Análise do PIB no 2º Trimestre com o R

O IBGE divulgou hoje de manhã o resultado das Contas Nacionais Trimestrais no 2º trimestre. Os dados vieram em linha com o esperado pelas projeções, a despeito de uma maior incerteza, diga-se. O PIB teve variação de -9,69% na comparação com o 1º trimestre de 2020 e de -11,43% na comparação com o mesmo trimestre do ano anterior. A análise do PIB, diga-se, conta com script automático que é ensinado no nosso Curso de Análise de Conjuntura usando o R. A seguir, um resumo dos dados.

PIB: números-índices e variações
Trimestre PIB_SA Variação Marginal PIB Variação Interanual Variação Anual
2019 Q1 168.82 0.56 165.81 0.59 1.10
2019 Q2 169.59 0.46 168.70 1.08 1.11
2019 Q3 169.69 0.06 172.89 1.19 1.02
2019 Q4 170.60 0.54 171.17 1.67 1.14
2020 Q1 166.41 -2.46 165.39 -0.25 0.93
2020 Q2 150.28 -9.69 149.41 -11.43 -2.21

Os dados são coletados diretamente do SIDRA/IBGE a partir do uso do pacote sidrar, de forma que é possível integrar no mesmo ambiente as etapas de coleta, tratamento e apresentação dos dados. Como é possível ver na tabela acima, houve uma queda de 2,21% no acumulado em 4 trimestres. A seguir, damos um zoom sobre a variação marginal, na abertura por componentes do PIB, tanto do lado da oferta quando do lado da demanda.

PIB e seus componentes: Variação na margem
Trimestre Agropecuária Indústria Serviços PIB C FBCF G X M
2019 Q1 -1.01 0.08 0.93 0.56 0.76 -0.98 0.59 -3.60 -2.12
2019 Q2 1.13 0.71 -0.04 0.46 0.33 2.87 -0.28 -2.60 4.85
2019 Q3 1.09 0.54 0.14 0.06 0.51 1.54 -0.40 -2.21 0.16
2019 Q4 -0.69 0.06 0.56 0.54 0.40 -3.49 0.44 2.33 -2.58
2020 Q1 0.50 -0.82 -2.24 -2.46 -1.92 2.29 0.22 -1.32 0.81
2020 Q2 0.43 -12.29 -9.71 -9.69 -12.54 -15.43 -8.85 1.84 -13.25

Pelo lado da demanda, a Formação Bruta de Capital Fixo (FBCF) registrou queda de 15,43% na comparação com o primeiro trimestre, enquanto no lado da oferta a Indústria registrou queda de 12,29%. Na sequência, mostramos os gráficos da variação na margem.

A seguir, damos um zoom sobre a variação contra o mesmo trimestre do ano anterior. Novamente, é possível ver o impacto da pandemia sobre a Formação Bruta de Capital Fixo (FBCF), com uma queda de 15,20%.

PIB e seus componentes: Variação interanual
Trimestre Agropecuária Indústria Serviços PIB C FBCF G X M
2019 Q1 0.89 -0.98 1.17 0.59 1.54 1.09 0.04 -1.63 -2.31
2019 Q2 1.43 0.29 1.15 1.08 1.83 5.44 -0.69 1.27 4.86
2019 Q3 2.06 0.96 1.03 1.19 1.91 2.86 -1.41 -4.40 2.19
2019 Q4 0.44 1.46 1.64 1.67 2.06 -0.36 0.33 -5.07 -0.22
2020 Q1 1.90 -0.12 -0.45 -0.25 -0.73 4.27 0.00 -2.23 5.13
2020 Q2 1.21 -12.69 -11.17 -11.43 -13.47 -15.20 -8.57 0.54 -14.87

Na sequência, vemos os gráficos dessa métrica.


Como é possível verificar, os números são superlativos, à exceção da agropecuária, pelo lado da oferta e das exportações, pelo lado da demanda. Na sequência, suavizamos as variações com o acumulado em quatro trimestres.

PIB e seus componentes: Variação acumulada em 4 trimestres
Trimestre Agropecuária Indústria Serviços PIB C FBCF G X M
2019 Q1 2.52 0.05 1.25 1.10 1.59 3.58 0.23 2.42 5.70
2019 Q2 2.69 -0.08 1.22 1.11 1.59 4.27 -0.13 3.43 5.35
2019 Q3 2.03 -0.05 1.12 1.02 1.67 3.05 -0.76 1.59 2.41
2019 Q4 1.25 0.46 1.25 1.14 1.84 2.24 -0.44 -2.54 1.11
2020 Q1 1.56 0.67 0.85 0.93 1.28 3.00 -0.45 -2.68 2.89
2020 Q2 1.50 -2.55 -2.22 -2.21 -2.50 -2.12 -2.42 -2.85 -1.84

No acumulado em quatro trimestres, o PIB experimenta queda de 2,21% até o segundo tri de 2020. Com uma generalizada, tanto na oferta quanto na demanda, à exceção da agropecuária. Na sequência, os gráficos.

Não há dúvidas quanto à profundidade do impacto da pandemia sobre o nível de atividade. E, também, o fato da economia brasileira ter entrado em recessão técnica.

(*) A apresentação que construímos no nosso Curso de Análise de Conjuntura usando o R está disponível aqui.

____________________

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise exploratória para modelagem preditiva no Python

Antes de desenvolver bons modelos preditivos é necessário organizar e conhecer muito bem os dados. Neste artigo, damos algumas dicas de recursos, como gráficos, análises e estatísticas, que podem ser usados para melhorar o entendimento sobre os dados usando Python.

Como usar modelos do Sklearn para previsão? Uma introdução ao Skforecast

Prever séries temporais é uma tarefa frequente em diversas áreas, porém exige conhecimento e ferramentas específicas. Os modelos de machine learning do Sklearn são populadores, porém são difíceis de aplicar em estruturas temporais de dados. Neste sentido, introduzimos a biblioteca Skforecast, que integra os modelos do Sklearn e a previsão de séries temporais de forma simples.

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.