Análise de Elasticidade Preço com Python

“Se eu aumentar o preço, o que vai acontecer com as vendas?” é um tipo de pergunta que pode estar sempre presente na cabeça de empresários e profissionais que trabalham em áreas de precificação, otimização de receita e data analytics. Felizmente, existem ferramentas de análise de dados simples que nos permitem chegar em respostas interpretáveis!

Uma forma de responder este tipo de pergunta é através de ferramentas analíticas de microeconomia, como a análise de elasticidade. Neste artigo, mostramos um exemplo prático utilizando dados reais com o Python.

Aprenda a coletar, processar e analisar dados na formação de Do Zero à Análise de Dados Econômicos e Financeiros com Python.

O que é elasticidade?

A elasticidade é um conceito econômico que permite medir a resposta em uma variável (ex: demanda) dada uma variação em outra variável (ex: preço). Dessa forma, a elasticidade fornece uma compreensão facilitada sobre a mudança de comportamento de uma variável (ex: consumidores) conforme a mudança de outra variável (ex: vendedores).

O que é elasticidade-preço da demanda?

A elasticidade-preço da demanda (EPD) mensura a sensibilidade da demanda por um produto/serviço dado variações no preço. Dessa forma, a EPD mede a variação percentual na quantidade demandada em resposta a variação percentual no preço, mantendo todos outros fatores relevantes inalterados. (ex: renda).

Como calcular a elasticidade-preço da demanda?

A EPD pode ser calculada utilizando a seguinte fórmula matemática:

Dessa forma, a EPD é calculada ao dividir a variação percentual da quantidade demandada pela variação percentual do preço.

Como interpretar a elasticidade-preço da demanda?

Existem três principais interpretações para o valor absoluto da EPD:

Valor Tipo Interpretação
|EPD| > 1 Demanda elástica (muito sensível) Variação de Q é maior que variação de P
|EPD| = 1 Demanda unitária Variação de Q é igual a variação de P
|EPD| < 1 Demanda inelástica (pouco sensível) Variação de Q é menor que variação de P

Exemplo prático com dados no Python

Para exemplificar uma análise de elasticidade-preço da demanda, vamos utilizar um conjunto de dados com preços e quantidades de abacate da Hass Avocado Board para a economia dos Estados Unidos.

Para obter o código e o tutorial deste exercício faça parte do Clube AM e receba toda semana os códigos em R/Python, vídeos, tutoriais e suporte completo para dúvidas.

Coleta de dados

Primeiro coletamos os dados disponibilizados publicamente no link: https://drive.google.com/uc?export=download&id=1c2l9-QTHdRe9poyGOlW1yIrU63YiUU6s

Unnamed: 0 Date AveragePrice Total Volume 4046 4225 4770 Total Bags Small Bags Large Bags XLarge Bags type year region
0 0 2015-12-27 1.33 64236.62 1036.74 54454.85 48.16 8696.87 8603.62 93.25 0.0 conventional 2015 Albany
1 1 2015-12-20 1.35 54876.98 674.28 44638.81 58.33 9505.56 9408.07 97.49 0.0 conventional 2015 Albany
2 2 2015-12-13 0.93 118220.22 794.70 109149.67 130.50 8145.35 8042.21 103.14 0.0 conventional 2015 Albany
3 3 2015-12-06 1.08 78992.15 1132.00 71976.41 72.58 5811.16 5677.40 133.76 0.0 conventional 2015 Albany
4 4 2015-11-29 1.28 51039.60 941.48 43838.39 75.78 6183.95 5986.26 197.69 0.0 conventional 2015 Albany

Análise exploratória

Em seguida, produzimos uma pequena análise exploratória para observar o formato da curva de demanda do abacate por tipo nos Estados Unidos:

Elasticidade-Preço da Demanda

Em seguida, calculamos a EPD por região geográfica e por tipo de abacate ao longo do tempo:

Date region type AveragePrice Total Volume delta_p delta_q elasticidade elasticidade_mod
0 2015-12-27 Albany conventional 1.33 64236.62 NaN NaN NaN NaN
1 2015-12-20 Albany conventional 1.35 54876.98 1.503759 -14.570567 -9.689427 9.689427
2 2015-12-13 Albany conventional 0.93 118220.22 -31.111111 115.427708 -3.710176 3.710176
3 2015-12-06 Albany conventional 1.08 78992.15 16.129032 -33.182200 -2.057296 2.057296
4 2015-11-29 Albany conventional 1.28 51039.60 18.518519 -35.386491 -1.910871 1.910871
... ... ... ... ... ... ... ... ... ...
18244 2018-02-04 WestTexNewMexico organic 1.63 17074.83 3.821656 6.810011 1.781953 1.781953
18245 2018-01-28 WestTexNewMexico organic 1.71 13888.04 4.907975 -18.663670 -3.802723 3.802723
18246 2018-01-21 WestTexNewMexico organic 1.87 13766.76 9.356725 -0.873269 -0.093331 0.093331
18247 2018-01-14 WestTexNewMexico organic 1.93 16205.22 3.208556 17.712664 5.520447 5.520447
18248 2018-01-07 WestTexNewMexico organic 1.62 17489.58 -16.062176 7.925594 -0.493432 0.493432

18249 rows × 9 columns

Visualização de dados

Por fim, geramos uma visualização de dados da EPD para o abacate convencional na região “USTotal”:

Nota: esta estimativa de elasticidade-preço da demanda pode conter algum grau de viés se o preço e a quantidade do produto forem de equilíbrio de mercado (oferta = demanda). No entanto, na dificuldade de acesso a dados de demanda, costuma-se utilizar os dados disponíveis ou adotar técnicas de estimação que consideram endogeneidade (TSLS).

Conclusão

“Se eu aumentar o preço, o que vai acontecer com as vendas?” Uma forma de responder este tipo de pergunta é através de ferramentas analíticas de microeconomia, como a análise de elasticidade. Neste artigo, mostramos um exemplo prático utilizando dados reais com o Python.

Quer aprender mais?

Clique aqui para fazer seu cadastro no Boletim AM e baixar o código que produziu este exercício, além de receber novos exercícios com exemplos reais de análise de dados envolvendo as áreas de Data Science, Econometria, Machine Learning, Macroeconomia Aplicada, Finanças Quantitativas e Políticas Públicas diretamente em seu e-mail.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise de Sentimento de Mercado com IA usando Python

Ler notícias diárias sobre empresas e ações listadas na bolsa pode ser maçante e cansativo. Mas, e se houvesse uma maneira de simplificar todo esse processo? Mostraremos como a IA generativa pode ajudar a captar o sentimento de notícias sobre companhias, automatizando todo o processo com Python e Gemini.

Analisando o mercado acionário brasileiro com aprendizado não supervisionado no Python

Como identificar os fatores significativos que influenciam a variabilidade nos retornos de ações individuais? Como comparar esses fatores ao selecionar empresas de setores distintos? Neste artigo, aplicamos a Análise de Componentes Principais para examinar ações que compõem o índice bovespa, com o objetivo de identificar os fatores estatísticos relevantes. Usamos o Python como ferramenta para aplicar a análise.

Analisando Ações do Mercado Acionário Brasileiro usando IA

Um analista de ações possui total conhecimento de como explorar dados financeiros, mas nem sempre há disposição para relembrar códigos de análises já bem conhecidas. Se temos os dados, porque não pedir para a IA criar o resultado do que temos em mente? Neste exercício, mostramos o poder da IA Generativa para criar análises de ações usando Python.

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.