Os preços que pararam o Brasil

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

O interregno benigno, expressão utilizada pelo Banco Central para caracterizar a calmaria no cenário externo, parece estar se desfazendo. A preocupação com o processo inflacionário nos Estados Unidos fez a taxa de juros de 10 anos se mover, ultrapassando a barreira "psicológica" de 3%. O gráfico abaixo ilustra o processo.


library(ggplot2)
library(scales)
library(Quandl)

juro = Quandl('FRED/DGS10', start_date='2017-01-01')

ggplot(juro, 
aes(Date, Value))+
geom_line()+
geom_hline(yintercept=3, colour='red')+
scale_x_date(breaks = date_breaks("1 months"),
labels = date_format("%b/%Y"))+
theme(axis.text.x=element_text(angle=25, hjust=1))+
labs(title='Juro de 10 anos dos EUA')+
xlab('')+ylab('% a.a.')

A chamada normalização dos juros nos EUA e em outros países avançados está tendo efeito direto sobre a taxa de câmbio R$/US$, causando uma forte desvalorização. Isso está ilustrado abaixo.


library(BETS)

cambio.diario = BETS.get(1, from='2017-01-01')

ggplot(cambio.diario, 
aes(cambio.diario$date, cambio.diario$value))+
annotate("rect", fill = "blue", alpha = 0.3, 
xmin = as.Date('2018-03-14'), 
xmax = as.Date('2018-05-24'),
ymin = -Inf, ymax = Inf)+
geom_line(size=.8)+
scale_x_date(breaks = date_breaks("1 months"),
labels = date_format("%b/%Y"))+
theme(axis.text.x=element_text(angle=25, hjust=1))+
labs(title='Taxa de Câmbio R$/US$ diária',
caption='Fonte: analisemacro.com.br com dados do BCB.')+
xlab('')+ylab('')

Além de uma mudança nos juros internacionais, com efeito sobre a taxa de câmbio R$/US$, o cenário externo é ainda caracterizado por uma trajetória altista no preço do petróleo, como pode ser visto abaixo.


library(quantmod)

getSymbols('DCOILBRENTEU', src='FRED')

brentd = DCOILBRENTEU

plot(window(brentd[complete.cases(brentd)], start='2017-01-01'))

 

Essa mudança no cenário externo, destacando-se a desvalorização da taxa de câmbio e o aumento do preço do petróleo, causou dois efeitos diretos sobre o país. O primeiro, a interrupção na queda da taxa de juros pelo Banco Central, dado o repasse que a desvalorização cambial possui sobre a inflação doméstica - ainda que o mesmo seja reduzido em um ambiente de elevada ociosidade da economia. O segundo efeito é a crise quase institucional vivida pelo país, proporcionada pela greve dos caminhoneiros, que tem causado desabastecimento e aumento do preço de combustíveis.

Dado que o segundo efeito possui impactos de curto prazo mais graves do que o primeiro, passo a analisá-lo a seguir. Como visto no gráfico acima do preço do petróleo, o mesmo vem aumentando de forma consistente desde meados do ano passado. Justamente o período em que a Petrobras alterou a forma como constrói seus preços, dando maior atenção à cotação do preço do petróleo. Isso teve um efeito direto sobre o preço da gasolina no mercado doméstico, que passou a acompanhar o aumento do preço do petróleo no mercado internacional.


library(sidrar)
library(XLConnect)

library(png)
library(grid)
library(forecast)
library(gridExtra)

ipca = ts(get_sidra(api='/t/1737/n1/all/v/2266/p/all/d/v2266%2013')
$Valor, start=c(1979,12), freq=12)

### Importa dados dos preço da gasolina

url1 = 'http://www.anp.gov.br/images/Precos/Mensal2001-2012/Brasil.xlsx'
temp = tempfile()
download.file(url1, destfile=temp, mode='wb')
data1 = loadWorkbook(temp)

url2 = 'http://www.anp.gov.br/images/Precos/Mensal2013/MENSAL_BRASIL-DESDE_Jan2013.xlsx'
temp = tempfile()
download.file(url2, destfile=temp, mode='wb')
data2 = loadWorkbook(temp)

tabela1 = readWorksheet(data1, sheet = 1, header = TRUE, startRow = 13)
gasolina1 = tabela1$PRECO.MÉDIO.DISTRIBUIÇÃO[tabela1$PRODUTO=='GASOLINA COMUM']

tabela2 = readWorksheet(data2, sheet = 1, header = TRUE, startRow = 15)
gasolina2 = tabela2$PREÇO.MÉDIO.DISTRIBUIÇÃO[tabela2$PRODUTO=='GASOLINA COMUM']

