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

Medindo o Hiato do Produto do Brasil usando Python

Uma medida extremamente importante para a avaliação econômica de um país é o Hiato do Produto. Neste post, realizamos uma comparação das diferentes formas de estimação dessa variável não observável utilizando o Python como ferramenta de análise de dados.

Como analisar a contribuição para a Volatilidade de uma carteira de ações usando Python

A contribuição para a volatilidade fornece uma decomposição ponderada da contribuição de cada elemento do portfólio para o desvio padrão de todo o portfólio. Em termos formais, é definida pelo nome de contribuição marginal, que é basicamente a derivada parcial do desvio padrão do portfólio em relação aos pesos dos ativos. A interpretação da fórmula da contribuição marginal, entretanto, não é tão intuitiva, portanto, é necessário obter medidas que possibilitem analisar os componentes. Veremos portanto como calcular os componentes da contribuição e a porcentagem da contribuição. Vamos criar as respectivas medidas usando a linguagem de programação Python.

Analisando o impacto fiscal de propostas legislativas com IA

Todos os anos milhares de proposições legislativas são geradas na Câmara dos Deputados e Senado Federal, o que dificulta o trabalho de monitoramento feito por economistas, jornalistas e analistas de mercado. No entanto, ao empregar técnicas de engenharia de prompt e IA, podemos analisar estas milhares de proposições em questão de segundos. Neste exercício mostramos o caminho para esta automatização usando o 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.