de Conjuntura

Em menos de um ano do início da pandemia, de forma inédita, em uma corrida biomédica que poucas vezes se viu na História da Humanidade, veio a vacina contra a Covid-19. Desenvolvidas de forma isolada por laboratórios privados ou em parceria com governos soberanos, não importa, o fato é que a era da inteligência artificial não deixou a Humanidade na mão, entregando em tempo recorde um antídoto para a peste que nos assola.

A despeito dessa excelente notícia para a Humanidade, o cenário para o Brasil não é dos mais animadores. Dada a descoordenação sem precedentes vinda do Palácio do Planalto, a vacinação no país caminha a passos de cágado. Nesse Comentário de Conjuntura, trazemos um retrato da vacinação no país.

Membros do Clube AM, por suposto, têm acesso a todos os códigos desse exercício.

Os dados utilizados estão disponíveis no repositório do Wesley Cota, e são importados abaixo.


## Carregar pacotes
library(tidyverse)
library(lubridate)
library(zoo)
library(tsibble)
library(fable)
library(feasts)
library(tsibbledata)

## Coletar dados
covid_df = readr::read_csv("https://raw.githubusercontent.com/wcota/covid19br/master/cases-brazil-states.csv",
guess_max = 10000) %>%
group_by(state) %>%
mutate(d_vaccinated = vaccinated - lag(vaccinated,1)) %>%
mutate(MM_dose1 = rollmean(d_vaccinated, 7, NA, align='right'))

Observe que na função read_csv nós setamos o argumento guess_max igual a 10.000, dado que as primeiras mil linhas da coluna vaccinated estão com NA. Caso isso não seja feito, a função irá ler todas as linhas da coluna como NA.

Uma vez que os dados estejam disponíveis, podemos construir o gráfico abaixo.

A despeito da vacinação diária ainda está aquém do ritmo necessário para vacinar toda a população em um prazo adequado, uma boa notícia advinda dos dados é que a média móvel de 7 dias tem avançado. Ela estava em torno de 200 mil doses no início de fevereiro e tem avançado para acima das 500 mil doses na margem.

Esperamos que o programa de vacinação avance de forma inequívoca a partir de agora, dado o agravamento da pandemia que estamos assistindo - e que foi detalhado no Comentário de Conjuntura anterior.

Membros do Clube AM, por suposto, têm acesso a todos os códigos desse exercício.

____________________________

O pior momento da pandemia no Brasil

By | Comentário de Conjuntura

Era difícil imaginar, um ano atrás, que passadas as (duras) comemorações de final de ano, ainda estaríamos sujeitos à medidas super restritivas de isolamento social. Era imaginável que, a essa altura, os governos já teriam investido em um misto de hospitais de campanha, que atenuassem o caos no SUS, bem como na compra e distribuição de vacinas para toda a população. Graças, porém, a uma das piores gestões de crise da nossa História, diversas cidades e regiões metropolitanas foram obrigadas a decretar, novamente, em maior ou menor grau, medidas de isolamento social, com dura repercussão sobre o nível de atividade. Como se vê nesse Comentário de Conjuntura, tais medidas foram necessárias porque atingimos o pior momento da pandemia no Brasil.

Membros do Clube AM, por suposto, têm acesso a todos os códigos desse exercício.

Os dados aqui utilizados são do repositório do Wesley Cota. Eles foram importados para o R como abaixo.


## Carregar pacotes
library(tidyverse)
library(tsibble)
library(gridExtra)

 

## Coletar dados
covid = readr::read_csv("https://raw.githubusercontent.com/wcota/covid19br/master/cases-brazil-states.csv") %>%
select(date, state, newDeaths, newCases, deaths_per_100k_inhabitants,
totalCases_per_100k_inhabitants, deaths_by_totalCases) %>%
tsibble::as_tsibble(index = date, key = state) %>%
group_by(state) %>%
mutate(MM_mortes = zoo::rollmean(newDeaths, k = 7, fill = NA, align = "right"),
MM_casos = zoo::rollmean(newCases, k = 7, fill = NA, align = "right"))

Uma vez que tenhamos os dados no RStudio, podemos criar gráficos para o nível nacional como abaixo.

