Category

Comentário de Conjuntura

Inflação segue controlada no Brasil

By | Comentário de Conjuntura

Há alguma discussão sobre a manutenção do controle da inflação no Brasil, por conta do recente repique dos preços no atacado e também por alguma pressão no subgrupo alimentação no domicílio. Para explorar esses pontos, podemos verificar o comportamento da inflação cheia e dos núcleos de inflação, que buscam justamente expurgar esses efeitos de curto prazo, concentrando-se na inflação subjacente. Para isso, como ensino no nosso Curso de Análise de Conjuntura usando o R, podemos pegar os dados de inflação diretamente do SIDRA/IBGE com o R.

A propósito, darei uma aula ao vivo amanhã, 29/09, sobre Dados Econômicos no R. Para garantir o seu acesso à aula, se inscreva aqui


###########################################################
############ Análise da Inflação no Brasil ###############

library(sidrar)
library(tidyverse)
library(tstools)
library(BETS)

### Inflação cheia
ipca =
'/t/1737/n1/all/v/2266/p/all/d/v2266%2013' %>%
get_sidra(api=.) %>%
mutate(date = parse_date(`Mês (Código)`, format="%Y%m")) %>%
rename(indice = Valor) %>%
mutate(inflacao_mensal = (indice/lag(indice,1)-1)*100,
inflacao_anual = (indice/lag(indice,12)-1)*100) %>%
select(date, indice, inflacao_mensal, inflacao_anual) %>%
as_tibble()

O código acima ilustrar como é possível pegar os dados do número índice do IPCA, o principal índice de inflação do país e a partir dele, calcular a inflação mensal e a inflação acumulada em 12 meses.

Uma vez que tenhamos a chamada inflação cheia, é possível pegar os sete núcleos de inflação criados e atualizados pelo Banco Central. Para pegar esses dados, podemos usar o pacote BETS, o pacote Quandl, o pacote rbcb ou mesmo a própria API do Banco Central. A seguir, pegamos os dados com o pacote BETS.


codes = c(4466,11426,11427,16121,16122, 27838, 27839)
nucleos = BETSget(codes, from='2012-01-01', data.frame=T)
data_nucleos = matrix(NA, nrow=nrow(nucleos[[1]]),
ncol=length(codes))
for(i in 1:length(codes)){
data_nucleos[,i] = t(nucleos[[i]]$value)
}

colnames(data_nucleos) = c('ipca_ms', 'ipca_ma', 'ipca_ex0',
'ipca_ex1', 'ipca_dp', 'ipca_ex2',
'ipca_ex3')

nucleos_vm =
data_nucleos %>%
as_tibble() %>%
mutate(date = nucleos[[1]]$date) %>%
select(date, everything())

nucleos_12m =
data_nucleos %>%
ts(start=c(2006,07), freq=12) %>%
acum_p(12) %>%
as_tibble() %>%
mutate(date = nucleos[[1]]$date) %>%
select(date, everything()) %>%
drop_na()

Também podemos voltar ao SIDRA/IBGE, para pegar os dados do subgrupo alimentação no domicílio.


alim_dom_01 =
get_sidra(api='/t/1419/n1/all/v/63/p/all/c315/7171/d/v63%202')$Valor

alim_dom_02 =
get_sidra(api='/t/7060/n1/all/v/63/p/all/c315/7171/d/v63%202')$Valor

alim_dom = full_join(alim_dom_01, alim_dom_02) %>%
mutate(date = parse_date(`Mês (Código)`, format="%Y%m")) %>%
mutate(inflacao_12m = acum_p(Valor,12)) %>%
select(date, Valor, inflacao_12m)

Por fim, podemos criar os limites da meta de inflação para ilustrar se há algum rompimento em relação à inflação efetivamente observada.


meta = c(rep(4.5,12*7-11), rep(4.25, 12), rep(4, 8))
meta_max = c(rep(4.5+2,12*5-11), rep(4.5+1.5,12*2),
rep(4.25+1.5,12), rep(4+1.5, 8))
meta_min = c(rep(4.5-2,12*5-11), rep(4.5-1.5,12*2),
rep(4.25-1.5,12), rep(4-1.5, 8))
data_meta =
tibble(date = seq(as.Date('2012-12-01'), as.Date('2020-08-01'),
by='1 month'),
meta_min = meta_min,
meta = meta,
meta_max = meta_max)

O gráfico com todos esses componentes está ilustrado a seguir.

