Produção Industrial é o patinho feio da recuperação

A produção industrial tem sofrido com os choques que afetaram a economia brasileira nos últimos anos mais do que os demais setores. De modo a ilustrar esse ponto, nós importamos, tratamos e visualizamos os dados desagregados da pesquisa, com base nas atividades industriais. Os dados são importados a partir do SIDRA, com o pacote sidrar.


# Pacotes utilizados no script

library(tidyverse)
library(sidrar)
library(xtable)
library(forecast)
library(grid)
library(png)
library(gridExtra)
library(scales)
library(tstools)


# Importação dos dados
## Produção Física por Seção e Atividades
table1 = get_sidra(api='/t/3653/n1/all/v/3134,3135/p/all/c544/all/d/v3134%201,v3135%201')
## Produção Física por grandes categorias econômicas
table2 = get_sidra(api='/t/3651/n1/all/v/3134,3135/p/all/c543/129278,129283,129300,129301,129305/d/v3134%201,v3135%201')
## Ponderações
pond = read_csv2('ponderacao.csv',
locale = locale(encoding = 'Latin1'))


## Atividades com ajuste sazonal
series = as.numeric(table1$`Seções e atividades industriais (CNAE 2.0) (Código)`[1:28])

names = pond$Atividades

atividades_sa <- matrix(NA, ncol=length(series),
nrow=nrow(table1)/length(series)/2)

for(i in 1:length(series)){

atividades_sa[,i] <- table1$Valor[table1$`Variável (Código)`==3134 & table1$`Seções e atividades industriais (CNAE 2.0) (Código)`==series[i]]

}

colnames(atividades_sa) = names


## Atividades sem ajuste sazonal
atividades <- matrix(NA, ncol=length(series),
nrow=nrow(table1)/length(series)/2)

for(i in 1:length(series)){

atividades[,i] <- table1$Valor[table1$`Variável (Código)`==3135 & table1$`Seções e atividades industriais (CNAE 2.0) (Código)`==series[i]]

}

colnames(atividades) = names

Uma vez importados os dados, podemos criar algumas métricas.


vmensal = acum_i(atividades_sa, 1)
colnames(vmensal) = names

vanual = acum_i(atividades, 12)
colnames(vanual) = names

interanual = (atividades/dplyr::lag(atividades,12)-1)*100
colnames(interanual) = names

trimestral <- (((atividades_sa+dplyr::lag(atividades_sa,1)+
dplyr::lag(atividades_sa,2))/3)/
((dplyr::lag(atividades_sa,1)+
dplyr::lag(atividades_sa,2)+
dplyr::lag(atividades_sa,3))/3)-1)*100
colnames(trimestral) = names

E começar a visualizar os dados...

Os gráficos acima trazem o número índice (com ajuste sazonal) completo de quatro indicadores. Observe que houve uma queda forte da produção industrial no período da greve dos caminhoneiros em maio de 2018. Desde então, a produção industrial tem sofrido para crescer. Em particular, a produção de veículos sofre com os problemas da Argentina, principal comprador de carros brasileiros.

A Pesquisa Industrial Mensal - Produção Física, divulgada pelo IBGE, é a principal pesquisa do setor. São avaliados 805 produtos das indústrias extrativa e de transformação. Nesta, há 25 atividades industriais pesquisadas. O peso de cada uma na indústria geral é dado pelo Valor de Transformação Industrial (VTI), sendo as maiores participações dadas pela fabricação de produtos alimentícios, indústria extrativa, derivados de petróleo produção de veículos. O gráfico a seguir ilustra a participação de cada uma das atividades industriais.

A seguir nós ilustramos as métricas que construímos para uma janela mais recente. Primeiro, damos uma olhada na variação mensal.

A seguir, ilustramos a variação interanual...

Por fim, mostramos a variação acumulada em 12 meses desses índices selecionados.

Como se vê, a produção industrial mostra grandes dificuldades de voltar a crescer. É, de fato, o setor que mais sofreu com os choques recentes. Em particular, com a greve dos caminhoneiros e com os problemas na Argentina. Ao longo das próximas semanas, divulgaremos um exercício de modelagem e previsão, no âmbito do Clube do Código, que nos permitirá fazer uma análise prospectiva do setor em 2020.

_____________________

(*) Os códigos completos desse comentário estarão disponíveis logo mais no Clube do Código.

(**) Aprenda a construir análises como essa em nossos Cursos Aplicados de R:

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Automatizando a Construção de Códigos em Python com LangGraph

Neste post, mostramos como construir um agente de código em Python utilizando LangGraph, LangChain e Gemini. A proposta é construir um protótipo para automatizar o ciclo completo de geração, execução e correção de código com o uso de LLMs, organizando o processo em um grafo de estados.

Análise de Dados com REPL Tool e LLM usando LangGraph

Neste post, vamos mostrar como você pode criar um agente que interpreta e executa código Python em tempo real, utilizando o REPL-Tool e um LLM da família Gemini. Começamos com um exemplo genérico e, em seguida, aplicamos a mesma estrutura à análise econômica de uma série histórica do IPCA.

Frameworks para criar AI Agents

Neste post, vamos dar o primeiro passo rumo à construção de Agentes de IA mais sofisticados, capazes de tomar decisões, interagir com ferramentas externas e lidar com tarefas complexas. Para isso, precisamos entender o papel dos frameworks agenticos (ou agentic frameworks) e como eles podem facilitar esse processo. Aqui introduzimos dois frameworks populares de desenvolvimento de Agentes de IA.

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.