Analisando a despesa com energia elétrica por faixa de renda

Como já mencionado no comentário de conjuntura desta semana, a crise hídrica tem levado a um aumento do risco de desabastecimento energético no país. Os efeitos econômicos disso podem ser bastante graves, dado que o aumento da tarifa pode fortalecer a alta da inflação. Já uma piora do cenário poderia levar a um racionamento, como em 2001, impactando diretamente na recuperação econômica atual.

Além disso, um impacto menos comentado do aumento do preço da energia é o efeito distributivo.  O gasto com energia ocupa muito mais espaço no orçamento das pessoas com renda mais baixa. Assim, aumentos tendem a ser mais danosos a essa parte da população. Podemos ver isso utilizando os dados da Pesquisa de Orçamentos Familiares (POF-17/18) do IBGE.

Para extrair os dados, utilizaremos o pacote {sidrar}. Além do gasto com energia, também selecionamos alguns outros tipos de despesa, para comparação.


library(tidyverse)
library(sidrar)

pof = get_sidra(6715, 
period = "all", 
variable = 1204, 
classific = c("C12190","C339"), 
category = list(c(8018,103561,103574,
103585,103618, 103539), 
c(47558, 47559,47560,
47561,47562,47563,
47564))) %>%
mutate(`Tipos de despesa` = gsub("[[:punct:]]|[[:digit:]]", "", `Tipos de despesa`)) %>%
rename("classes" = `Classes de rendimento total e variação patrimonial mensal familiar`)

Assim, podemos construir o gráfico com a porcentagem de gastos com eletricidade pelo total de despesas.

 


ggplot(subset(pof, pof$`Tipos de despesa` == "Energia elétrica"),
mapping = aes(x = factor(classes,
levels=c("Até 1.908 Reais", 
"Mais de 1.908 a 2.862 Reais", 
"Mais de 2.862 a 5.724 Reais", 
"Mais de 5.724 a 9.540 Reais", 
"Mais de 9.540 a 14.310 Reais", 
"Mais de 14.310 a 23.850 Reais",
"Mais de 23.850 Reais")),
y = Valor,
fill = factor(classes,
levels=c("Até 1.908 Reais", 
"Mais de 1.908 a 2.862 Reais", 
"Mais de 2.862 a 5.724 Reais", 
"Mais de 5.724 a 9.540 Reais", 
"Mais de 9.540 a 14.310 Reais", 
"Mais de 14.310 a 23.850 Reais",
"Mais de 23.850 Reais")))) + 
geom_bar(stat='identity',
position="dodge") +
labs(fill="Faixa de renda") +
theme_minimal() +
scale_fill_brewer(palette = "RdBu") +
ylab("Porcentagem da despesa total") +
geom_text(aes(x = classes, label=Valor), vjust=-0.5, color="black", size=5) +
ggtitle("Despesa com eletricidade por faixa de renda") +
theme(axis.title.x=element_blank(),
axis.text.x=element_blank(),
axis.ticks.x=element_blank())

Portanto, para famílias com renda de até 1.908 reais, o gasto com energia elétrica corresponde a 4.4% da despesa total. Já para famílias com mais de 23.850 reais de renda, esse valor corresponde a apenas 0.9%.

Além disso, iremos plotar o mesmo gráfico com os seguintes tipos de despesa: Alimentação, Saúde, Aumento do ativo (investimentos), Educação e Transporte.


ggplot(subset(pof, pof$`Tipos de despesa` != "Energia elétrica"),
mapping = aes(x = `Tipos de despesa`,
y = Valor,
fill = factor(classes,
levels=c("Até 1.908 Reais", 
"Mais de 1.908 a 2.862 Reais", 
"Mais de 2.862 a 5.724 Reais", 
"Mais de 5.724 a 9.540 Reais", 
"Mais de 9.540 a 14.310 Reais", 
"Mais de 14.310 a 23.850 Reais",
"Mais de 23.850 Reais")))) + 
geom_bar(stat='identity',
position="dodge") +
labs(fill="Faixa de renda") +
theme_minimal() +
scale_fill_brewer(palette = "RdBu") +
ylab("Porcentagem da despesa total") +
ggtitle("Despesa com outras categorias por faixa de renda")

Este gráfico mostra que o mesmo padrão ocorre para os gastos com alimentação. Entretanto, como o esperado, investimentos, educação e transporte apresentam a relação inversa.

 

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

O que é um Vector Database e como criar um com LangChain

Nesta postagem, mostramos como construir um pipeline simples de RAG (Retrieval-Augmented Generation) usando o LangChain, o modelo Gemini 2.0 Flash e o Vector Database Chroma. Utilizamos como exemplo o Relatório de Inflação de junho de 2025 do Banco Central do Brasil. O fluxo envolve o download e leitura do PDF, divisão do texto com RecursiveCharacterTextSplitter, geração de embeddings com Gemini, armazenamento vetorial com Chroma e busca semântica para responder perguntas com base no conteúdo do relatório. É uma aplicação prática e didática para economistas que desejam integrar IA ao seu fluxo de análise.

Automatizando a Construção de Códigos em Python com LangGraph

Neste post, mostramos como construir um agente de código em Python utilizando LangGraph, LangChain e Gemini. A proposta é construir um protótipo para automatizar o ciclo completo de geração, execução e correção de código com o uso de LLMs, organizando o processo em um grafo de estados.

Análise de Dados com REPL Tool e LLM usando LangGraph

Neste post, vamos mostrar como você pode criar um agente que interpreta e executa código Python em tempo real, utilizando o REPL-Tool e um LLM da família Gemini. Começamos com um exemplo genérico e, em seguida, aplicamos a mesma estrutura à análise econômica de uma série histórica do IPCA.

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.