Os gráficos acima mostram uma situação devastadora, fruto da irresponsabilidade e do descaso do governo federal com a maior crise sanitária dos últimos 100 anos. Chegamos, um ano depois do início da pandemia, ao total descontrole da peste.

A média móvel de novos casos em 29/03 chegou a 74,5 mil e a de mortes a 2,6 mil!

São números superlativos que retratam uma tragédia de saúde pública.

A tragédia, diga-se, está espalhada pelo país. A seguir, fazemos um recorte sobre a região Sudeste.

O estado de São Paulo, epicentro da pandemia, chegou a uma média móvel de 16,2 mil novos casos e a 600 mortes pela peste, em 28/3.

Com a vacinação sendo conduzida a passos de cágado, é difícil imaginar que não seremos obrigados a manter medidas de isolamento social por mais algum tempo no país.

Membros do Clube AM, por suposto, têm acesso a todos os códigos desse exercício.

____________________________

Por que o juro para pessoa física ainda é tão alto no Brasil?

By | Comentário de Conjuntura

Na semana passada, o Banco Central acabou cedendo à tentação e aumentou a taxa básica de juros em 75 pontos-base, para 2,75% ao ano. A despeito de ser um valor bastante baixo para os padrões brasileiros, o juro na ponta, aquele que é pago por pessoas físicas, ainda permanece bastante elevado. Nesse Comentário de Conjuntura, vamos explorar um modelo que procura explicar os motivos para essa diferença.

Membros do Clube AM, por suposto, têm acesso a todos os códigos desse exercício.

O gráfico abaixo ilustra a diferença entre a taxa básica de juros e os juros associados ao crédito livre, pessoa física. 

Como se pode ver no gráfico, enquanto a taxa básica de juros na ponta flertou com os 2% (na série mensal terminada em janeiro de 2021), o juro pago por pessoas físicas estava próximo aos 40%. A diferença entre um e outro ponto pode ser explicado, basicamente, pelo spread bancário.

O spread bancário expressa "a diferença entre os juros que o banco te paga para captar os recursos (quando você empresta dinheiro ao banco por meio da poupança e de renda fixa) e os juros que esse mesmo banco cobra para te emprestar dinheiro (em um empréstimo ou financiamento)". Como pode ser visto no gráfico acima, há, de fato, uma queda muito forte do spread nos últimos anos, ainda que o mesmo permaneça em patamar bastante elevado.

Por que, então, o spread ainda é tão alto no Brasil?

Atualizamos no âmbito do Clube AM um modelo que explica o spread bancário no Brasil. A tabela abaixo relata o modelo.

Dependent variable:
spread
provisoes 0.758
(0.614)
compulsorio 0.016***
(0.003)
inadimplencia 1.689***
(0.443)
selic 0.500***
(0.037)
desemprego 0.524***
(0.138)
Constant -8.742***
(1.613)
Observations 106
R2 0.915
Adjusted R2 0.910
Residual Std. Error 0.855 (df = 100)
F Statistic 214.116*** (df = 5; 100)
Note: *p<0.1; **p<0.05; ***p<0.01

Das variáveis que podem ser candidatas para explicar o spread bancário, a inadimplência, a taxa básica de juros e o desemprego aparecem como variáveis explicativas mais relevantes. Em outras palavras, o juro a pessoa física ainda é alto no Brasil porque há ainda muita dificuldade para recuperar o dinheiro que é emprestado por instituições financeiras e também porque a conjuntura de curto prazo permanece tendo efeito sobre o spread.

Membros do Clube AM, por suposto, têm acesso a todos os códigos desse exercício.

