Category

PIB

IBC-Br indica que o PIB deve ter crescido 0,5% no 3º tri

By | PIB

Na última quarta-feira, fiz um resumo das principais pesquisas de alta frequência relacionadas a nível de atividade - ver aqui. Ontem, por suposto, o Banco Central divulgou os resultados do seu índice de nível de atividade, o IBC-Br, que utiliza essas pesquisas de alta frequência para sua construção. A tabela abaixo resume as métricas do índice nos últimos três meses.

Variação do IBC-Br (%)
Mensal Trimestral Interanual Anual
Jul/19 0,00 1,00 1,61 1,11
Ago/19 0,22 1,05 -0,70 0,86
Set/19 0,44 0,91 2,11 0,99

Como se vê, houve crescimento de 0,91% na comparação trimestral, isto é, o 3º contra 2º trimestre. No acumulado em 12 meses, o índice converge para crescimento em torno de 1%.


Os dados do IBC-Br, contudo, devem ser vistos com cautela. Conforme exercício que fiz para o Clube do Código, o índice costuma superestimar os dados do PIB.  Em termos comparativos, o nível do IBC-Br no 3º trimestre indica um crescimento na margem próximo de 0,5% do PIB.

________________

(*) O IBC-Br conta com script automático no nosso Curso de Análise de Conjuntura usando o R.

Análise do Nível de Atividade no 3º trimestre

By | PIB

Hoje pela manhã, o IBGE divulgou o resultado de setembro da Pesquisa Mensal de Comércio (PMC), encerrando assim o ciclo de pesquisas de alta frequência do 3º trimestre. Com efeito, resumo nesse post os resultados da pesquisa industrial, comércio e serviços, utilizando os scripts automáticos disponíveis no nosso Curso de Análise de Conjuntura usando o R. A tabela abaixo, por suposto, resume os resultado do Comércio Restrito e do Ampliado.

Métricas da PMC-IBGE (%)
Mensal Trimestral Interanual 12 meses
Volume Restrito 0,7 0,6 2,1 1,5
Receita Restrito 0,7 0,6 3,6 5,1
Volume Ampliado 0,9 0,6 4,3 3,8
Receita Ampliado 0,7 0,3 5,6 6,7

As vendas do varejo, tanto em termos de volume quanto de receita, seguiram em recuperação no mês de setembro. A seguir, um gráfico com a variação acumulada em 12 meses.


Como se vê, as vendas do comércio ensejaram uma inversão no ano passado, por conta dos múltiplos choques exógenos sofridos pela economia brasileira. Em 2019, a despeito de algum comportamento vacilante, as vendas do comércio varejista mostram uma recuperação na margem. A seguir, resumo o comportamento dos Serviços.

Métricas da PMS-IBGE (%)
Mensal Trimestral Interanual 12 meses
Receita 1,0 0,8 4,9 4,1
Volume 1,2 0,6 1,5 0,7

Os serviços, por seu turno, surpreenderam positivamente em setembro, mostrando avanço de 1,2% no volume. Na comparação interanual os serviços têm alternado resultados positivos com negativos, como mostra o gráfico a seguir.

Como se vê, há muito ruído nessa métrica de comparação. Podemos tentar suavizar a variação dos números-índices da pesquisa com a variação trimestral.

Como se vê, há uma recuperação na margem nos serviços, mas ainda é cedo para dizer que a mesma se configura em uma tendência para os próximos meses. Por fim, ilustramos o comportamento da produção industrial abaixo.

Métricas da Indústria Geral (%)
Mensal Interanual Trimestral Anual
2019 Jul -0,2 -2,5 -0,3 -1,3
2019 Aug 1,2 -2,0 0,1 -1,6
2019 Sep 0,3 1,1 0,4 -1,3

Das três pesquisas, a produção industrial é a que enfrenta o pior cenário, com comportamento ainda negativo no acumulado em 12 meses. Mas na margem, avançou nos últimos dois meses.

