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 automatizar tarefas repetitivas usando Python? Um exemplo para largar o Excel

Manter relatórios diários com dados e análises atualizados é um desafio, pois envolve várias etapas: coleta de dados, tratamento de informações, produção de análises e atualização de relatório. Para superar este desafio algumas ferramentas como Python + Quarto + GitHub podem ser usadas para automatizar tudo que for automatizável. Neste artigo mostramos um exemplo com dados do mercado financeiro.

Criando um Dashboard de análise de Ações no Python

Um Dashboard é um painel de controle que consolida uma variedade de informações sobre um determinado objeto de estudo em um ou mais painéis. Ele simplifica significativamente o processo de análise de dados, oferecendo uma visão global e fácil de entender. Uma maneira simples de construir um Dashboard para acompanhar uma ação específica é utilizando duas ferramentas: Quarto e Python. Neste post, mostramos o resultado da criação de um Dashboard de Ação.

Analisando séries temporais no Python e esquecendo de vez o Excel

Séries temporais representam uma disciplina extremamente importante em diversas áreas, principalmente na economia e na ciência de dados. Mas, afinal, como lidar com esses dados que se apresentam ao longo do tempo? Neste exercício, demonstraremos como compreender uma série temporal e como o Python se destaca como uma das melhores ferramentas para analisar esse tipo de dado.

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.