Category

Comentário de Conjuntura

Índice de Commodities, Taxa de Câmbio e o repasse para a inflação

By | Comentário de Conjuntura

Como chamei atenção nesse espaço há algumas semanas, o ambiente externo tem contaminado a taxa de câmbio, forçando a mesma a se manter acima dos 4 R$/US$. Movimento típico, diga-se, de maior aversão a países emergentes. Diante desse quadro parece imediato pensar em algum repasse para a inflação. Ocorre que em macroeconomia é preciso sempre olhar - parece óbvio dizer isso, mas não é - o quadro geral da coisa. Isto é, sempre é preciso considerar pesos e contrapesos para avaliar o efeito líquido sobre uma determinada variável, nesse caso a inflação.

Isso dito, como pode ser visto no gráfico acima, a despeito do índice de commodities do Banco Central guardar forte correlação positiva com a taxa de câmbio R$/US$, no período recente esse índice - que é convertido pela própria taxa de câmbio para reais - tem caído, compensando o movimento de depreciação da moeda brasileira frente o dólar.

Em particular, o próprio Banco Central tem adotado esse índice nos seus modelos semiestruturais de forma a avaliar o repasse externo. Nas palavras do Banco, "Em virtude do efeito que flutuações nos preços de commodities têm desempenhado sobre a dinâmica da inflação doméstica, utiliza-se um indicador de preço de commodities para a inflação externa, medido em dólar norte-americano e convertido em moeda nacional pela correspondente taxa de câmbio" (RTI, Junho de 2017). Em termos técnicos, o IC-Br é adicionado a uma Curva de Phillips de forma a capturar o efeito da inflação externa sobre a inflação doméstica.

Ou seja, mesmo que estejamos assistindo a um movimento de depreciação do real frente o dólar, não nos parece que o efeito líquido seja de pressão inflacionária. Pelo contrário, a queda do IC-Br indica que o efeito é deflacionário. Tanto é assim que a expectativa para a inflação em 2019 continua caindo abaixo da meta.

Isso, ao menos por enquanto, garante o cenário de corte na taxa básica de juros. Há espaço, inclusive, para uma queda além de 100 pontos-base - que é a mediana esperada pelo mercado - dada a ociosidade ainda pronunciada da economia.

__________________________________

Gostou da análise? Conheça a área de Central Banking da Análise Macro.

Crescimento econômico depende da recuperação do emprego formal

By | Comentário de Conjuntura

No início desse ano, escrevi no âmbito do Clube do Código sobre a relação entre empregos formais e crescimento da economia. Vimos que, além dos dados estarem correlacionados, existe uma relação de causalidade entre as variáveis. Para dar um outro olhar sobre aquele exercício, resolvi pegar ao invés do saldo dessazonalizado que utilizei à época a média móvel anual dos dados. Para o exercício, carregamos os pacotes abaixo.


library(readr)
library(sidrar)
library(xts)
library(ggplot2)
library(scales)
library(png)
library(grid)
### Pacote Seasonal
library(seasonal)
Sys.setenv(X13_PATH = "C:/Séries Temporais/R/Pacotes/seas/x13ashtml")

Os dados do caged e do pib são importados com o código a seguir.


caged = read_csv2('caged.csv',
col_types =
list(col_date(format='%d/%m/%Y'),
col_double()))

tabela = get_sidra(api='/t/1620/n1/all/v/all/p/all/c11255/90707/d/v583%202')
pib = ts(tabela$Valor, start=c(1996,01), freq=4)

Uma vez importados os dados, nós tratamos os mesmos com o código a seguir.


## Tratar dados
anual <- (((pib+lag(pib,-1)+lag(pib,-2)+lag(pib,-3))/4)/
((lag(pib,-4)+lag(pib,-5)+lag(pib,-6)+lag(pib,-7))/4)-1)*100

caged_mm12 = xts(caged$caged, order.by = caged$date)

caged_mm12 = window(caged_mm12, start='2000-07-01',
end='2019-03-01')
caged_mm12 = apply.quarterly(caged_mm12, FUN=mean)

pib_anual = window(anual, start=c(2000,3))

O código do gráfico está colocado abaixo...


