Category

Comentário de Conjuntura

O Banco Central e a espada de Dâmocles

By | Comentário de Conjuntura

O Banco Central termina hoje mais uma reunião do Comitê de Política Monetária (COPOM), cujo objetivo é decidir sobre a trajetória da taxa básica de juros, a SELIC. O que mais importa na reunião, contudo, não é saber quanto de fato será a mudança na Selic, já que há um grande consenso em torno de 75 pontos-base, graças à comunicação do próprio Banco Central. Importa saber se o Comitê irá levar os juros para além da neutralidade, isto é, se de fato promoverá um ajuste total no juros, a ponto de tornar a política monetária contracionista. Nesse Comentário de Conjuntura, fazemos uma análise descritiva desse ponto.

(*) Aprenda a fazer esse tipo de análise através dos nossos Cursos Aplicados de R.

O cenário atual é basicamente composto por um nível de atividade em recuperação, inflação em aceleração e política monetária em situação expansionista. Esse último ponto, diga-se, pode ser ilustrado pela comparação entre a taxa de juros real ex-ante e o juro de equilíbrio da economia. A figura abaixo ilustra.

Abaixo, vemos a variação marginal das três pesquisas mensais principais de nível de atividade.

E a seguir, um resumo das métricas de crescimento, incluindo o IBC-Br.

Os resultados positivos na margem (à exceção da indústria) dessas pesquisas, somados aos resultados do PIB no 1º trimestre garantiram uma revisão das projeções para o nível de atividade em 2021. Isto é, espera-se que haja um crescimento mais robusto esse ano do que o inicialmente projetado.

Em paralelo a esse processo de recuperação do nível de atividade, temos uma inflação em aceleração, fruto de inúmeros choques que têm ocorrido sobre a economia brasileira nos últimos meses.

O gráfico acima ilustra. A inflação cheia chegou a 8,06% no acumulado em 12 meses até maio. Não apenas isso, a média dos 7 núcleos de inflação também está em aceleração.

Diante desse quadro, não nos parece razoável que o Banco Central continue com o discurso de normalização parcial da política monetária. Infelizmente, ele será obrigado a levar a taxa de juros real ao nível de neutralidade, de modo a conter o avanço das expectativas de inflação.

Por óbvio, não é uma situação confortável, já que o desemprego ainda permanece em nível elevado e ainda estamos com hiato do produto negativo. A espada de Dâmocles parece pesar sob a cabeça dos diretores da autoridade monetária.

____________________

(*) Para quem quiser ter acesso a todos os códigos desse e de todos os exercícios que publicamos ao longo da semana, visite o Clube AM.

(**) Os dados de nível de atividade e de inflação fazem parte dos nossos Monitores, que são ensinados no Curso de Análise de Conjuntura usando o R.

Flertando com a estagflação

By | Comentário de Conjuntura

Amanhã, o IBGE divulga o resultado do IPCA de maio. O consenso formado pela média suavizada do Focus indica uma variação de 0,7%, a mesma que indica o nosso modelo de previsão, conforme mostramos ontem no Relatório AM. Se for confirmado, a inflação acumulada em 12 meses romperá a casa dos 7% a.a. A despeito da boa notícia do PIB do 1º trimestre, o hiato do produto ainda encontra-se em terreno negativo, o que indica que estamos basicamente flertando com o que os economistas chamam de estagflaçãoaquele momento do ciclo onde temos inflação alta (ou em elevação, para ser mais claro) e estagnação econômica. Nesse Comentário de Conjuntura, vamos falar um pouco sobre o conceito.

(*) Aprenda a fazer esse tipo de análise através dos nossos Cursos Aplicados de R.

O comentário de conjuntura 22 começa carregando os seguintes pacotes:


library(tidyverse)
library(readxl)
library(rbcb)
library(forecast)
library(vars)
library(tstools)
library(latex2exp)
library(sidrar)
library(lubridate)
library(scales)
library(RcppRoll)
library(ggrepel)
library(seasonal)
library(zoo)

A seguir, pegamos os dados da inflação medida pelo IPCA, assim como os núcleos de inflação desenvolvidos e acompanhados pelo Banco Central.


