Category

PIB

Definindo o hiato do produto

By | PIB

No nosso Curso de Análise de Conjuntura usando o R, fazemos uma incursão pelo mundo da macroeconomia de um jeito completamente distinto daquele visto nas faculdades de economia. Lá, nós definimos conceitos teóricos sempre tendo a preocupação de mostrar para os alunos como é possível coletar e tratar os dados reais associados. Para ilustrar, vamos mostrar aqui hoje como é possível definir e mostrar na prática um conceito muitas vezes desconhecido pelos alunos (e mesmo profissionais) da área: o hiato do produto. Para começar, vamos fazer uma pequena introdução à macroeconomia e ao seu conceito mais relevante, o Produto Interno Bruto.

A macroeconomia nasce da soma de milhões de decisões diárias de indivíduos descentralizados. Tais indivíduos, com necessidades ilimitadas, decidem todos os dias o que produzir, como produzir e como distribuir esse esforço produtivo.

A variável macroeconômica que representa esse esforço de forma mais completa é o que chamamos de produto interno bruto, ou simplesmente PIB, a soma de todos os bens e serviços finais produzidos por um país ao longo de um determinado período de tempo.

O PIB é, nesse contexto, uma medida, expressa em valores correntes ou números-índices, do quanto um país utilizando recursos escassos, como trabalho e capital, gerou de produção e, consequentemente, de renda em um determinado período.

Não por outro motivo, a taxa de crescimento do PIB fornece uma boa medida sobre o quão rápido ou devagar um determinado país está se tornando mais desenvolvido.

De forma a definir o PIB em termos um pouco mais precisos, Considere que o PIB efetivamente observado (de agora em diante chamado de PIB efetivo) possa ser decomposto em duas partes, a saber:

(1)   \begin{align*}Y_{t} = Y^P_{t} + h_{t} \end{align*}

Onde Y_{t} é o PIB em t, Y^P_{t} é a tendência de longo prazo do PIB, chamada de produto potencial e h_{t} é um componente cíclico, chamado de hiato do produto.

O PIB Potencial, Y^P_{t}, a tendência do PIB Efetivo ao longo do tempo, reflete condições estruturais da economia, como a população em idade ativa, o estoque de capital, qualidade da educação, qualidade das instituições, etc. O hiato do produto, h_{t}, o componente cíclico, por sua vez, reflete questões conjunturais, como incentivos de política econômica, condições climáticas, choques externos, incertezas políticas, etc.

Em outros termos, no curto prazo o PIB Efetivo pode crescer mais ou menos do que o PIB Potencial, aquela tendência. No longo prazo, entretanto, o crescimento da economia está limitado pela disponibilidade de fatores e pela forma como esses fatores são combinados.

Isto é, supondo que a estrutura da economia possa ser representada por uma função do tipo Cobb-Douglas, com retornos constantes de escala, temos que:

(2)   \begin{align*} Y_{t} = A_{t} K_{t}^{\alpha_{t}} L_{t}^{1-\alpha_{t}}\end{align*}

Onde K_{t} e L_{t} são, respectivamente, a quantidade de capital e trabalho, A_{t} mede a eficiência tecnológica ou a produtividade total dos fatores e \alpha_{t}, por fim, mede a participação do capital na renda nacional.

Nesse contexto, Y_{t}, a soma de bens e serviços finais produzidos em determinado período de tempo, será dado pela combinação entre uma determinada quantidade de estoque de capital com outra de trabalho, moderada pela tecnologia disponível. Em última instância, portanto, Y_{t} estará limitado pela disponibilidade de fatores de produção e pela forma como esses fatores são combinados a produtividade total dos fatores. Os economistas gostam de chamar essa limitação de produto potencial, ou simplesmente Y^P_{t}.

No curto prazo, a diferença entre Y_{t} e Y^P_{t} será assim dada pelo hiato do produto, h_{t}, que, por construção, irá medir o grau de ociosidade da economia. Calcular o hiato do produto, entretanto, não é uma tarefa trivial, uma vez que o PIB potencial não é uma variável observável. Precisamos estimar o produto potencial e, depois, calcular o hiato.

