Comportamento das variáveis fiscais em 2020 e o que esperar de 2021

No último dia 29 de janeiro, o Banco Central divulgou as Estatísticas Fiscais referentes à dezembro de 2020. Com efeito, ficamos sabendo como se comportaram as principais variáveis fiscais ao longo de 2020, um ano repleto de desafios por conta da pandemia do coronavírus. Nesse Comentário Semanal do boletim Focus, nós trazemos uma edição especial focada em variáveis fiscais.

Para começar, como de praxe, nós carregamos os pacotes que utilizamos.


library(rbcb)
library(scales)
library(tidyverse)

A seguir, nós buscamos dois grupos de dados. Para começar, nós pegamos os dados referentes às variáveis efetivamente observadas. O código a seguir pega os dados diretamente do Sistema de Séries Temporais do Banco Central.


## Coleta de dados reais
series = list('DBGG' = 13762,
'DLSP' = 4513,
'NFSP Primário' = 5793,
'NFSP Nominal' = 5727)

data_variaveis = get_series(series, start_date = '2019-01-01') %>%
purrr::reduce(inner_join) %>%
gather(variavel, valor, -date)

A seguir, nós pegamos os dados referentes às expectativas contidas para essas variáveis dentro do boletim Focus.


## Coleta de dados de expectativas
data_expectativas = get_annual_market_expectations('Fiscal',
start_date = '2019-01-01')

data_expectativas$indic_detail = ifelse(data_expectativas$indic_detail == "Resultado Primário",
'Resultado Primário',
data_expectativas$indic_detail)

data_expectativas$indic_detail = ifelse(data_expectativas$indic_detail ==
unique(data_expectativas$indic_detail)[3],
'DLSP',
data_expectativas$indic_detail)

data_expectativas$indic_detail = ifelse(data_expectativas$indic_detail ==
unique(data_expectativas$indic_detail)[4],
'DBGG',
data_expectativas$indic_detail)

De posse dos dados, nós podemos olhar o que ocorreu com as variáveis observadas.

O ano de 2020 terminou com a Dívida Bruta muito próxima dos 90% do PIB (89,3%) e com a Dívida Líquida em 63%. Em dezembro de 2019, a DBGG estava em 74,3%, enquanto a DLSP estava em 54,6% do PIB. Isto é, houve um aumento de 15 pontos percentuais na DBGG ao longo de 2020.

A deterioração do fluxo explica a maior parte dessa evolução. As Necessidades de Financiamento do Setor Público (NFSP) saíram de 0,84% em dezembro de 2019 para 9,49% do PIB em dezembro de 2020, no seu corte primário, que não inclui gastos com juros. No seu corte nominal, que inclui gastos financeiros, houve uma variação de 7,91 pontos percentuais: de 5,79% para 13,7% do PIB.

Ao longo de 2021, diga-se, os agentes de mercado esperam uma certa estabilidade nas variáveis de estoque, enquanto para o fluxo, o resultado nominal esperado está em -6,59% do PIB e o primário em -2,72%.

 

____________________

(*) No nosso Curso de Análise de Conjuntura usando o R, nós estressamos a coleta e tratamento de dados fiscais com o R;

(**) O código de R desse artigo está disponível para os membros do novo Clube AM. Para saber mais, clique aqui.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como Construir um Monitor de Política Monetária Automatizado com Python?

Descubra como transformar dados do Banco Central em inteligência de mercado com um Monitor de Política Monetária Automatizado. Neste artigo, exploramos o desenvolvimento de uma solução híbrida (Python + R) que integra análise de sentimento das atas do COPOM, cálculo da Regra de Taylor e monitoramento da taxa Selic. Aprenda a estruturar pipelines ETL eficientes e a visualizar insights econômicos em tempo real através de um dashboard interativo criado com Shiny, elevando o nível das suas decisões de investimento.

Qual o efeito de um choque de juros sobre a inadimplência?

Neste exercício, exploramos a relação dinâmica entre o custo do crédito (juros na ponta) e o risco realizado (taxa de inadimplência) através de uma análise exploratória de dados e modelagem econométrica utilizando a linguagem de programação R.

Qual a relação entre benefícios sociais e a taxa de participação do mercado de trabalho?

Este exercício apresenta uma investigação econométrica sobre a persistente estagnação da taxa de participação no mercado de trabalho brasileiro no período pós-pandemia. Utilizando a linguagem R e dados públicos do IBGE e Banco Central, construímos um modelo de regressão linear múltipla com correção de erros robustos (Newey-West). A análise testa a hipótese de que o aumento real das transferências de renda (Bolsa Família/Auxílio Brasil) elevou o salário de reserva, desincentivando o retorno à força de trabalho.

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.