## Gráfico

df = data.frame(time=as.Date(time(caged_mm12)), caged=caged_mm12/1000,
pib=pib_anual)
df2 = transform(df, time = as.yearqtr(time))

img <- readPNG('logo.png')
g <- rasterGrob(img, interpolate=TRUE)

ggplot(df2, aes(x=time))+
geom_bar(aes(y=caged, colour='Empregos Formais'),
stat='identity', fill="#91b8bd", width=.1)+
geom_line(aes(y=pib*30, colour='Crescimento do PIB'), size=.8)+
geom_hline(yintercept=0, colour='black')+
scale_y_continuous(sec.axis = sec_axis(~./30, name='Crescimento do PIB (% a.a.)'))+
scale_colour_manual('Séries Utilizadas',
values=c('#244747', '#91b8bd'))+
theme(legend.position = c(.2,.2))+
xlab('')+ylab('Empregos Formais (mil pessoas)')+
scale_x_yearqtr(format = "%YQ%q", n=28)+
theme(axis.text.x=element_text(angle=45, hjust=1))+
labs(title='Empregos Formais vs. Crescimento do PIB',
subtitle='MM12M do saldo do CAGED trimestralizada vs. Crescimento anual do PIB ',
caption='Fonte: analisemacro.com.br com dados do IBGE e do CAGED.')+
theme(panel.background = element_rect(fill='#acc8d4',
colour='#acc8d4'),
plot.background = element_rect(fill='#8abbd0'),
axis.line = element_line(colour='black',
linetype = 'dashed'),
axis.line.x.bottom = element_line(colour='black'),
panel.grid.major = element_blank(),
panel.grid.minor = element_blank(),
legend.background = element_rect((fill='#acc8d4')),
legend.key = element_rect(fill='#acc8d4',
colour='#acc8d4'),
plot.margin=margin(5,5,15,5))+
annotation_custom(g,
xmin=2016.1,
xmax=2019.3,
ymin=50, ymax=200)

E por fim o gráfico...

 

Pelo gráfico é possível ver uma grande aderência entre as séries. De fato, a correlação entre elas é bastante alta, de 0,93. Como visto na 58ª Edição do Clube do Código, há evidências de que o saldo do CAGED ajuda a prever o crescimento do PIB, não existindo evidências no sentido contrário - nessa edição, nós rodamos, além de outras coisas, um teste de causalidade usando o procedimento de Toda-Yamamoto e também verificamos a decomposição da variância das séries. Ou seja, qualquer recuperação mais forte do crescimento depende de um movimento de maior contratação no mercado de trabalho formal.

Temos visto uma recuperação do emprego formal desde o início do ano passado, como pode ser visto no gráfico abaixo. A média do saldo entre admitidos e demitidos tem avançado ao longo dos últimos 18 meses.

O problema, obviamente, e aí ataca as duas séries, é a incerteza predominante na economia brasileira. Seja a incerteza proveniente dos choques que ocorreram no ano passado, quanto a dificuldade do governo engrenar no primeiro semestre desse ano. Ainda assim, observamos uma resiliência no mercado de trabalho, que só em 2019 gerou um saldo positivo de 418.253 vagas.

Dadas as reformas que estão ocorrendo na economia brasileira, e se o mundo ajudar, claro, é esperado que em algum momento nós vamos ver um crescimento maior da economia. Infelizmente, entretanto, acho que não será ainda esse ano...

_______________________

O arquivo caged.csv está disponível aqui. O script completo desse comentário de conjuntura está disponível no Clube do Código.

A fada da confiança e a incerteza

By | Comentário de Conjuntura

Um dos aspectos mais trágicos da atual conjuntura é a lenta recuperação da economia. O hiato do produto, a diferença entre o PIB efetivo e o PIB potencial, segue em terreno bastante negativo e a taxa de desemprego segue elevada. A pergunta que fica é, portanto, quando voltaremos a crescer? Para respondê-la, precisamos seguir alguns passos. Antes de tudo, é preciso que a incerteza, causada sobretudo pelo ambiente político, ceda. Uma vez que a incerteza diminua, os agentes aumentarão a confiança no futuro e voltarão a consumir e investir.