Para ilustrar o comportamento do hiato do produto no Brasil, vamos considerar o cálculo feito pela Instituição Fiscal Independente, ligada ao Senado Federal. O código de R a seguir baixa os dados do site da IFI e lê a planilha que contém os dados que queremos.


library(tidyverse)
library(readxl)
library(zoo)
library(scales)

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 = 3, skip=1) %>%
mutate(trimestre = as.yearqtr(`...1`)) %>%
rename(date = `...1`, PIB = `...2`)

Uma vez lidos os dados, podemos gerar primeiro um gráfico com o PIB efetivo (em número índice) e a sua tendência, que representa o PIB potencial.

Como vimos, o hiato do produto será então a diferença entre o PIB efetivo e o PIB potencial. A seguir, um gráfico da variável.

O acompanhamento do hiato do produto faz parte da rotina dos economistas de mercado, uma vez que ele representa o grau de ociosidade da economia, tendo assim impacto em diversas outras variáveis econômicas.

________________

(*) Cadastre-se aqui na nossa Lista VIP para receber um super desconto na abertura das Turmas 2021.

Análise da Produção de Veículos com o R

By | PIB

O Valor Econômico noticiou hoje que a produção de veículos vem aumentando as vendas após o crash provocado pela pandemia. Por ser o mais importante componente da produção industrial brasileira, com impacto em diversas outras atividades, essa pode ser uma boa notícia para a retomada.  A coletatratamento apresentação dos dados da produção de veículos com o R a partir do site da ANFAVEA é, por suposto, ensinada no nosso Curso de Análise de Conjuntura usando o R. A seguir, apresento uma parte do código que gera a apresentação que criamos no Curso.

O script começa carregando alguns pacotes:


library(tidyverse)
library(readxl)
library(tstools)
library(scales)
library(knitr)

Na sequência, importamos os dados diretamente do site da ANFAVEA e já fazemos o tratamento dos mesmos.


url = 'http://www.anfavea.com.br/docs/SeriesTemporais_Autoveiculos.xlsm'
download.file(url, destfile = 'veiculos.xlsm', mode='wb')
data = read_excel('veiculos.xlsm', col_types = c('date',
rep('numeric', 25)),
skip=4)

## Tratamento dos dados
data = data[!rowSums(data[,-1])==0,] %>%
dplyr::select(`...1`, `Produção...5`) %>%
rename(date = "...1", veiculos = "Produção...5") %>%
mutate(veiculos = veiculos/1000) %>%
mutate(margem = (veiculos/lag(veiculos,1)-1)*100) %>%
mutate(interanual = (veiculos/lag(veiculos,12)-1)*100) %>%
mutate(anual = acum_i(veiculos,12))

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

Feito isso, podemos visualizar os últimos dados disponíveis...  

Produção de Veículos
date veiculos margem interanual anual
2020-04-01 1.85 -99.03 -99.31 -10.85
2020-05-01 43.08 2232.43 -84.38 -20.67
2020-06-01 98.45 128.52 -57.78 -24.66
2020-07-01 170.65 73.34 -36.08 -28.47
2020-08-01 210.86 23.56 -21.83 -29.97
2020-09-01 220.16 4.41 -11.03 -31.47

Um gráfico múltiplo com as métricas de crescimento está disponível abaixo...

(*) A análise completa está disponível no nosso Curso de Análise de Conjuntura usando o R.

IBC-Br e a recuperação em V

By | PIB

O IBC-Br é um indicador de periodicidade mensal, construído pelo Banco Central, que busca incorporar a trajetória de variáveis consideradas como proxies para o desempenho dos diversos setores da economia. Na 31ª edição do Clube do Código, diga-se, eu faço uma comparação entre o IBC-Br e o PIB, de modo a verificar se aquele é um bom preditor desse. A análise completa do índice é feita no nosso Curso de Análise de Conjuntura usando o R. Aqui, vou mostrar como coletar os dados do índice diretamente do Banco Central, bem como gerar um tratamento e visualização dos dados.

script começa carregando alguns pacotes de R:


## Pacotes
library(tidyverse)
library(scales)
library(Quandl)
library(BETS)
library(tstools)
library(knitr)

Na sequência, eu baixo os dados do Banco Central a partir do pacote BETS. Ademais, já crio as variações que quero para mostrar o avanço do índice no curto prazo.