Em termos gerais, o nível de atividade avançou positivamente no 3º trimestre, mas ainda é cedo para dizer que isso se configura em uma tendência para os próximos meses. É possível dizer, contudo, que retirados da sala os diversos choques que afetaram a economia brasileira e mantida a agenda de reformas, não há por que o nível de atividade não apresentar uma recuperação mais vigorosa nos próximos meses. Em outras palavras, as condições de recuperação estão dadas.

______________________

Análise da Produção Industrial com o R

By | PIB

Na última terça-feira, 03/09, o IBGE divulgou o resultado da Produção Industrial referente a julho. A indústria geral registrou queda de 0,3% em relação ao mês anterior e de 2,5% em relação ao mesmo mês de 2018. No acumulado em 12 meses a produção industrial registra queda de 1,3%. No nosso Curso de Análise de Conjuntura usando o R, a propósito, temos um script que faz uma apresentação automática da Produção Industrial. Ele começa carregando os seguintes pacotes.


library(ggplot2)
library(sidrar)
library(xtable)
library(forecast)
library(grid)
library(png)
library(gridExtra)

Uma vez carregados os pacotes que utilizaremos na apresentação, podemos importar os dados do SIDRA/IBGE com o pacote sidrar. O código abaixo implementa.


# Importação dos dados
table1 = get_sidra(api='/t/3653/n1/all/v/3134,3135/p/all/c544/all/d/v3134%201,v3135%201')
table2 = get_sidra(api='/t/3651/n1/all/v/3134,3135/p/all/c543/129278,129283,129300,129301,129305/d/v3134%201,v3135%201')

O código acima pega as tabelas 3651 e 3653 do SIDRA. A partir disso, nós tratamos os dados e geramos tabelas e gráficos de modo a compreender os resultados da pesquisa. Para ilustrar, abaixo colocamos o gráfico da indústria geral, sob diferentes métricas.

O script completo bem como videoaula detalhada está disponível para todos os alunos do Curso de Análise de Conjuntura usando o RAs inscrições para a Turma de Primavera estão abertas!

O Novo Normal da economia brasileira

By | PIB

Ontem, o IBGE divulgou o resultado das Contas Nacionais no 2º trimestre. O número na margem, de 0,4%, acabou surpreendendo positivamente o mercado, que esperava algo próximo a 0,2%. No nosso Curso de Análise de Conjuntura usando o R, a propósito, temos um script de R automatizado para coleta dos dados do PIB. O script começa carregando os seguintes pacotes.


## Pacotes

library(xtable)
library(ggplot2)
library(forecast)
library(reshape2)
library(xts)
library(scales)
library(sidrar)
library(mFilter)
library(scales)
library(readxl)

Uma vez carregados os pacotes, podemos utilizar o sidrar para pegar os dados das Contas Nacionais diretamente do SIDRA/IBGE, como no exemplo abaixo.


## Dados sem ajuste sazonal
tabela = get_sidra(api='/t/1620/n1/all/v/all/p/all/c11255/90687,90691,90696,90707,93404,93405,93406,93407,93408/d/v583%202')

series = c(90687,90691,90696,90707,93404,93405,93406,93407,93408)

names = c('Agro', 'Ind', 'Serv', 'PIB',
'Consumo', 'Governo', 'FBCF',
'Exportação', 'Importação')

pib <- matrix(NA, ncol=length(series),
nrow=nrow(tabela)/length(series))

for(i in 1:length(series)){

pib[,i] <- tabela$Valor[tabela$
`Setores e subsetores (Código)`
==series[i]]

pib <- ts(pib, start=c(1996,01), freq=4)

colnames(pib) <- names

}

O código acima pega os números índices encadeados e sem ajuste sazonal dos componentes do PIB pelo lado da oferta e pelo lado da demanda. Código semelhante pega os dados com ajuste sazonal. A partir desses números índices, nós podemos construir métricas de variação marginal, interanual e acumulada em quatro trimestres. A tabela abaixo resume essas métricas.