Há, de fato, um repique na inflação de alimentos, que tem sido causado por diferentes vetores. Contudo, tanto a inflação cheia quanto a média dos 7  núcleos de inflação seguem bastante comportadas. Não me parece, diga-se, haver preocupação em relação à trajetória da inflação no país.

Nível de Atividade pós-pandemia

By | Comentário de Conjuntura

Uma das perguntas mais importantes da atual conjuntura econômica diz respeito ao formato da recuperação pós-pandemia. Os primeiros números das pesquisas de alta frequência de nível de atividade, em particular, da Pesquisa Mensal do Comércio, da Pesquisa Mensal de Serviços e da Produção Industrial Mensal, dão algumas pistas para a resposta. A análise dessas pesquisas faz parte do nosso Curso de Análise de Conjuntura usando o R. Nesse Comentário de Conjuntura, faço uma breve análise sobre os dados.

O gráfico acima, por exemplo, ilustra o comportamento do Comércio Varejista, no seu corte ampliado. Tudo indica que a recuperação nesse setor sofreu forte influência dos incentivos garantidores de renda promovidos pelo governo. Em particular, pelo auxílio emergencial. Isso proporcionou a tão sonhada recuperação em V. Na margem, o Varejo Ampliado - que inclui automóveis e material de construção - avançou fortemente desde maio.

A apresentação completa da PMC que eu ensino os nossos alunos a fazer, automatizando todo o processo de coleta e tratamento dos dados pode ser vista aqui.

Infelizmente, entretanto, não é possível dizer que esse comportamento do Varejo define uma tendência para a economia como um todo. Veja, por exemplo, o comportamento dos Serviços. Ainda que também haja sinais de recuperação na margem, com avanço nos meses de junho e julho, a comparação interanual ainda permanece em terreno bastante negativo.

A apresentação completa da PMS que eu ensino os nossos alunos a fazer, automatizando todo o processo de coleta e tratamento dos dados pode ser vista aqui.

A produção industrial, por seu turno, apresenta comportamento semelhante: recuperação na margem, mas ainda no negativo na comparação interanual.

A apresentação completa da Produção Industrial que eu ensino os nossos alunos a fazer, automatizando todo o processo de coleta e tratamento dos dados pode ser vista aqui.

Tudo isso dito, é possível dizer que há sim uma recuperação em curso do nível de atividade, após a maior crise sanitária em 100 anos. Mas, infelizmente, parece que ela não vai ser tão rápida quanto gostaríamos.

Para terminar, gostaria de convidá-los para uma aula ao vivo que darei na próxima terça-feira, 29/09, sobre Dados Econômicos no R. Para garantir o seu acesso à aula, se inscreva aqui

 

O preço do arroz explodiu?

By | Comentário de Conjuntura

Um dos motivos de eu ter me afastado do debate público no Brasil é que ele é bizarramente viesado e com uma ausência gritante de análise de dados. Mais vale a opinião de quem nunca estudou economia do que a análise série das bases de dados disponíveis. E praticamente toda semana tem um exemplo dessa (triste) realidade. A polêmica atual é o preço do arroz: será que ele explodiu mesmo?

Para ver isso, podemos acessar a variação do preço do arroz para o consumidor final, que pode ser captada dentro do Índice de Preços ao Consumidor Amplo, o famoso IPCA. O IPCA é composto (atualmente) por 377 subitens, dentre eles o arroz, que está no subgrupo Alimentação no Domicílio, que por sua vez pertence ao grupo Alimentação e Bebidas - caso você não faça ideia do que eu estou falando, considere fazer nosso Curso de Análise de Conjuntura usando o R.

Uma vez definido que queremos ver o comportamento da variação do preço do arroz ao longo do tempo, podemos pegar os dados no SIDRA/IBGE. Para isso, podemos usar o pacote sidrar e importar os dados diretamente para o RStudio. A seguir, o início do script que eu montei para pegar apenas os dados do subitem arroz. Observe que há três séries, de acordo com a POF a que faz referência a série.