Para ilustrar, mostramos aqui a correlação negativa entre incerteza e confiança do consumidor. Para isso, pegamos os dados da FGV, que podem ser lidos com o pacote readr.


library(readr)

data = read_csv2('confianca.csv',
col_types =
list(col_date(format='%d/%m/%Y'),
col_double(),
col_double(),
col_double(),
col_double(),
col_double(),
col_double()))

data = data[complete.cases(data),]

Uma vez lidos os dados, podemos gerar um gráfico com o pacote ggplot2 como abaixo.


library(ggplot2)
library(gridExtra)
library(scales)

g1 = ggplot(data, aes(Data, icc_exp_sa))+
geom_line()+
scale_x_date(breaks = date_breaks("2 year"),
labels = date_format("%Y"))+
theme(axis.text.x=element_text(angle=45, hjust=1))+
labs(x='', y='Índice',
title='Índice de Confiança do Consumidor')

g2 = ggplot(data, aes(Data, iie))+
geom_line()+
scale_x_date(breaks = date_breaks("2 year"),
labels = date_format("%Y"))+
theme(axis.text.x=element_text(angle=45, hjust=1))+
labs(x='', y='Índice',
title='Incerteza')

g3 = ggplot(data, aes(iie, icc_exp_sa))+
geom_point(colour='black', size=2)+
geom_smooth(method='lm', se=FALSE, colour='red',
linetype='dashed')+
labs(x='Incerteza', y='Confiança Consumidor',
title='Incerteza vs. Confiança do Consumidor',
caption='Fonte: analisemacro.com.br')

grid.arrange(g1, g2, g3, ncol=2, nrow=2,
layout_matrix= rbind(c(1,2), c(3,3)))

E o gráfico...

A correlação entre o ICC (Índice de Confiança do Consumidor) e o IIE (Índice de Incerteza Econômica) é de -0,57 para a amostra de dados disponível. Para entender melhor aqueles passos, precisamos agora construir um modelo colocando incerteza, confiança e consumo, para que possamos entender essa cadeia de causalidade.

Não me parece correto, entretanto, criticar o nó confiança => consumo, sem se atentar para o efeito da incerteza sobre a confiança do consumidor e dos empresários...

___________________

O arquivo confianca.csv está disponível no repositório do Blog.

Ambiente externo gera preocupações

By | Comentário de Conjuntura

A taxa de câmbio voltou a romper a barreira de 4 R$/US$ nos últimos dias, refletindo o ambiente externo. Para ilustrar, podemos usar o pacote quantmod do para pegar dados diários para a taxa de câmbio na base do Yahoo Finance - maiores detalhes sobre séries temporais financeiras, veja nosso Curso de Econometria Financeira usando o R. O código abaixo ilustra.


library(quantmod)
getSymbols("BRL=X",src="yahoo", from=as.Date('2018-01-01'))
cambio = `BRL=X`[,4]
cambio = cambio[complete.cases(cambio)]

Com a nossa série em mãos, podemos construir o gráfico abaixo.

Observamos que o câmbio se "acostumou" ao patamar próximo a 3,85, flertando em três momentos com os 4 R$/US$. Abaixo, estimamos a volatilidade dos log-retornos da taxa (aprenda sobre isso em nosso Curso de Econometria Financeira usando o R).

A despeito de não vivermos um "pico" de volatilidade, houve perturbações consideráveis ao longo do mês de agosto. Isso também é captado, diga-se, pelo índice VIX do CBOE, que pode ser baixado a partir do FRED Economic Data.


getSymbols('VIXCLS', src='FRED')
vix = window(VIXCLS[complete.cases(VIXCLS),], start='2018-01-01')

E abaixo o gráfico...

De fato, o que tem preocupado analistas é a probabilidade da economia mundial entrar em uma recessão nos próximos meses. Para ilustrar essa preocupação, podemos verificar o comportamento do juro associado ao título de 10 anos dos Estados Unidos, dessa vez usando o pacote Quandl.


juro = Quandl('FRED/DGS10', start_date='2018-01-01')

E abaixo o gráfico...