Variação dos Componentes do PIB (%)
Margem Trimestral Anual 2 anos
Agro -0,4 0,3 1,1 2,8
Ind 0,7 0,3 -0,1 0,9
Serv 0,3 1,2 1,2 2,7
PIB 0,4 1,0 1,0 2,4
Consumo 0,3 1,6 1,4 4,1
Governo -1,0 -0,7 -0,2 -0,3
FBCF 3,2 5,2 4,3 6,4
Exportação -1,6 1,8 4,3 9,1
Importação 1,0 4,7 5,4 12,8

A boa notícia, como pode ser visto na tabela, é o resultado da Formação Bruta de Capital Fixo (FBCF), que cresceu 3,2% na margem e 5,2% na comparação interanual. Quando se olha, porém, o nível da série da FBCF com ajuste sazonal pode-se ver a enorme distância do pico de 2013. Abaixo, os gráficos que resumem a série.

Outra boa notícia é que o Consumo cresce na margem desde o primeiro trimestre de 2017. A notícia não tão boa é que a taxa de crescimento acumulada em quatro trimestres da economia brasileira parece convergir para 1%, como pode ser visto nos gráficos a seguir.

Essa convergência reflete tanto problemas estruturais da economia brasileira, bem como choques conjunturais. Por um lado, é preciso recuperar o investimento e a produtividade com base na agenda de reformas. Por outro, a economia foi bastante machucada pelos eventos que ocorreram ao longo do ano passado, como a greve de caminhoneiros e os problemas na Argentina. O quadro geral da economia brasileira pode ser visto no gráfico a seguir.

O "Novo Normal" da economia brasileira é um crescimento próximo de 1% ao ano desde o quarto trimestre de 2017. Considerando um crescimento da população de 0,8%, a renda per capita ficou praticamente estagnada no período. Situação nada agradável para uma economia que possui 12,7 milhões de pessoas no desemprego. Romper com essa barreira vai exigir persistência na agenda de reformas, bem como redução da incerteza, como notado no post anterior.

Por fim, dado o crescimento de 0,4% no 2º trimestre , o carry-over ficou em 0,6%, isto é, se o PIB crescer 0% na margem nos próximos trimestres, o crescimento em 2019 fecha em 0,6% no acumulado do ano.

12ª semana de corte no crescimento esperado em 2019!

By | PIB

O boletim Focus, divulgado toda segunda-feira pelo Banco Central, trouxe o 12º corte no crescimento mediano esperado para o crescimento esse ano. Abaixo, usamos o pacote rbcb para coletar os dados diretamente do Banco Central. Em seguida, nós tratamos os mesmos, de modo a colocá-los em um data frame. Algo que ensinamos detalhadamente no nosso Curso de Análise de Conjuntura usando o R.


library(rbcb)
pibe = get_annual_market_expectations('PIB Total',
start_date = '2019-01-04')
pib_esperado = pibe$median[pibe$reference_year=='2019']
pib_esp_min = pibe$min[pibe$reference_year=='2019']
pib_esp_max = pibe$max[pibe$reference_year=='2019']
dates = pibe$date[pibe$reference_year=='2019']

data = data.frame(dates=dates, pib=pib_esperado,
min=pib_esp_min, max=pib_esp_max)

Produzimos um gráfico com o código abaixo.


library(ggplot2)
library(scales)
library(ggrepel)
library(png)
library(grid)
library(gridExtra)

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

ggplot(data=data, aes(x=dates, y=pib))+
geom_line(size=.8, colour='darkblue')+
labs(title='Crescimento Esperado para 2019',
subtitle='Boletim Focus: mediana das instituições',
caption='Fonte: analisemacro.com.br com dados do BCB.')+
xlab('')+ylab('% a.a.')+
scale_x_date(breaks = date_breaks("4 days"),
labels = date_format("%d/%b"))+
theme(axis.text.x=element_text(angle=45, hjust=1))+
geom_label_repel(label=round(data$pib,2),
color = c(rep('black',1), rep(NA,nrow(data)-1)),
fill = c(rep('#91b8bd',1),
rep(NA,nrow(data)-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 = 'bottom',
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('2019-01-03'),
xmax=as.Date('2019-01-31'),
ymin=1.5, ymax=2)

Abaixo, o gráfico...

Isso e muito mais você aprende em nosso Curso de Análise de Conjuntura usando o R.

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