## Coleta e tratamento dos dados
ibc = BETSget(24363, data.frame=TRUE)
ibc_sa = BETSget(24364, data.frame=TRUE)
ibc_df = inner_join(ibc, ibc_sa, by='date') %>%
as_tibble() %>%
rename(ibc = value.x, ibc_sa = value.y) %>%
mutate(margem = (ibc_sa/lag(ibc_sa,1)-1)*100) %>%
mutate(interanual = (ibc/lag(ibc,12)-1)*100) %>%
mutate(trimestral = acum_i(ibc_sa,3)) %>%
mutate(anual = acum_i(ibc, 12))

De posse dos dados, eu posso criar uma tabela como abaixo, de modo a ilustrar o avanço do índice nos últimos meses.

Índice de Nível de Atividade do Banco Central
Data IBC-Br IBC_sa Margem Interanual Trimestral Anual
2020-03-01 136.34 131.62 -5.93 -1.59 -1.82 0.73
2020-04-01 119.03 119.42 -9.27 -14.27 -6.50 -0.45
2020-05-01 120.37 121.43 1.68 -13.55 -10.99 -1.99
2020-06-01 126.96 127.90 5.33 -6.06 -10.26 -2.36
2020-07-01 136.77 132.64 3.71 -4.30 -2.30 -2.83
2020-08-01 136.66 134.05 1.06 -3.92 5.94 -3.09

Observamos por essa tabela que o índice tem se recuperado nos últimos meses do tombo sofrido em março e abril por conta da pandemia do Covid-19. Na variação interanual, contudo, o índice ainda mostra comparações negativas com igual mês do ano passado. Todas as variações e o índice em nível podem ser mostrados em um gráfico múltiplo como abaixo.


A análise do índice nos últimos meses parece indicar uma recuperação em V, isto é, uma forte recuperação após o tombo do nível de atividade em março e abril.

Como mostro naquele exercício do Clube do Código, contudo, a comparação entre IBC-Br e PIB deve ser vista com cautela.

__________

(*) Para ter acesso aos códigos completos dos nossos futuros exercícios, cadastre-se na nossa Lista VIP aqui.

(**) Inscrições para as Turmas de Verão começam no próximo dia 27/10. Seja avisado por e-mail clicando aqui.

Análise da Taxa de Poupança com o R

By | PIB

Uma das questões postas na atual difícil conjuntura que vivemos é o aumento da taxa de poupança. Alguns jornalistas e mesmo analistas de mercado têm apontado para um aumento da poupança em resposta às dificuldades impostas pela pandemia. Dadas as suas repercussões sobre o consumo e, consequentemente, sobre a recuperação do nível de atividade, foi até mesmo um ponto relevante no último Relatório de Inflação divulgado pelo Banco Central.

Para nivelar o terreno, alguma informação inicial. Para fazer uma análise da poupança, precisaremos recorrer à taxa de poupança trimestral e à taxa de poupança acumulada em quatro trimestres, de modo a dar alguma perspectiva de tendência sobre os números.

Sempre lembrando que a taxa de poupança é dada pela Poupança Bruta sobre o Produto Interno Bruto - viu como as aulas de Contabilidade Social são importantes?

Feita a ressalva, vamos aos dados. Os dados de poupança encontram-se no SIDRA/IBGE, na parte de Contas Nacionais Trimestrais, especificamente nas Contas Econômicas Integradas (CEI). Caso não lembre bem disso, considere fazer nosso Curso de Macroeconomia com Laboratórios de R. O pedaço de código abaixo é o início do script que usei para fazer esse exercício. Ele carrega alguns pacotes e baixa os dados da poupança trimestral para o R.


####################################################
##### Análise da Poupança nas Contas Nacionais #####

library(sidrar)
library(tidyverse)
library(RcppRoll)
library(scales)
library(zoo)
library(seasonal)
library(tsibble)
library(feasts)

### Coletar dados individuais do SIDRA/IBGE ###

poupanca = get_sidra(api='/t/6726/n1/all/v/all/p/all/d/v9774%201') %>%
mutate(date = as.yearqtr(`Trimestre (Código)`, format='%Y%q')) %>%
rename(tx_poupanca_tri = Valor) %>%
select(date, tx_poupanca_tri)

De posse da poupança trimestral, vamos avançar e calcular a poupança acumulada em quatro trimestres. Para isso, precisaremos da poupança bruta e do produto interno bruto. O código abaixo pega os dados das Contas Econômicas Integradas, disponíveis no SIDRA/IBGE e já executa os cálculos que precisamos.


