Category

PIB

Levando a Produção Industrial para o R

By | PIB

Está disponível ao clicar na imagem ao lado uma apresentação completa dos dados da Produção Industrial (PIM-PF) referente ao mês de novembro de 2017 (último dado disponível). O script da apresentação, disponível para os membros do Clube do Código, automatiza completamente a coleta, tratamento, análise e apresentação dos dados da pesquisa. A partir de fevereiro de 2018, o script contemplará ainda um modelo de previsão da produção industrial.

Levando o PIB para o R com o pacote SidraR

By | PIB

Recentemente, publiquei no Blog da Análise Macro um post que fazia referência ao pacote SidraR, que visa facilitar a vida de quem trabalha com os dados do SIDRA/IBGE. O pacote permite baixar dados do SIDRA diretamente para o R. Alguns alunos dos Cursos de R da Análise Macro e mesmo membros do nosso Clube do Código me enviaram dúvidas nas últimas semanas sobre como manipular os dados obtidos a partir do pacote. Isso porque, como mostra a figura abaixo, os dados obtidos não formam um data frame tradicional, com as colunas sendo variáveis e as linhas observações. Com efeito, é preciso fazer um tratamento dos dados obtidos. É o que fazemos na edição 38 do Clube do Código, uma vez que os dados do SIDRA/IBGE são bastante importantes para profissionais de diferentes áreas. Nesse post, mostramos alguns pontos do exercício.

Com o código abaixo, nós importamos os componentes do PIB pelo lado da oferta e pelo lado da demanda, para os índices encadeados e para os ajustados sazonalmente.


## Importação dos dados do PIB
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')
tabela_sa = get_sidra(api='/t/1621/n1/all/v/all/p/all/c11255/90687,90691,90696,90707,93404,93405,93406,93407,93408/d/v584%202')

Uma vez importados, os dados se parecerão com a figura acima. O código abaixo, então, faz a extração de cada uma das variáveis contidas no data frame, com base na coluna Setores e subsetores (Código), utilizando para isso um loop com a função for. Para que isso seja possível, claro, precisamos definir um vetor contendo os códigos das séries, além de precisarmos criar uma matriz que irá armazenar os dados extraídos. Ademais, criamos um vetor para nomear as séries obtidas.


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
}

Ao rodar o código acima, teremos os dados organizados conforme a figura abaixo. Isto é, teremos as colunas representando os componentes do PIB (e uma delas, o próprio PIB) e as linhas representando as observações trimestrais - lembrando que também transformamos os nossos dados em séries temporais. Dessa forma, poderemos trabalhar com os nossos dados da forma que já estamos acostumados.

Os dados dos componentes do PIB e do próprio PIB em nível não dizem muita coisa para nós. Assim, é preciso criar algumas métricas de crescimento, isto é, a que taxa as nossas séries estão crescendo ou decrescendo. É o que fazemos no restante do exercício do Clube de modo a obter gráficos como os da figura abaixo.

E então, gostou do exercício? Você pode aprender mais fazendo um dos nossos Cursos Aplicados de R e se associando ao Clube do Código.

Vítor Wilher

Data Scientist

Vítor Wilher é Bacharel e Mestre em Economia, pela Universidade Federal Fluminense, tendo se especializado na construção de modelos macroeconométricos, política monetária e análise da conjuntura macroeconômica doméstica e internacional. Tem, ademais, especialização em Data Science pela Johns Hopkins University. Sua dissertação de mestrado foi na área de política monetária, titulada "Clareza da Comunicação do Banco Central e Expectativas de Inflação: evidências para o Brasil", defendida perante banca composta pelos professores Gustavo H. B. Franco (PUC-RJ), Gabriel Montes Caldas (UFF), Carlos Enrique Guanziroli (UFF) e Luciano Vereda Oliveira (UFF). Já trabalhou em grandes empresas, nas áreas de telecomunicações, energia elétrica, consultoria financeira e consultoria macroeconômica. É o criador da Análise Macro, startup especializada em treinamento e consultoria em linguagens de programação voltadas para data analysis, sócio da MacroLab Consultoria, empresa especializada em cenários e previsões e fundador do hoje extinto Grupo de Estudos sobre Conjuntura Econômica (GECE-UFF). É também Visiting Professor da Universidade Veiga de Almeida, onde dá aulas nos cursos de MBA da instituição, Conselheiro do Instituto Millenium e um dos grandes entusiastas do uso do no ensino. Leia os posts de Vítor Wilher aquiCaso queira, mande um e-mail para ele: vitorwilher@analisemacro.com.br

Resultado do PIB: recuperação será lenta e gradual

By | PIB

Hoje saiu o resultado das Contas Nacionais referente ao segundo trimestre. E há motivos para comemorar. Após 12 trimestres de variação interanual negativa (contra o mesmo trimestre do ano anterior), o PIB registrou 0,3% de alta. Outro ponto positivo foi o crescimento do consumo das famílias, seja na margem, seja na comparação interanual. A apresentação abaixo resume o resultado.

Por que estamos demorando tanto para sair da recessão?