____________________________

Monitor de Inflação: adicionando modelos de previsão

By | Comentário de Conjuntura

A inflação medida pelo IPCA tem apresentado um avanço considerável nos últimos meses, fruto de choques diversos. Em 2020, o subgrupo alimentação no domicílio foi um dos grandes vilões, enquanto nesse início de 2021, o reajuste dos derivados de petróleo tem tido impacto na inflação. Nesse Comentário de Conjuntura, atualizamos o nosso Monitor de Inflação, apresentação automatizada feita em R, que cobre todos os aspectos da inflação no Brasil. Nessa edição, nós ampliamos o Monitor, adicionando um primeiro modelo univariado de previsão.

Membros do Clube AM, por suposto, têm acesso a todos os códigos desse exercício.

Nosso objetivo ao longo dos próximos meses é adicionar ao Monitor uma metodologia completa de previsão da inflação medida pelo IPCA. Para começar, nós mostramos nosso benchmark, que é um modelo SARIMA. A partir dele, nós construiremos diversos modelos focados na previsão da inflação medida pelo IPCA e forneceremos ao fim do Monitor uma previsão combinada desses diversos modelos, baseada no EQM dos mesmos.

As previsões do modelo SARIMA são postas abaixo.

Previsões do modelo SARIMA
Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
Mar 2021 0.6309344 0.3043160 0.9575529 0.1314146 1.130454
Apr 2021 0.4717662 0.0987754 0.8447569 -0.0986740 1.042206
May 2021 0.4123625 0.0263726 0.7983524 -0.1779581 1.002683
Jun 2021 0.4801187 0.0902615 0.8699759 -0.1161164 1.076354
Jul 2021 0.4697450 0.0787193 0.8607707 -0.1282772 1.067767
Aug 2021 0.4424644 0.0510841 0.8338447 -0.1561002 1.041029
Sep 2021 0.5013333 0.1098452 0.8928215 -0.0973961 1.100063
Oct 2021 0.5276040 0.1360831 0.9191249 -0.0711756 1.126383
Nov 2021 0.5193116 0.1277808 0.9108425 -0.0794832 1.118106
Dec 2021 0.5735694 0.1820355 0.9651033 -0.0252300 1.172369
Jan 2022 0.4314381 0.0399032 0.8229729 -0.1673628 1.030239
Feb 2022 0.5209359 0.1294008 0.9124710 -0.0778654 1.119737

Um gráfico com as previsões é colocado abaixo.

____________________________

Análise do PIB em 2020 com o R

By | Comentário de Conjuntura

O IBGE divulgou na semana passada o resultado das Contas Nacionais Trimestrais referentes ao último trimestre de 2020. Com efeito, fazemos nesse Comentário de Conjuntura uma análise dos principais resultados da pesquisa, com foco na análise automatizada com o R. Os dados são coletados diretamente do SIDRA/IBGE, tratados e apresentados em uma apresentação em pdf.

Membros do Clube AM têm acesso completo à apresentação e aos códigos que a geraram. 

Os dados são acessados e tratados com o código abaixo:


# PIB 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')) %>%
mutate(var_marginal = (Valor/lag(Valor,1)-1)*100) %>%
select(date, Valor, var_marginal) %>%
rename(pib_sa = Valor) %>%
as_tibble()
# PIB 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')) %>%
mutate(var_interanual = (Valor/lag(Valor,4)-1)*100) %>%
mutate(var_anual = acum_i(Valor, 4)) %>%
dplyr::select(date, Valor, var_interanual, var_anual) %>%
rename(pib = Valor) %>%
as_tibble()
# Juntar os dados
df_pib = inner_join(pib_sa, pib, by='date') %>%
drop_na()

Na sequência, criamos uma tabela resumo com os últimos resultados.

PIB: números-índices e variações
Trimestre PIB_SA Variação Marginal PIB Variação Interanual Variação Anual
2019 Q3 170.84 -0.11 174.02 1.33 1.41
2019 Q4 171.46 0.36 172.09 1.64 1.41
2020 Q1 167.93 -2.06 166.85 -0.27 1.05
2020 Q2 152.46 -9.21 151.59 -10.90 -2.05
2020 Q3 164.14 7.66 167.24 -3.90 -3.38
2020 Q4 169.33 3.16 170.12 -1.14 -4.06

A tabela ilustra o tombo do PIB em 2020, -4,06%, cerca da metade do que era esperado no início da pandemia, para quem gosta de ver o copo meio cheio. O gráfico a seguir ilustra a recuperação em V da economia.

