Inflação segue controlada no Brasil

Há alguma discussão sobre a manutenção do controle da inflação no Brasil, por conta do recente repique dos preços no atacado e também por alguma pressão no subgrupo alimentação no domicílio. Para explorar esses pontos, podemos verificar o comportamento da inflação cheia e dos núcleos de inflação, que buscam justamente expurgar esses efeitos de curto prazo, concentrando-se na inflação subjacente. Para isso, como ensino no nosso Curso de Análise de Conjuntura usando o R, podemos pegar os dados de inflação diretamente do SIDRA/IBGE com o R.

A propósito, darei uma aula ao vivo amanhã, 29/09, sobre Dados Econômicos no R. Para garantir o seu acesso à aula, se inscreva aqui


###########################################################
############ Análise da Inflação no Brasil ###############

library(sidrar)
library(tidyverse)
library(tstools)
library(BETS)

### Inflação cheia
ipca =
'/t/1737/n1/all/v/2266/p/all/d/v2266%2013' %>%
get_sidra(api=.) %>%
mutate(date = parse_date(`Mês (Código)`, format="%Y%m")) %>%
rename(indice = Valor) %>%
mutate(inflacao_mensal = (indice/lag(indice,1)-1)*100,
inflacao_anual = (indice/lag(indice,12)-1)*100) %>%
select(date, indice, inflacao_mensal, inflacao_anual) %>%
as_tibble()

O código acima ilustrar como é possível pegar os dados do número índice do IPCA, o principal índice de inflação do país e a partir dele, calcular a inflação mensal e a inflação acumulada em 12 meses.

Uma vez que tenhamos a chamada inflação cheia, é possível pegar os sete núcleos de inflação criados e atualizados pelo Banco Central. Para pegar esses dados, podemos usar o pacote BETS, o pacote Quandl, o pacote rbcb ou mesmo a própria API do Banco Central. A seguir, pegamos os dados com o pacote BETS.


codes = c(4466,11426,11427,16121,16122, 27838, 27839)
nucleos = BETSget(codes, from='2012-01-01', data.frame=T)
data_nucleos = matrix(NA, nrow=nrow(nucleos[[1]]),
ncol=length(codes))
for(i in 1:length(codes)){
data_nucleos[,i] = t(nucleos[[i]]$value)
}

colnames(data_nucleos) = c('ipca_ms', 'ipca_ma', 'ipca_ex0',
'ipca_ex1', 'ipca_dp', 'ipca_ex2',
'ipca_ex3')

nucleos_vm =
data_nucleos %>%
as_tibble() %>%
mutate(date = nucleos[[1]]$date) %>%
select(date, everything())

nucleos_12m =
data_nucleos %>%
ts(start=c(2006,07), freq=12) %>%
acum_p(12) %>%
as_tibble() %>%
mutate(date = nucleos[[1]]$date) %>%
select(date, everything()) %>%
drop_na()

Também podemos voltar ao SIDRA/IBGE, para pegar os dados do subgrupo alimentação no domicílio.


alim_dom_01 =
get_sidra(api='/t/1419/n1/all/v/63/p/all/c315/7171/d/v63%202')$Valor

alim_dom_02 =
get_sidra(api='/t/7060/n1/all/v/63/p/all/c315/7171/d/v63%202')$Valor

alim_dom = full_join(alim_dom_01, alim_dom_02) %>%
mutate(date = parse_date(`Mês (Código)`, format="%Y%m")) %>%
mutate(inflacao_12m = acum_p(Valor,12)) %>%
select(date, Valor, inflacao_12m)

Por fim, podemos criar os limites da meta de inflação para ilustrar se há algum rompimento em relação à inflação efetivamente observada.


meta = c(rep(4.5,12*7-11), rep(4.25, 12), rep(4, 8))
meta_max = c(rep(4.5+2,12*5-11), rep(4.5+1.5,12*2),
rep(4.25+1.5,12), rep(4+1.5, 8))
meta_min = c(rep(4.5-2,12*5-11), rep(4.5-1.5,12*2),
rep(4.25-1.5,12), rep(4-1.5, 8))
data_meta =
tibble(date = seq(as.Date('2012-12-01'), as.Date('2020-08-01'),
by='1 month'),
meta_min = meta_min,
meta = meta,
meta_max = meta_max)

O gráfico com todos esses componentes está ilustrado a seguir.

Há, de fato, um repique na inflação de alimentos, que tem sido causado por diferentes vetores. Contudo, tanto a inflação cheia quanto a média dos 7  núcleos de inflação seguem bastante comportadas. Não me parece, diga-se, haver preocupação em relação à trajetória da inflação no país.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Coletando dados para monitoramento climático com Python

As condições climatológicas influenciam desde a safra de grãos até a decisão de um vendedor ambulante levar seu carrinho para a praia ou não. Por sua importância e impactos na economia do país, neste exercício mostramos como coletar e elaborar análises de dados sobre o clima usando o Python.

Coletando dados de secas e queimadas no Brasil com Python

Neste artigo exploramos fontes públicas de dados sobre secas e queimadas no Brasil. Mostramos como acessar, coletar e preparar os dados para elaboração de análises. Usamos a linguagem Python para desenvolver uma rotina automatizada.

Como analisar demonstrações contábeis usando IA

Neste post, vamos explorar como utilizar o modelo de linguagem Gemini do Google para analisar demonstrações contábeis anuais da Eletrobras e extrair informações relevantes para tomada de decisão. Através de um código Python, vamos importar os dados direto da CVM, conectar com o Gemini e gerar resumos sobre as contas das demonstrações e perspectivas futuras sobre as finanças da empresa.

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.