Modelo de previsão para o preço da gasolina

A gasolina, ao lado da taxa de câmbio, figura entre as variáveis econômicas mais difíceis de prever. Ao mesmo tempo, o combustível é de extrema relevância para os brasileiros, representando cerca de 5% do orçamento familiar, além de ser um insumo para grande parte da cadeia produtiva da economia. Neste exercício apresentamos um primeiro modelo de previsão para o preço da gasolina.

Composição do preço

De acordo com a Petrobras, o preço da gasolina nacional é composto por, em R$/litro:

    \[\underbrace{Y}_\text{Preço na bomba} = \underbrace{R}_\text{Refinaria} + \underbrace{A}_\text{Etanol Anidro} + \underbrace{F}_\text{Imp. Federais} + \underbrace{E}_\text{Imp. Estaduais} + \underbrace{M}_\text{Margem}\]

O que significa que o preço da gasolina na bomba é uma soma entre o preço da gasolina na refinaria, o custo da mistura obrigatória de etanol anidro, o valor de impostos federais ad rem (CIDE, PIS/PASEP e COFINS), estaduais (ICMS) e o valor da margem de distribuição e revenda para os postos. O gráfico abaixo apresenta a evolução temporal destes componentes.

Para aprender mais e ter acesso a códigos confira o curso de Modelagem e Previsão usando Python ou comece do zero em análise de dados com a formação Do Zero à Análise de Dados com Python.

Outros fatores releventes, como o preço internacional do petróleo e a flutuação da taxa de câmbio, estão implícitos na fórmula acima. Em outras palavras, há muitas fontes de variação atuantes sobre o preço da gasolina (veja mais neste link), o que corrobora com a ideia do parágrafo inicial.

Política de paridade de preços

No que se refere ao preço na refinaria, até ano passado, o principal player neste mercado, a Petrobras, seguia a política de paridade de preços de importação. Isso significa que variações no preço internacional do petróleo podiam ser absorvidas, de forma que o preço doméstico acompanharia estas variações. Isso trouxe, em cerca medida, uma boa previsibilidade sobre o preço da gasolina.

Com o fim desta política, no entanto, a definição do preço da gasolina na refinaria, que varia por volta de 1/3 do preço na bomba, virou uma caixa preta (apesar do discurso de transparência do governo/Petrobras). O gráfico abaixo compara o preço da gasolina internacional cotado em reais e convertido em litros com o preço na refinaria (R$/litro), além do preço PPI:

Apesar do fim da PPI, percebe-se que a relação entre os preços ainda é forte (fica como exercício ao leitor verificar este ponto). Desta forma, neste exercício de previsão vamos modelar o preço da gasolina usando a sua composição dada pela fórmula acima, “instrumentalizando” o preço nas refinarias pela cotação internacional. Se esta hipótese para o comportamento futuro da série for válida (o que significa que a Petrobras não descole o seu preço do preço internacional), devemos ter um modelo minimamente aceitável de previsão.

Modelo

Inicialmente, vamos construir um modelo de previsão simples através de uma regressão linear, especificado pela fórmula acima. Ao checar a estacionariedade das séries temos que a maioria é I(1), portanto transformamos todas as séries com a variação absoluta. Com isso, temos os seguintes resultados de coeficientes estimados pelo modelo:

                            OLS Regression Results                            
==============================================================================
Dep. Variable:                Y_delta   R-squared:                       0.858
Model:                            OLS   Adj. R-squared:                  0.848
Method:                 Least Squares   F-statistic:                     80.06
Date:                Fri, 09 Feb 2024   Prob (F-statistic):           1.15e-26
Time:                        08:08:18   Log-Likelihood:                 67.603
No. Observations:                  72   AIC:                            -123.2
Df Residuals:                      66   BIC:                            -109.5
Df Model:                           5                                         
Covariance Type:            nonrobust                                         
==============================================================================
                 coef    std err          t      P>|t|      [0.025      0.975]
------------------------------------------------------------------------------
Intercept      0.0062      0.012      0.527      0.600      -0.017       0.029
R_delta        0.5220      0.062      8.486      0.000       0.399       0.645
A_delta        1.2679      0.198      6.400      0.000       0.872       1.663
F_delta        0.0555      0.149      0.372      0.711      -0.242       0.353
E_delta        1.6822      0.165     10.194      0.000       1.353       2.012
M_delta        0.8551      0.107      8.004      0.000       0.642       1.068
==============================================================================
Omnibus:                        2.049   Durbin-Watson:                   2.129
Prob(Omnibus):                  0.359   Jarque-Bera (JB):                1.337
Skew:                           0.214   Prob(JB):                        0.512
Kurtosis:                       3.512   Cond. No.                         18.4
==============================================================================

Notes:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.

Os resíduos do modelo parecem adequados, assim como os coeficientes estimados, com exceção da variação de Tributos Federais ( \Delta F ). Está série é problemática por conta de valores constantes e próximos ou iguais a zero. Há alternativas e soluções que poderiam ser abordadas, mas aqui seguiremos ignorando esta questão.

Cenários

Com vistas a utilizar este modelo para fins de previsão, assumimos o que se segue para as variáveis exógenas:

  • \Delta A = 0 (último valor observado constante para o futuro);
  • \Delta F = 0 (último valor observado constante para o futuro);
  • \Delta E = 0 (último valor observado constante para o futuro);
  • \Delta M = 0 (último valor observado constante para o futuro).

Para R, usando o preço internacional cotado em reais e convertido em litros, usamos os seguintes cenários:

  • WTI aumenta até US$ 100 e câmbio em R$ 6;
  • WIT último valor observado permance constante no futuro e câmbio em R$ 5;
  • WTI diminui até US$ 50 e câmbio em R$ 4.

Com base nestes cenários, temos a seguinte previsão 12 períodos a frente para o preço da gasolina na bomba (R$/litro):

Desta forma, o preço da gasolina na bomba no Brasil pode ir para R$ 6,50 ou R$ 5,00 por litro no ano de 2024, de acordo com este modelo simples. Note que não estamos considerando intervalos de confiança na análise.

Conclusão

Neste exercício exploramos os dados públicos sobre o preço da gasolina no Brasil, sua composição, evolução temporal, políticas associadas e, por fim, construímos um modelo simples de previsão. Com um modelo em mãos, o analista pode cenarizar o comportamento futuro da série da forma como preferir. Todos os procedimentos foram feitos usando a linguagem de programação 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.

Referências

BCB (2019). Mensuração de riscos para a inflação associados a preços de energia. Estudo Especial nº 61/2019.

BCB (2022). Repasse do preço do petróleo em reais para a inflação e mensuração de riscos. Relatório de Inflação 03/2022.

Felipe Camargo (2022). Projetando o preço da gasolina brasileira. https://flcamargo90.medium.com/projetando-o-pre%C3%A7o-da-gasolina-brasileira-e611fa8829ef

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como usar o Google AI Studio e o Gemini?

Na corrida da IA, novas ferramentas e modelos são lançados quase que diariamente. Neste artigo mostramos como o Google tem competido neste mercado através do AI Studio e do Gemini e damos um exemplo de integração em Python.

Analisando a ancoragem das expectativas de inflação no Python

Se expectativas de inflação ancoradas com a meta são importantes para a economia, analisar o grau de ancoragem é imperativo para economistas e analistas de mercado. Neste exercício mostramos uma forma de aplicar esta análise com uma metodologia desenvolvida pelo FMI. Desde a coleta dos dados, passando pelo modelo e pela visualização de dados, mostramos como analisar a política monetária 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.