## Criar Inflação mensal e acumulada em 12 meses
ipca_indice =
'/t/1737/n1/all/v/2266/p/all/d/v2266%2013' %>%
get_sidra(api=.) %>%
mutate(date = ymd(paste0(`Mês (Código)`, '01'))) %>%
dplyr::select(date, Valor) %>%
mutate(mensal = round((Valor/lag(Valor, 1)-1)*100, 2),
anual = round((Valor/lag(Valor, 12)-1)*100, 2))

## Criar amostra
ipca_subamostra = ipca_indice %>%
filter(date >= as.Date('2007-06-01'))

## Pegar núcleos
series = c(ipca_ex2 = 27838,
ipca_ex3 = 27839,
ipca_ms = 4466,
ipca_ma = 11426,
ipca_ex0 = 11427,
ipca_ex1 = 16121,
ipca_dp = 16122)

nucleos = get_series(series, start_date = '2006-07-01') %>%
purrr::reduce(inner_join)

nucleos_12m <- nucleos %>%
mutate(across(!date, (function(x) 1+x/100))) %>%
mutate(across(!date, (function(x) (roll_prod(x, n=12, align='right',
fill = NA)-1)*100 )))

data_nucleos_12 = nucleos_12m %>%
filter(date >= as.Date('2007-06-01'))

&nbsp;

## Inflação vs. Núcleos

meta = c(rep(4.5, 139), rep(4.25, 12),
rep(4, 12), rep(3.75, 12), rep(3.5, 12), rep(3.25, 12))
meta_max = c(rep(4.5+2, 115), meta[-(1:115)]+1.5)
meta_min = c(rep(4.5-2, 115), meta[-(1:115)]-1.5)

metas = tibble(lim_sup=meta_max, meta=meta,
lim_inf=meta_min)

media.nucleos <- rowMeans(dplyr::select(data_nucleos_12, -date))

df = tibble(nucleos = round(media.nucleos, 2),
lim_sup = head(metas$lim_sup, n = nrow(ipca_subamostra)),
meta = head(metas$meta, n = nrow(ipca_subamostra)),
lim_inf = head(metas$lim_inf, n = nrow(ipca_subamostra)),
inflacao = ipca_subamostra$anual,
date = data_nucleos_12$date)

Na sequência, plotamos o primeiro gráfico do comentário.

Como se pode ver, a inflação acumulada em 12 meses está acima do limite superior da meta, resultado de diversos choques que têm ocorrido sobre a economia brasileira desde o ano passado. O aumento de commodities está por trás tanto do aumento de alimentos quanto do aumento dos combustíveis, que afetam diretamente a inflação medida pelo IPCA.


url = 'https://www12.senado.leg.br/ifi/dados/arquivos/estimativas-do-hiato-do-produto-ifi/at_download/file'
download.file(url, destfile='hiato.xlsx', mode='wb')
hiato = read_excel('hiato.xlsx', sheet = 2, skip=1)

Em meio a esses choques, está um hiato do produto em recuperação, como se pode ver pela figura acima, produzida pela IFI. Ainda em terreno negativo (os dados vão até 2021Q4), o hiato respira por aparelhos em meio a uma sucessão de crises que assola a economia brasileira desde meados de 2014.

Inflação em aceleração em meio a um hiato do produto negativo é a definição de estagflação. Por um lado, a inflação aumenta por causa de choques que afetam a economia doméstica. Por outro, o ciclo econômico se mantém em baixa como consequência de alguma crise externa/interna.

É, basicamente, o pior dos mundos para o cenário macroeconômico, porque afeta em última instância a taxa de desemprego, como pode ser visto abaixo.


desemprego = get_sidra(api="/t/6381/n1/all/v/4099/p/all/d/v4099%201") %>%
mutate(date = parse_date(`Trimestre Móvel (Código)`, format='%Y%m')) %>%
dplyr::select(date, Valor) %>%
rename(desemprego = Valor) %>%
mutate(desemprego_sa = final(seas(ts(desemprego, start=c(2012,03),
freq=12)))) %>%
as_tibble()

A taxa de desemprego tem aumentado no Brasil desde 2014, como resultado da crise interna que vivemos à época. Passou por um momento de leve redução nos anos pré-pandemia e reagiu forte ao choque mundial provocado pela Covid-19.

