Modelo de Previsão da Dívida Bruta do Governo Geral (DBGG) para 2025

Variáveis fiscais, como a dívida bruta, são de grande interesse para o próprio governo, mas também para investidores e consumidores. Suas trajetórias podem impactar decisões de investimento e mudar a dinâmica futura da economia. Ao mesmo tempo, estas variáveis são definidas de forma complexa e, muitas vezes, na "canetada", o que dificulta sua previsibilidade.

Neste exercício, contruímos um algoritmo simples de cenarização para a Dívida Bruta do Governo Geral (DBGG) em % do PIB, usando apenas dados públicos, simulações estatísticas, a literatura recente e a linguagem R. Em uma abordagem semi-automatizada, as simulações do modelo se aproximam das previsões do mercado para o ano de 2025.

Introdução

Nem sempre é útil aplicar modelos econométricos ou de machine learning para fazer previsões. Como exemplo, no exercício de hoje exploraremos uma equação proveniente dos livros-texto de macroeconomia que explica a dinâmica da dívida pública no país: a chamada equação de sustentabilidade da dívida pública.

    \[\Delta D = p + (r - \gamma) \times D\]

Onde:
\Delta D = variação da dívida bruta em p.p. do PIB;
p = resultado primário em % do PIB;
r = taxa real de juros em %;
\gamma = taxa de crescimento do PIB em %;
D = nível de endividamento bruto em % do PIB.

Essa equação pode nos ajudar a obter, por exemplo, o esforço necessário em termos de resultado primário para manter a dívida bruta estável ( \Delta D = 0 ). Porém, nosso interesse é projetar a DBGG para o ano seguinte.

Conforme a equação, diversas variáveis explicam a dívida bruta. Neste caso, podemos fazer previsões para a DBGG para o ano seguinte com base no que esperamos através de cenários para estas variáveis explicativas.

Por exemplo, atualmente a economia brasileira se encontra em um ciclo de aperto monetário, portanto esperamos que a taxa de juros continue subindo nos próximos meses. Sendo assim, podemos projetar a DBGG para diferentes cenários para os juros, além de também considerar a interação com as demais variáveis da equação.

Nesse contexto, uma prática comum é gerar distribuições que reflitam o nosso balanço de riscos (por exemplo, aperto monetário) para cada variável e então usar essas distribuições para gerar n cenários conjuntos para a variável final (DBGG).

Sendo assim, se quisermos usar essa equação para projetar a dívida bruta para o ano seguinte, precisamos de cenários para quatro variáveis: resultado primário, taxa de juros nominal (Selic), inflação (IPCA) e crescimento do PIB.

Dados

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.

Para simplificar, usaremos os dados do último relatório Focus/BCB para servir de base na criação dos cenários das variáveis.

Para o resultado primário, utilizaremos a última expectativa disponível (mediana). Já para as demais variáveis, utilizaremos dois parâmetros: a mediana e o desvio padrão da última expectativa disponível, que serão úteis para criar distribuições assimétricas com a ajuda do pacote sn (Skew-Normal distribution).

Estes parâmetros (diretos) serão transformados em parâmetros centrados que denotam a localização, escala e inclinação da distribuição assimétrica a ser gerada para cada variável. Verifique a documentação de sn::cp2dp para detalhes.

A inclinação será apontada com base na análise do último Relatório de Distribuições de Frequência (Expectativas de Mercado) do BCB, levando em conta o horizonte de interesse nesse exercício (2025), dando a assimetria à distribuição.

Para gerar os cenários a partir dos parâmetros centrados, rodaremos 50 ou 100 simulações (tamanho da amostra da distribuição) de cada variável usando a função sn::rsn e, então, utilizaremos todas as combinações possíveis desses cenários para construir a simulação da DBGG para o próximo ano, partindo do nível atual e das expectativas para o resultado primário.

O gráfico abaixo apresenta as simulações das variáveis "exógenas":

Por fim, combinamos os cenários gerados e usamos estes valores na equação de sustentabilidade da dívida pública para simular a variação da DBGG no próximo ano:

A simulação diz que em 2025 a DBGG deve variar cerca de 5,1 p.p, ou seja, deve encerrar o ano em 76,11% (ano anterior) + 5,1 p.p (projeção do ano corrente) = 81,21%. Esse valor é praticamente idêntico ao projetado pelo último relatório Focus.

Referências

Salto, F. S. (2018). "Dívida bruta: evolução e projeções". In: Senado Federal: Instituição Fiscal Independente, Estudo Especial n. 7.

Tenha acesso ao código e suporte desse e de mais 500 exercícios no Clube AM!

Quer o código desse e de mais de 500 exercícios de análise de dados com ideias validadas por nossos especialistas em problemas reais de análise de dados do seu dia a dia? Além de acesso a vídeos, materiais extras e todo o suporte necessário para você reproduzir esses exercícios? Então, fale com a gente no Whatsapp e veja como fazer parte do Clube AM, clicando aqui.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Criando operações SQL com IA Generativa no R com querychat

No universo da análise de dados, a velocidade para obter respostas é um diferencial competitivo. Frequentemente, uma simples pergunta de negócio — “Qual foi nosso produto mais vendido no último trimestre na região Nordeste?” — inicia um processo que envolve abrir o RStudio, escrever código dplyr ou SQL, executar e, finalmente, obter a resposta. E se pudéssemos simplesmente perguntar isso aos nossos dados em português, diretamente no nosso dashboard Shiny?

Dashboard Financeiro com IA e Shiny Python: Análise de Dados Abertos da CVM

Este artigo apresenta um tutorial completo sobre como construir uma ferramenta de análise financeira de ponta. Utilizando Shiny for Python, demonstramos a automação da coleta de dados das Demonstrações Financeiras Padronizadas (DFP) da CVM e o tratamento dessas informações com Pandas. O ponto alto do projeto é a integração da IA Generativa do Google Gemini, que atua como um assistente de análise, interpretando os dados filtrados pelo usuário e fornecendo insights contábeis e financeiros em tempo real. O resultado é um dashboard dinâmico que democratiza a análise de dados complexos e acelera a tomada de decisão.

Econometria, ML ou IA para previsão da PMS?

Prever a Pesquisa Mensal de Serviços (PMS/IBGE) é um desafio por natureza: trata-se de uma série mensal, sujeita a volatilidade e choques que vão de fatores sazonais a mudanças estruturais no setor. Para enfrentar esse problema, realizamos um exercício de comparação entre três abordagens de modelagem: econometria tradicional (ARIMA), machine learning (XGBoost) e inteligência artificial (TimeGPT).

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

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.