Um modelo explicativo para a inflação de alimentos

É notável, a cada ida ao supermercado, que os preços de produtos alimentícios subiram consideravelmente nos últimos anos. Em termos acumulados, de 2010 até atualmente, a inflação de alimentos foi de 211%, enquanto que a inflação de toda a cesta de produtos e serviços foi de 138%, uma diferença de ~4.9% por ano.

Essa diferença também se evidencia quando comparamos a inflação efetiva com a meta de inflação. Em termos anuais, considerando o mesmo período, a inflação de alimentos ficou fora do intervalo de tolerância da meta em 13 anos, enquanto que a inflação cheia ficou fora do intervalo em 5 anos, como mostra o gráfico abaixo.

O que explica esta diferença gritante? Como explicar a inflação de alimentos?

Alguns fatores têm sido levantados como determinantes para a dinâmica da inflação de alimentos no Brasil e no mundo, além da sazonalidade e inércia de preços. O Banco Central, por exemplo, destaca a influência de eventos climáticos em seu Estudo Especial nº 57/19. Fatores como a desvalorização cambial incentivam a exportação de alimentos, trazendo uma contribuição altista para o índice.

O gráfico abaixo apresenta os dados da inflação de alimentação no domicílio e do ONI:

Para explicar a dinâmica de preços da alimentação em domicílio dos brasileiros, neste artigo estimamos um modelo de vetores autoregressivos de ordem p ou, simplesmente, VAR(p), baseado em BCB (2019):

onde:

  • y_t = (\pi^{AD}, h_t, \pi_t^*, ONI_t^*, \Delta e_t)
  • \pi^{AD} é a taxa de inflação medida pelo IPCA, subgrupo alimentação no domicílio
  • h_t é o hiato do produto medido pela função de produção
  • \pi_t^* é a inflação externa, medida pelo Índice de Commodities - Brasil agropecuário
  • ONI_t^* é o Oceanic Niño Index (ONI), transformado como (ONI_t + 0,5)^2
  • \Delta e_t é a variação da taxa de câmbio nominal em R$/US$
  • z_t inclui uma constante e dummies sazonais

Utilizamos uma amostra de dados do segundo trimestre de 2003 ao quarto trimestre de 2024. Outras informações e detalhes podem ser encontradas em BCB (2019).

O gráfico abaixo sintetiza as contribuições dos fatores para a variável de interesse, a inflação de alimentos, sob a ótica da decomposição histórica dos choques estruturais do modelo VAR. No período de 2015-16, o fenômeno El Niño contribuiu consideravelmente para o aumento da inflação, assim como mais recentemente entre 2023-24. A inflação externa, medida pelo Índice de Commodities - Brasil agropecuário, também tem se demonstrado relevante no período considerado, apesar de inércia e sazonalidades dominarem os efeitos.

Uma vez identificado a importância das variáveis para a inflação de alimentos, produzimos uma previsão 12 períodos a frente. O gráfico abaixo apresenta as previsões para o período e variáveis do modelo:

Este artigo contribui marginalmente para a avaliação dos fatores relevantes para a inflação de alimentos no Brasil no período atual.

Conclusão

É notável que os preços de produtos alimentícios subiram consideravelmente nos últimos anos. De 2010 para cá a inflação de alimentos foi de 211%, enquanto que a inflação cheia foi de 138%, uma diferença de ~4.9% por ano. Aquela estourou o intervalo da meta de inflação em 13 anos, enquanto esta estourou 5 anos. O que explica esta diferença gritante?

Referências

BANCO CENTRAL DO BRASIL (2019). Impactos do clima na inflação de alimentos. Estudo Especial nº 57/2019.

Quer aprender mais?

Conheça nossa Formação Do Zero à Análise de Dados Econômicos e Financeiros usando a Linguagem R . Aprenda do ZERO a coletar, tratar, construir modelos e apresentar dados econômicos e financeiros usando a Linguagem R.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como incorporar choques em cenários de previsão?

Neste exercício mostramos como incorar choques no cenário de variáveis exógenas para fins de previsão. Usando como exemplo a previsão do IPCA, através de um modelo de machine learning, mostramos os cuidados a serem tomados e uma forma simples de definir o cenário com os choques. Ao final, apresentamos uma previsão com um suposto choque e uma previsão sem o choque para comparação.

Como preparar os dados para um modelo preditivo?

Modelos de previsão macroeconômica podem facilmente alcançar um número elevado de variáveis. Mesmo modelos simplificados, como o Modelo de Pequeno Porte (MPP) do Banco Central, usam cerca de 30 variáveis. Isso impõe um grande desafio ao nosso dia a dia: como fazer a gestão destes dados para uso em modelos, desde a coleta até o tratamento?

Transfer Learning para Previsão de Séries Temporais com o Python

A aprendizagem por transferência (ou transfer learning) é a técnica de reutilizar um modelo previamente treinado em um novo problema. Esse conceito representa um grande avanço para a previsão de variáveis, especialmente aquelas organizadas ao longo do tempo, como séries temporais. Neste post, exploramos como usar transfer learning com Python para trabalhar com esse tipo de dado.

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.