Em outras palavras, o desemprego no Brasil mudou de nível e, dificilmente, voltará aos níveis de 2013/2014 no curto prazo. Isto porque, o desemprego é a última variável a reagir à melhora do ambiente econômico. Há muitos motivos para isso. Um deles é que o desemprego afeta o capital humano das pessoas. Quanto maior o tempo desemprego, maior a parte de capital humano, o que torna difícil para o trabalhador voltar ao mercado.

Dito isso, é bastante preocupante ver o comportamento do desemprego de longo prazo no Brasil, como pode ser visto abaixo.


table = get_sidra(api='/t/1616/n1/all/v/4092/p/all/c1965/all') %>%
mutate(date = as.yearqtr(`Trimestre (Código)`, format='%Y%q')) %>%
dplyr::select(date, `Tempo de procura de trabalho`, Valor) %>%
spread(`Tempo de procura de trabalho`, Valor) %>%
as_tibble()

ratio = table %>%
mutate(across(!date, (function(x) x / Total *100))) %>%
dplyr::select(-Total)

ratio %>%
gather(variavel, valor, -date) %>%
ggplot(aes(x=date, y=valor, colour=variavel))+
geom_area(aes(colour=variavel, fill=variavel))+
theme(legend.title = element_blank(),
legend.position = 'left',
plot.title = element_text(size=8, face='bold'))+
scale_x_yearqtr(breaks= pretty_breaks(n=4), format="%YQ%q")+
labs(x='', y='',
title='Desemprego por tempo de procura por trabalho',
caption='Fonte: analisemacro.com.br com dados do IBGE')

O desemprego de mais de 2 anos tem aumentado de forma consistente nos últimos anos, como mostra a normalização pela PEA vista abaixo.

Os dados são da PNAD Trimestral, com o último dado disponível de 2020Q4.

Quanto maior o tempo da crise, maiores vítimas vão sendo acumuladas dentro do desemprego de longo prazo. A perda de capital humano, por suposto, afeta de forma direta o PIB Potencial da economia, com consequências não desprezíveis sobre o crescimento de longo prazo da economia brasileira.

(*) Aprenda a fazer esse tipo de análise através dos nossos Cursos Aplicados de R.

____________________

(**) Para quem quiser ter acesso a todos os códigos desse e de todos os exercícios que publicamos ao longo da semana, visite o Clube AM.

Consumo de Energia e Nowcasting do PIB

By | Comentário de Conjuntura

No dia 20 de abril, publiquei aqui nesse espaço a edição número 15 do Comentário de Conjuntura fazendo uma análise sobre o Consumo de Energia. Na minha visão, o fato da elasticidade entre a energia e o pib serem muito próximos da unidade significa que o PIB não teria tido um resultado ruim no 1º tri de 2021. Pelo contrário, o resultado deveria vir positivo, já que o Consumo de Energia havia continuado a toada da recuperação. Nesse Comentário de Conjuntura, com os dados divulgados ontem, vamos fazer uma análise detalhada da relação entre o PIB e o Consumo de energia elétrica, bem como apresentamos nosso modelo de nowcasting do PIB.

Os membros do Clube AM têm acesso a todos os códigos dos nossos exercícios!

Para começar, vamos comparar aqui o número índice do PIB dessazonalizado com o consumo de energia, também dessazonalizado.

As séries andam juntas e há, possivelmente, uma relação de cointegração entre elas. Uma vez consideradas as séries em nível, podemos ver a comparação das variações marginal, interanual e anual.

O fit entre as séries é impressionante, não é mesmo?


Esse fit continua também na variação interanual e na variação acumulada em 4 períodos, como pode ser vista abaixo.

A variação acumulada em 4 trimestres mostra uma relação forte entre as séries, com uma volta pronunciada do consumo na margem. Algo que ainda não ocorre com o PIB.

Para além dessa relação entre consumo de energia e movimentos do PIB, também estamos trabalhando aqui na AM em um modelo de nowcasting para o PIB, sob liderança do Vitor Pestana Ostrensky.

O resultado previsto para o 1º tri de 2021 foi de 1,22%, quando o ocorrido ficou em 1,2, na comparação com o trimestre imediatamente anterior.