gasolina = ts(c(gasolina1, gasolina2), start=c(2001,07), freq=12)

img = readPNG('logo.png')
g = rasterGrob(img, interpolate=TRUE)

autoplot(gasolina)+
annotate("rect", fill = "lightblue", alpha = 0.5, 
xmin = 2017.5, 
xmax = 2018.3,
ymin = -Inf, ymax = Inf)+
scale_x_discrete(limits=2001:2018)+
xlab('')+ylab('')+
labs(title='Preço médio mensal de distribuição da gasolina comum (R$)',
subtitle='Valores nominais',
caption='Fonte: Dados Importados do Site da ANP.')+
annotation_custom(g, xmin=2001.1, xmax=2005.5,
ymin=2.5, ymax=4)+
geom_line(size=.8, colour='darkblue')

Mesmo antes da mudança na política de preços da Petrobras, é bom dizer, o preço nominal da gasolina já vinha subindo desde o início de 2015, refletindo uma tentativa da empresa em recompor sua margem, após os diversos choques que lhe afetaram nos anos pretéritos. Em particular, o uso da empresa como instrumento de política econômica por parte do governo anterior, numa tentativa frustrada de conter o avanço ainda maior da inflação.

Como se nota pelos gráficos acima, o preço nominal da gasolina se manteve praticamente estável no período de 2006 a 2014, a despeito da oscilação natural do preço do petróleo no período. Os gráficos abaixo ilustram.

O efeito direto desse quase "congelamento" (via subsídio) no preço nominal da gasolina foi a queda no seu preço real, com sérias repercussões para a Petrobras. O gráfico abaixo ilustra.

O que se vê na conjuntura atual, nesse contexto, é apenas uma consequência dos anos de "congelamento" no preço nominal da gasolina. Por não acompanhar o que estava acontecendo com o preço do petróleo no cenário internacional, esse processo - além, claro, da corrupção desvendada pela operação Lava Jato - causou sérias consequências sobre o fluxo de caixa da Petrobras e sobre o seu endividamento. O que se tenta, por suposto, desde o início de 2015, com o fim do represamento no preço da gasolina, é readequar o mecanismo de preço e, consequentemente, a saúde financeira da empresa.

Por fim, a mudança no cenário externo põe ainda mais urgência sobre as negociações em torno do problema fiscal brasileiro. Dada a trajetória preocupante da dívida pública brasileira, o real é uma das moedas que mais tem sofrido desvalorização na esteira da normalização dos juros norte-americanos - evento, diga-se, para lá de antecipado entre os profissionais da área. Oxalá que consigamos eleger alguém comprometido com essa agenda.

 

 

 

[/et_pb_text][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/11/cursosaplicados.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/" url_new_window="off" use_overlay="off" animation="off" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"]

 

[/et_pb_image][/et_pb_column][/et_pb_row][/et_pb_section]

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como planejar um pipeline de previsão macroeconômica: da coleta ao dashboard

Montar um pipeline de previsão macroeconômica não é apenas uma tarefa técnica — é um exercício de integração entre dados, modelos e automação. Neste post, apresento uma visão geral de como estruturar esse processo de ponta a ponta, da coleta de dados até a construção de um dashboard interativo, que exibe previsões automatizadas de inflação, câmbio, PIB e taxa Selic.

Coletando e integrando dados do BCB, IBGE e IPEA de forma automatizada

Quem trabalha com modelagem e previsão macroeconômica sabe o quanto é demorado reunir dados de diferentes fontes — Banco Central, IBGE, IPEA, FRED, IFI... Cada um com sua API, formato, frequência e estrutura. Esse gargalo de coleta e padronização consome tempo que poderia estar sendo usado na análise, nos modelos ou na comunicação dos resultados.

Foi exatamente por isso que criamos uma rotina de coleta automatizada, que busca, trata e organiza séries temporais econômicas diretamente das APIs oficiais, pronta para ser integrada a pipelines de previsão, dashboards ou agentes de IA econometristas.

Criando operações SQL com IA Generativa no R com querychat

No universo da análise de dados, a velocidade para obter respostas é um diferencial competitivo. Frequentemente, uma simples pergunta de negócio — “Qual foi nosso produto mais vendido no último trimestre na região Nordeste?” — inicia um processo que envolve abrir o RStudio, escrever código dplyr ou SQL, executar e, finalmente, obter a resposta. E se pudéssemos simplesmente perguntar isso aos nossos dados em português, diretamente no nosso dashboard Shiny?

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.