Na sequência, nós podemos ver as principais métricas de crescimento em um único gráfico múltiplo.

Na sequência, nós abrimos o PIB pelos componentes de demanda e de oferta. Primeiro, nós observamos a variação na margem, contra o trimestre imediatamente anterior.

PIB e seus componentes: Variação na margem
Trimestre Agropecuária Indústria Serviços PIB C FBCF G X M
2019 Q3 1.45 0.26 0.33 -0.11 0.59 2.63 -0.16 -0.52 2.75
2019 Q4 -0.25 -0.25 0.09 0.36 0.28 -2.49 -0.11 2.18 -5.32
2020 Q1 2.01 -0.95 -2.10 -2.06 -1.91 2.38 -0.68 -2.19 -0.33
2020 Q2 -0.87 -13.14 -8.65 -9.21 -11.26 -16.30 -7.69 1.11 -11.84
2020 Q3 -0.59 15.43 6.42 7.66 7.74 10.69 3.46 -1.99 -9.64
2020 Q4 -0.46 1.85 2.67 3.16 3.39 19.99 1.08 -1.36 22.02

A recuperação do PIB na margem se mostrou bastante robusta nos últimos dois trimestres do ano. A FBCF teve crescimento de dois dígitos nesse período, enquanto a indústria, pelo lado da oferta, também avançou com ímpeto. O gráfico abaixo ilustra.

Na sequência, observamos a comparação interanual.

PIB e seus componentes: Variação interanual
Trimestre Agropecuária Indústria Serviços PIB C FBCF G X M
2019 Q3 1.07 0.51 1.35 1.33 2.13 4.10 -1.14 -3.31 2.16
2019 Q4 -1.44 1.02 1.76 1.64 2.32 0.47 -0.11 -4.76 0.57
2020 Q1 4.03 -0.32 -0.65 -0.27 -0.75 5.97 -0.78 -2.40 5.19
2020 Q2 2.47 -14.10 -10.25 -10.90 -12.25 -13.91 -8.46 0.70 -14.61
2020 Q3 0.38 -0.90 -4.80 -3.90 -5.98 -7.75 -5.25 -1.11 -25.03
2020 Q4 -0.41 1.24 -2.16 -1.14 -2.98 13.52 -4.07 -4.29 -3.09

A comparação interanual mostra a indústria e a FBCF com variações positivas no último trimestre, enquanto os demais componentes, tanto pelo lado da oferta quanto pelo lado da demanda, mostram ainda números negativos.

Por fim, olhamos a variação acumulada em quatro trimestres.

PIB e seus componentes: Variação acumulada em 4 trimestres
Trimestre Agropecuária Indústria Serviços PIB C FBCF G X M
2019 Q3 1.73 0.02 1.64 1.41 2.03 4.26 -0.56 1.67 2.11
2019 Q4 0.63 0.37 1.66 1.41 2.19 3.36 -0.45 -2.38 1.13
2020 Q1 1.59 0.47 1.02 1.05 1.48 4.23 -0.58 -2.48 3.06
2020 Q2 1.95 -3.18 -1.93 -2.05 -2.08 -0.88 -2.63 -2.48 -1.57
2020 Q3 1.78 -3.55 -3.48 -3.38 -4.11 -4.02 -3.67 -1.91 -9.04
2020 Q4 1.96 -3.48 -4.47 -4.06 -5.46 -0.78 -4.68 -1.76 -9.95

Quando o crescimento é suavizado, vemos que o único setor que ainda apresenta números positivos é a agropecuária. Todos os demais componentes do PIB foram para o terreno negativo em 2020, graças à pandemia do novo coronavírus. Os gráficos abaixo ilustram.

_______________________

 

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

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