Os resultados do modelo bem como a sua operacionalização serão divulgados nos próximos dias no Clube AM.

(*) Aprenda a fazer esse tipo de análise através dos nossos Cursos Aplicados de R.

____________________

Medindo o efeito da incerteza sobre o PIB Mensal

By | Comentário de Conjuntura

Mesmo após a redução dos níveis de incerteza vistos no ano passado, há ainda muito por percorrer para um patamar considerado aceitável. Uma elevação da incerteza, sabemos da teoria econômica, acaba por adiar investimentos e mesmo decisões de consumo de bens duráveis, o que tem efeitos não desprezíveis sobre o PIB. Nesse Comentário de Conjuntura, verificamos através de funções impulso-resposta como a incerteza afeta a variação acumulada em 12 meses do PIB mensal.

Para ilustrar o efeito da incerteza sobre o PIB, usamos as séries da Fundação Getúlio Vargas: o índice de incerteza econômica e o Monitor do PIB mensal.

Uma vez disponíveis as séries, nós verificamos se existe cointegração entre elas por meio da metodologia de Johansen. Rejeitada a hipótese nula de inexistência de cointegração, seguimos o protocolo de Johansen e não conseguimos rejeitar que existe ao menos um vetor de cointegração entre as séries.

Uma vez, então, construído o modelo VEC, nós transformamos o mesmo em um modelo VAR em nível e observamos o efeito de um impulso sobre a incerteza na variação acumulada em 12 meses do PIB mensal. O resultado é posto abaixo.

De fato, existe um efeito negativo do aumento da incerteza sobre a variação do PIB mensal, como esperado pela teoria econômica.

(*) Todos os detalhes do exercício estão disponíveis no Curso de Macroeconometria II da Análise Macro.

____________________

Evolução da pandemia no Brasil

By | Comentário de Conjuntura

Vivemos tempos sombrios. O país se aproxima das 500 mil mortes causadas pela peste que nos assola. Em meio a uma situação crítica como essa, o antídoto, a vacina, tem sido administrada em ritmo (muito) aquém do ideal. Para um país com a experiência de décadas em imunização e tendo a capacidade de produção de vacinas, só a incompetência na gestão de crise explica tamanha lentidão no processo. Nesse Comentário de Conjuntura, fazemos um avaliação da pandemia no país.


## Pacotes utilizados nessa apresentação
library(knitr)
library(tidyverse)
library(tsibble)
library(fable)
library(feasts)
library(tsibbledata)
library(fpp3)
library(gridExtra)
library(zoo)
library(scales)


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

Os dados são coletados do repositório do Wesley Cota, como descrito acima.

Membros do Clube AM, como de praxe, têm acesso a todos os códigos do exercício. 

Após atingir um pico forte no final de março, os novos casos e mortes têm se reduzido lentamente nas últimas semanas. Mas ainda está longe de atingir uma derivada civilizada, como pode ser visto no gráfico de mortes mensais abaixo.

Os últimos dois meses, março e abril, foram de recorde de vítimas pela peste e não há sinais de trégua: maio já registra números superlativos, se comparamos com os demais meses da peste no país.

A realidade vista no agregado pode ser melhor compreendida se observamos o que está ocorrendo nos Estados. Vejamos, por exemplo, a situação no Rio e em SP.

A situação do Rio é um tanto quanto complexa, dado que os números não têm sido atualizados de forma correta pela secretaria de saúde, o que causa um problema na avaliação da pandemia no Estado.

São Paulo, epicentro da pandemia no país, mostra uma melhora nas últimas semanas, após o pico de março.

Em praticamente todos os Estados, diga-se, temos uma 2ª onda da pandemia bastante crítica e acima do registrado no ano passado.

No Rio, a situação parece ser muito parecida com o restante do país: uma 2ª onda da pandemia bastante contundente e com números acima do registrado no ano anterior.

Em meio a essa situação crítica, o número de doses da vacina contra a peste ainda é bastante modesta, se comparado ao número necessário para imunizar 60% da população.

Há muito por melhorar no ritmo de vacinação, se queremos sair logo desse período crítica da humanidade.

____________________

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais
e conteúdos exclusivos sobre Análise de Dados!

Assinar Gratuitamente
{"cart_token":"","hash":"","cart_data":""}