#### Acumular dados em quatro trimestres ###

tabela_cei = get_sidra(api='/t/2072/n1/all/v/933,940/p/all') %>%
mutate(date = as.yearqtr(`Trimestre (Código)`, format='%Y%q')) %>%
select(date, `Variável`, 'Valor') %>%
spread(`Variável`, 'Valor') %>%
mutate(pib_4t = roll_sum(`Produto Interno Bruto`,4,
fill=NA, align='right'),
pb_4t = roll_sum(`(=) Poupança bruta`,4,
fill=NA, align='right')) %>%
mutate(tx_poupanca = pb_4t/pib_4t*100) %>%
as_tibble()

Temos agora tanto a taxa trimestral quanto a taxa acumulada em quatro trimestres. Mas há mais uma coisa a fazer. Se você reparar bem, vai ver que existe um efeito sazonal na taxa de poupança. O código a seguir junta os dois tibbles acima e dessazonaliza os dados.


data = inner_join(tabela_cei, poupanca, by='date') %>%
mutate(poupanca_sa = final(seas(ts(tx_poupanca_tri,
start=c(2000,01),
freq=4))))

O gráfico abaixo ilustra o comportamento das três séries.

De fato, a poupança acumulada em 4 trimestres e a poupança dessazonalizada estão crescendo desde o ano passado. Com um crescimento pronunciado entre o quarto trimestre de 2019 e o segundo de 2020. A seguir, deixamos claro a sazonalidade da poupança, que costuma cair no último trimestre do ano.

De posse dos dados, fica a cargo do leitor criar a melhor narrativa...

_____________

(*) Para ter acesso aos códigos completos do exercício, cadastre-se na nossa Lista VIP aqui.

(**) Inscrições abertas para as Turmas Especiais dos nossos Cursos de Macro Aplicada.

 

Efeito sísmico do coronavírus sobre a previsão do PIB

By | PIB

Economistas de mercado estão nesse momento com uma pergunta difícil de ser respondida: qual será o efeito do coronavírus sobre a economia brasileira? As medidas de distanciamento social necessárias para conter a pandemia no país paralisaram o nível de atividade, em particular o setor de serviços, fazendo com que desabe o crescimento do PIB nesse ano. O mais provável é que tenhamos uma recessão econômica. E aí vai a pergunta: de qual tamanho?

Para ilustrar o tamanho da incerteza, vamos pegar o desvio-padrão das projeções de crescimento do PIB da pesquisa Focus, diretamente do Sistema de Expectativas do Banco Central através do pacote rbcb.


library(rbcb)
library(ggplot2)
library(scales)
library(ggrepel)
library(png)
library(grid)
library(dplyr)
library(magrittr)

pibe = get_annual_market_expectations('PIB Total',
start_date = '2015-01-01')

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

filter(pibe, reference_year == 2020 & date > '2016-02-01') %>%
ggplot(aes(x=date))+
geom_line(aes(y=sd), size=.8)+
labs(title='Desvio-padrão das previsões para o crescimento do PIB em 2020',
caption='Fonte: analisemacro.com.br com dados do BCB.')+
xlab('')+ylab('')+
scale_x_date(breaks = date_breaks("2 months"),
labels = date_format("%b/%Y"))+
theme(axis.text.x=element_text(angle=45, hjust=1))+
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.position = c(.5,.4),
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=as.Date('2016-02-03'),
xmax=as.Date('2017-12-30'),
ymin=1, ymax=2)

A tarefa de verificar o impacto da pandemia sobre o nível de atividade é provavelmente o maior desafio da profissão nos últimos anos.

(*) Isso e muito mais você aprende em nossos Cursos Aplicados de R.

___________


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

Quero me inscrever
{"cart_token":"","hash":"","cart_data":""}