El Niño e IPCA: mensurando impactos climáticos sobre a inflação de alimentos

Desde a metade do primeiro semestre de 2023 a temperatura das águas do Oceano Pacífico equatorial se elevaram, atingindo um ponto de anomalia em agosto (NOOA). Este fenômeno é conhecido como “El Niño” e tem impactos generalizados em diversas áreas do globo, podendo afetar a precipitação e temperatura, que são fatores chave para o plantio e colheita de diversas culturas.

Para mensurar os efeitos do El Niño sobre os preços da alimentação dos brasileiros, neste artigo estimamos um modelo de vetores autoregressivos de ordem p ou, simplesmente, VAR(p), baseado em BCB (2019):

Para mensurar os efeitos do El Niño sobre os preços da alimentação dos brasileiros, neste artigo estimamos um modelo de vetores autoregressivos de ordem p ou, simplesmente, VAR(p), baseado em BCB (2019):

    \[y_t = \sum_{i=1}^p A_p y_{t-p} + z_t + \varepsilon_t\]

onde:

- y_t = (\pi^{AD}, h_t, \pi_t^*, ONI_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

- z_t inclui uma constante e dummies sazonais

Utilizamos uma amostra de dados do quarto trimestre de 2003 ao terceiro trimestre de 2023. Outras informações e detalhes podem ser encontradas em BCB (2019). Os dados em frequência trimestral são expostos no gráfico abaixo:

Abaixo exibimos os resultados estatísticos do modelo VAR:

Series: oni_star, pi_star, hiato, pi_ad 
Model: VAR(3) w/ mean 

Coefficients for oni_star:
      lag(oni_star,1)  lag(pi_star,1)  lag(hiato,1)  lag(pi_ad,1)
               1.3077          0.0189       -0.1454       -0.0633
s.e.           0.1280          0.0141        0.2437        0.0522
      lag(oni_star,2)  lag(pi_star,2)  lag(hiato,2)  lag(pi_ad,2)
              -0.8657          0.0056       -0.0028        0.0216
s.e.           0.1845          0.0151        0.4201        0.0521
      lag(oni_star,3)  lag(pi_star,3)  lag(hiato,3)  lag(pi_ad,3)  constant
               0.2629          0.0008        0.1916       -0.0211   -0.1488
s.e.           0.1343          0.0148        0.2420        0.0497    0.2575
      season().year2  season().year3  season().year4
              0.3957          0.9270          0.6599
s.e.          0.3224          0.3201          0.3136

Coefficients for pi_star:
      lag(oni_star,1)  lag(pi_star,1)  lag(hiato,1)  lag(pi_ad,1)
               0.3929         -0.1429       -1.8525        0.7254
s.e.           1.1553          0.1269        2.1994        0.4710
      lag(oni_star,2)  lag(pi_star,2)  lag(hiato,2)  lag(pi_ad,2)
              -2.2887          0.1106        4.1782       -0.2966
s.e.           1.6649          0.1362        3.7911        0.4699
      lag(oni_star,3)  lag(pi_star,3)  lag(hiato,3)  lag(pi_ad,3)  constant
               1.1749          0.1617       -2.8212       -0.1620    0.5076
s.e.           1.2122          0.1340        2.1837        0.4481    2.3239
      season().year2  season().year3  season().year4
             -2.7310          1.7834          4.7214
s.e.          2.9092          2.8882          2.8295

Coefficients for hiato:
      lag(oni_star,1)  lag(pi_star,1)  lag(hiato,1)  lag(pi_ad,1)
              -0.1230          0.0065        1.7018        0.0027
s.e.           0.0627          0.0069        0.1193        0.0255
      lag(oni_star,2)  lag(pi_star,2)  lag(hiato,2)  lag(pi_ad,2)
               0.1914         -0.0104       -1.0377       -0.0286
s.e.           0.0903          0.0074        0.2056        0.0255
      lag(oni_star,3)  lag(pi_star,3)  lag(hiato,3)  lag(pi_ad,3)  constant
              -0.1709         -0.0038        0.2652        0.0531   -0.0397
s.e.           0.0658          0.0073        0.1184        0.0243    0.1261
      season().year2  season().year3  season().year4
             -0.0053          0.1549          0.0457
s.e.          0.1578          0.1567          0.1535

Coefficients for pi_ad:
      lag(oni_star,1)  lag(pi_star,1)  lag(hiato,1)  lag(pi_ad,1)
               0.0428          0.1015        0.6524        0.0423
s.e.           0.3108          0.0341        0.5917        0.1267
      lag(oni_star,2)  lag(pi_star,2)  lag(hiato,2)  lag(pi_ad,2)
               0.3378          0.0510       -1.3854       -0.0541
s.e.           0.4479          0.0367        1.0199        0.1264
      lag(oni_star,3)  lag(pi_star,3)  lag(hiato,3)  lag(pi_ad,3)  constant
              -0.1455          0.0303        0.8795        0.3049    1.1845
s.e.           0.3261          0.0360        0.5875        0.1206    0.6252
      season().year2  season().year3  season().year4
             -0.5070         -1.7955          0.3972
s.e.          0.7827          0.7770          0.7612

Residual covariance matrix:
         oni_star pi_star   hiato   pi_ad
oni_star   0.6806  1.1047 -0.0131 -0.0714
pi_star    1.1047 55.4166  0.0012  3.8450
hiato     -0.0131  0.0012  0.1630  0.0947
pi_ad     -0.0714  3.8450  0.0947  4.0110

log likelihood = -519.71
AIC = 1199.42   AICc = -2040.58 BIC = 1386.92  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 2015-2016, o fenômeno El Niño contribuiu consideravelmente para o aumento da inflação. No período da pandemia, de 2019 até 2021, a variável climática contribuiu para o aumento da inflação de forma menos expressiva. E mais recentemente, no terceiro trimestre de 2023, a variável climática começou a contribuir para o aumento da inflação novamente, porém em magnitude inferior em relação a períodos anteriores. 

Este artigo contribui marginalmente para a avaliação dos efeitos de impactos climáticos no desvio da trajetória de equilíbro da inflação de alimentos no Brasil no período atual.

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.

Conclusão

Será que o El Niño impacta o preço do feijão com arroz no prato dos brasileiros? Para responder esta pergunta estimamos um modelo VAR(p) utilizando dados do Oceanic Niño Index (ONI) e investigamos a decomposição histórica dos choques estruturais.

Referências

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

 

 

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.