Há, inclusive, uma discussão interessante sobre essa taxa ter ficado menor do que a taxa de curto prazo, indicando menos expectativa de inflação no futuro e, portanto, menos nível de atividade. Estaria aberto o caminho para a recessão? Cedo para dizer, já que é preciso aguardar as reações de política econômica mundo a fora. O certo é que esse pessimismo chega em péssima hora para o Brasil, às voltas com uma economia patinando e desemprego ainda lá em cima.

Histerese e desemprego de longo prazo

By | Comentário de Conjuntura

Na literatura de economia do trabalho é conhecido o fenômeno chamado de histerese. Isto é, a dificuldade de um objeto, no caso a taxa de desemprego, em voltar ao seu estado original após sofrer um determinado choque. Ou, em outras palavras, a dificuldade do desemprego ceder após uma alta pronunciada como a que temos observado nos últimos anos. Uma das causas principais para isso seria a perda de capital humano associada ao desemprego (Ball e Mankiw, 2002). Em particular, quanto mais tempo a pessoa fica desempregada, maior a perda de capital humano, mais difícil é conseguir um novo posto de trabalho.

De modo a verificar isso na prática, podemos fazer uso da PNAD Trimestral, divulgada pelo IBGE. Começo, como sempre, carregando alguns pacotes do R:


library(sidrar)
library(ggplot2)
library(scales)
library(seasonal)
Sys.setenv(X13_PATH = "C:/Séries Temporais/R/Pacotes/seas/x13ashtml")

Para aprender a instalar e fazer funcionar o pacote seasonal, dê uma olhada nesse vídeo aqui. Com os pacotes carregados, podemos pegar os dados referentes ao tempo de procura por emprego da PNAD:


table = get_sidra(api='/t/1616/n1/all/v/4092/p/all/c1965/all')
pea = get_sidra(api='/t/4093/n1/all/v/4088/p/all/c2/6794')$Valor
total = table$Valor[table$`Tempo de procura de trabalho (Código)`==40310]
ummes = table$Valor[table$`Tempo de procura de trabalho (Código)`==31827]
umano = table$Valor[table$`Tempo de procura de trabalho (Código)`==31828]
umdosanos = table$Valor[table$`Tempo de procura de trabalho (Código)`==31829]
doisanos = table$Valor[table$`Tempo de procura de trabalho (Código)`==101227]

Com os dados coletados, eu junto todos na mesma matriz:


time = seq(as.Date('2012-03-01'), as.Date('2019-06-01'), by='3 month')
data = ts(cbind(total, ummes, umano, umdosanos, doisanos),
start=c(2012,01), freq=4)

O leitor verá que os dados estão sujeitos à sazonalidade, de modo que precisamos tratar esse problema. Faço isso com o código a seguir.


data_sa = matrix(NA, nrow = nrow(data), ncol=ncol(data))
colnames(data_sa) = colnames(data)

for(i in 1:ncol(data)){

data_sa[,i] = final(seas(data[,i]))
}

df_sa = data.frame(time, data_sa)

Uma vez que tenhamos os nossos dados tratados, podemos gerar o gráfico abaixo:

Observe que à exceção do desemprego associado à procura por emprego com mais de dois anos, as demais ou reduziram ou estão estáveis no período recente. O desemprego com mais de dois anos, por seu turno, experimenta uma elevação ao longo do tempo, já tratado o problema da sazonalidade. Isso está associado ao que classificamos acima como histerese, isto é, à perda de capital humano ao longo do tempo.

Em períodos longos de desemprego como o atual, isso é particularmente relevante porque afeta a produtividade da economia, com reflexos sobre a taxa natural de desemprego. Isto é, há um deslocamento na taxa para cima, dado que é cada vez mais difícil para quem está desempregado, conseguir um novo posto de trabalho. É um problema grave que deveria fazer parte das preocupações da política econômica.

______________________________

(*) Ver Ball, Laurence, and N. Gregory Mankiw. 2002. "The NAIRU in Theory and Practice ." Journal of Economic Perspectives16 (4): 115-136.

Cadastre-se na newsletter
e receba nossas novidades em primeira mão!