###############################################################
###### Evolução do preço do arroz ao longo do tempo ###########
###############################################################

library(tidyverse)
library(sidrar)
library(tstools)

serie01 = get_sidra(api = '/t/2938/n1/all/v/63/p/all/c315/7173/d/v63%202')$Valor
serie02 = get_sidra(api= '/t/1419/n1/all/v/63/p/all/c315/7173/d/v63%202')$Valor
serie03 = get_sidra(api='/t/7060/n1/all/v/63/p/all/c315/7173/d/v63%202')$Valor

Uma vez que os dados foram coletados, nós podemos criar um tibble colocando todas as séries juntas, adicionando um vetor de datas para poder gerar os gráficos e também uma nova série com a variação acumulada em 12 meses.


dates = seq(as.Date('2006-07-01'), as.Date('2020-08-01'), by='1 month')

data = tibble(date = dates,
var_mensal = c(serie01, serie02, serie03),
var_12m = acum_p(var_mensal, 12))

data_long =
data %>%
gather(metrica, valor, -date)

Uma vez que os dados estejam devidamente coletados e tratados, nós podemos visualizar os mesmos em dois gráficos. Um que expressa a variação mensal do preço do arroz e outro que expressa a variação acumulada em 12 meses.

Estamos pegando dados desde julho de 2006 e eu não sei você, mas eu não vejo nada de anormal com o que está acontecendo atualmente...

____________________

(*) Para ter acesso aos códigos dos nossos posts, exercícios e demais conteúdos exclusivos, assine nossa lista VIP aqui.

(**) Isso e muito mais você aprende no nosso Curso de Análise de Conjuntura usando o R.

 

O descompasso entre o IPCA e o IGP-M em 2020

By | Comentário de Conjuntura

Os efeitos da pandemia são sentidos de diferentes formas na economia brasileira. Em termos de inflação, por exemplo, há um descompasso entre os diferentes índices de preços. Enquanto o IGP-M dispara, refletindo o efeito da taxa de câmbio sobre o componente atacado do índice - que representa 60% da sua composição - o IPCA se mantém comportado.

No acumulado em 12 meses, o IGP-M avança 13% até agosto, enquanto o IPCA sobe comportados 2,43%. O gráfico acima ilustra a diferença entre a variação dos índices.

Mesmo dentro do IPCA, há diferenças importantes entre os 9 grupos que o compõe, com avanço considerável, por exemplo, no subgrupo alimentação no domicílio. Comportamento que reflete os efeitos do isolamento de parte da população.

____________________

(*) Para ter acesso aos códigos dos nossos posts, exercícios e demais conteúdos exclusivos, assine nossa lista VIP aqui.

(**) Isso e muito mais você aprende no nosso Curso de Análise de Conjuntura usando o R.

Análise do PIB no 2º Trimestre com o R

By | Comentário de Conjuntura

O IBGE divulgou hoje de manhã o resultado das Contas Nacionais Trimestrais no 2º trimestre. Os dados vieram em linha com o esperado pelas projeções, a despeito de uma maior incerteza, diga-se. O PIB teve variação de -9,69% na comparação com o 1º trimestre de 2020 e de -11,43% na comparação com o mesmo trimestre do ano anterior. A análise do PIB, diga-se, conta com script automático que é ensinado no nosso Curso de Análise de Conjuntura usando o R. A seguir, um resumo dos dados.

PIB: números-índices e variações
Trimestre PIB_SA Variação Marginal PIB Variação Interanual Variação Anual
2019 Q1 168.82 0.56 165.81 0.59 1.10
2019 Q2 169.59 0.46 168.70 1.08 1.11
2019 Q3 169.69 0.06 172.89 1.19 1.02
2019 Q4 170.60 0.54 171.17 1.67 1.14
2020 Q1 166.41 -2.46 165.39 -0.25 0.93
2020 Q2 150.28 -9.69 149.41 -11.43 -2.21

Os dados são coletados diretamente do SIDRA/IBGE a partir do uso do pacote sidrar, de forma que é possível integrar no mesmo ambiente as etapas de coleta, tratamento e apresentação dos dados. Como é possível ver na tabela acima, houve uma queda de 2,21% no acumulado em 4 trimestres. A seguir, damos um zoom sobre a variação marginal, na abertura por componentes do PIB, tanto do lado da oferta quando do lado da demanda.

