Evolução dos preços de combustíveis no Brasil

No Comentário de Conjuntura da semana passada, chamei atenção para a relação entre o preço do petróleo no mercado internacional e o preço da gasolina aqui no Brasil. Em particular, mostrei que as séries de petróleo, seja o tipo Brent, seja o WTI, são séries bastante voláteis ao longo do tempo. Dada a paridade adotada pela Petrobras desde 2016, ocorre uma correlação que implica em causalidade na relação entre esses preços.

Nesse Comentário, contudo, gostaria de mostrar a evolução dos preços de combustíveis como um todo, já que não nos parece que exista um aumento particular apenas para a gasolina.

Os dados de combustíveis são agregados e disponibilizados pela Agência Nacional do Petróleo, Gás Natural e Biocombustíveis (ANP). Existe uma divulgação semanal e outra mensal sobre o preço da gasolina, diesel, GNV, GLP, etanol e suas variações.

O código que coleta e trata esses dados diretamente da ANP está disponível para os Membros do Clube AM. O tratamento envolve, basicamente, deflacionar esses preços, dado que os mesmos estão disponíveis nominalmente. Para esse exercício, utilizamos o Índice de Preços ao Consumidor Amplo (IPCA), coletado no SIDRA/IBGE.

Uma vez cumprida essas etapas, podemos construir um gráfico como abaixo.

A análise dessa base de dados tratada nos permite dizer que houve um choque pós-pandemia bastante forte nos preços de todos os combustíveis. Em particular, salta aos olhos a evolução do GLP, cujo efeito é direto sobre as famílias mais pobres.

Por óbvio, essa é uma base de dados que exibe uma correlação bastante alta e positiva entre os seus elementos, como mostra o gráfico acima. É surpreendente, porém, que os combustíveis que mais afetam os mais pobres, como o GNV e o óleo diesel, sejam relegados a segundo plano, seja por analistas, seja pela imprensa.

_______________________

(*) Conheça nosso Curso de Análise de Conjuntura e aprenda a coletar, tratar e visualizar dados macroeonômicos.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Criando reports econômicos automáticos com IA usando Python

Imagine que você tenha uma tabela e precise gerar uma análise de dados rápida para entregar um relatório. Você poderia tentar parar tudo que está fazendo ou até mesmo fazer horas extras, mas dificilmente você entregaria o relatório mais rapidamente do que um modelo de Inteligência Artificial (IA). Neste artigo mostramos um exemplo de relatório gerado por IA para análise de inflação no Brasil, usando as ferramentas Quarto + Python para integrar a IA.

Analisando o sentimento da política monetária com IA usando Python

Análise de sentimentos é uma técnica de Processamento de Linguagem Natural (PLN) que serve para revelar o sentimento contido em um texto. Neste exercício, aplicamos esta técnica para analisar as atas das reuniões do COPOM, revelando o que os diretores de política monetária discutem nas entrelinhas. Utilizando um modelo de Inteligência Artificial através do Python, produzimos ao final um índice de 0 a 100 para sintetizar a análise histórica.

Como a IA pode auxiliar na otimização de Portfólio de Investimentos?

A construção de portfólio ótimo refere-se ao processo de alocar eficientemente capital entre um conjunto predefinido de ativos ou títulos. O campo da construção de portfólio tem sido extensivamente estudado por acadêmicos e profissionais desde a década de 1950, quando Markowitz introduziu sua inovadora abordagem de média-variância para a construção de portfólio. Diante disso, podemos melhorar o processo de alocação de peso de um investimento em um portfólio através do Aprendizado não supervisionado com a aplicação do Hierarchical Risk Parity (HRP). Neste exercício, realizamos uma introdução ao método e mostramos os resultados de um exemplo criado através do 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.