By | PIB

Aos poucos e muita lentamente os dados começam a mostrar uma saída da pior recessão da nossa História. O Índice de Atividade Econômica do Banco Central (IBC-Br), divulgado ontem, é um dos indicadores coincidentes que vão nessa direção. Ao incorporar as revisões feitas pelo IBGE nas pesquisa de Comércio e Serviços, o índice mostrou avanço de 1,31% na passagem de janeiro para fevereiro. Na comparação dos três meses terminados em fevereiro com os três meses imediatamente anteriores, houve avanço de 0,76%. A tabela abaixo resume as métricas de crescimento do índice.

Variação do IBC-Br (%)
Mensal Trimestral Interanual 12 meses
Dez/16 -0,09 -0,33 -2,33 -4,55
Jan/17 0,62 0,13 0,51 -3,88
Fev/17 1,31 0,76 -0,73 -3,56
Os dados positivos na margem se somam a uma tendência de melhora nas métricas de crescimento ao longo dos últimos meses, como pode ser visto nos gráficos abaixo.

É difícil mover um transatlântico...

 

Lentamente, vamos aos poucos saindo da recessão. Por que a demora, pode perguntar algum leitor. Bom, a resposta é simples. O PIB é como um transatlântico, que uma vez levado para determinado lado, é difícil mudar a direção. Para ilustrar, mostro aqui um exercício feito no Clube do Código. Considere, para isso, como posto em Licha (2015), que o PIB efetivo possa ser decomposto em duas partes, a saber:

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

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{equation*}Y_{t} = A_{t} K_{t}^{\alpha_{t}} L_{t}^{1-\alpha_{t}}\end{equation*}

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}. O hiato do produto representa assim o que os economistas gostam de chamar de ciclo econômico ou, em outros termos, o ajuste entre o PIB efetivo e o seu potencial. A dinâmica desse ciclo é determinada em grande medida pela rigidez de preços. Fossem os preços totalmente flexíveis, o ajuste seria imediato, implicando que h_{t} seria zero. Nesses termos, para entendermos o tempo desse ajuste, podemos verificar o grau de persistência de um determinado choque sobre o PIB por meio do hiato do produto. Para tanto, como exposto em Licha (2015), vamos considerar que possamos modelar o hiato como um processo autoregressivo de ordem 1, como abaixo:

(3)   \begin{equation*}h_{t} = \alpha h_{t-1} + \epsilon_{t}\end{equation*}

Onde \alpha é um parâmetro entre 0 e 1 e \epsilon_{t} é supostamente um ruído branco. Fazendo uma iteração de (3), temos que:

    \[ h_{t} = \alpha (\alpha h_{t-2} + \epsilon_{t-1}) + \epsilon_{t} \]

(4)   \begin{equation*} h_{t} = \epsilon_{t} + \alpha \epsilon_{t-1} + \alpha^{2} \epsilon_{t-2} + \alpha^{3} \epsilon_{t-3} + ... \end{equation*}

Nesses termos, a dinâmica do produto será determinada pelo parâmetro \alpha, na medida em que ele explica o grau de persistência de um determinado choque. Em outras palavras, se os choques afetam o PIB somente em um período, não há persistência, de modo que \alpha é igual a zero. O hiato do produto é assim um ruído branco, ou h_{t} = \epsilon_{t}. Considerando que Y^P_{t} possa ser representado por uma tendência determinística e linear, o PIB fica reescrito como

(5)   \begin{equation*} Y_{t} = \mu + \beta T + \epsilon_{t} \end{equation*}

Se esse for o caso, o processo é descrito como tendência-estacionário. Por outro lado, se \alpha \neq 0, há persistência dos choques, de modo que seus efeitos duram mais do que um período. Considere o caso extremo, em que \alpha = 1. Nesse caso, substituindo em (4), temos que:

(6)   \begin{equation*} h_{t} = \sum_{k=0}^{\infty} \epsilon_{t-k} \end{equation*}

Ou seja, os choques são totalmente incorporados ao produto. Adicione agora Y^P_{t}, considerando este uma tendência determinística e linear, como em (5). Nesse caso, temos que:

(7)   \begin{equation*} Y_{t} = \mu + \beta T + \sum_{k=0}^{\infty} \epsilon_{t-k} \end{equation*}

Nesse caso, além dos choques não se dissiparem, a tendência ainda se torna estocástica. Por fim, vamos substituir Y_{t-1} = \mu + \beta (T-1) + \epsilon_{t-1} + \epsilon_{t-2}... de (7), de modo que obtemos:

(8)   \begin{equation*} Y_{t} = \beta + Y_{t-1} + \epsilon_{t} \end{equation*}

Ou seja, temos um processo autoregressivo de ordem (1), com raiz unitária e drift. No exercício do Clube do Código, ademais, verificamos a partir de um teste de raiz unitária se, de fato, é esse o caso.

Em assim sendo, leitor, uma vez que o PIB tenha sido atingido por um choque capaz de reduzir o investimento em 25%, a reversão desse processo será, naturalmente, demorado. Certo? 🙂

_______________________________________________

Licha, A. L. Teoria da Política Monetária - Uma Abordagem de Nível Intermediário. Editora Alta Books, 2015.

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