PIB e seus componentes: Variação na margem
Trimestre Agropecuária Indústria Serviços PIB C FBCF G X M
2019 Q1 -1.01 0.08 0.93 0.56 0.76 -0.98 0.59 -3.60 -2.12
2019 Q2 1.13 0.71 -0.04 0.46 0.33 2.87 -0.28 -2.60 4.85
2019 Q3 1.09 0.54 0.14 0.06 0.51 1.54 -0.40 -2.21 0.16
2019 Q4 -0.69 0.06 0.56 0.54 0.40 -3.49 0.44 2.33 -2.58
2020 Q1 0.50 -0.82 -2.24 -2.46 -1.92 2.29 0.22 -1.32 0.81
2020 Q2 0.43 -12.29 -9.71 -9.69 -12.54 -15.43 -8.85 1.84 -13.25

Pelo lado da demanda, a Formação Bruta de Capital Fixo (FBCF) registrou queda de 15,43% na comparação com o primeiro trimestre, enquanto no lado da oferta a Indústria registrou queda de 12,29%. Na sequência, mostramos os gráficos da variação na margem.

A seguir, damos um zoom sobre a variação contra o mesmo trimestre do ano anterior. Novamente, é possível ver o impacto da pandemia sobre a Formação Bruta de Capital Fixo (FBCF), com uma queda de 15,20%.

PIB e seus componentes: Variação interanual
Trimestre Agropecuária Indústria Serviços PIB C FBCF G X M
2019 Q1 0.89 -0.98 1.17 0.59 1.54 1.09 0.04 -1.63 -2.31
2019 Q2 1.43 0.29 1.15 1.08 1.83 5.44 -0.69 1.27 4.86
2019 Q3 2.06 0.96 1.03 1.19 1.91 2.86 -1.41 -4.40 2.19
2019 Q4 0.44 1.46 1.64 1.67 2.06 -0.36 0.33 -5.07 -0.22
2020 Q1 1.90 -0.12 -0.45 -0.25 -0.73 4.27 0.00 -2.23 5.13
2020 Q2 1.21 -12.69 -11.17 -11.43 -13.47 -15.20 -8.57 0.54 -14.87

Na sequência, vemos os gráficos dessa métrica.


Como é possível verificar, os números são superlativos, à exceção da agropecuária, pelo lado da oferta e das exportações, pelo lado da demanda. Na sequência, suavizamos as variações com o acumulado em quatro trimestres.

PIB e seus componentes: Variação acumulada em 4 trimestres
Trimestre Agropecuária Indústria Serviços PIB C FBCF G X M
2019 Q1 2.52 0.05 1.25 1.10 1.59 3.58 0.23 2.42 5.70
2019 Q2 2.69 -0.08 1.22 1.11 1.59 4.27 -0.13 3.43 5.35
2019 Q3 2.03 -0.05 1.12 1.02 1.67 3.05 -0.76 1.59 2.41
2019 Q4 1.25 0.46 1.25 1.14 1.84 2.24 -0.44 -2.54 1.11
2020 Q1 1.56 0.67 0.85 0.93 1.28 3.00 -0.45 -2.68 2.89
2020 Q2 1.50 -2.55 -2.22 -2.21 -2.50 -2.12 -2.42 -2.85 -1.84

No acumulado em quatro trimestres, o PIB experimenta queda de 2,21% até o segundo tri de 2020. Com uma generalizada, tanto na oferta quanto na demanda, à exceção da agropecuária. Na sequência, os gráficos.

Não há dúvidas quanto à profundidade do impacto da pandemia sobre o nível de atividade. E, também, o fato da economia brasileira ter entrado em recessão técnica.

(*) A apresentação que construímos no nosso Curso de Análise de Conjuntura usando o R está disponível aqui.

____________________

Cadastre-se em nossa lista VIP para descontos e conteúdos exclusivos!

Quero participar
{"cart_token":"","hash":"","cart_data":""}