Consumo de Energia Elétrica e Crescimento do PIB

Qual a relação do consumo de energia e do crescimento econômico? É possível estabelecer que um maior consumo de energia significa maior crescimento da atividade econômica? Podemos utilizar os dados e modelos econométricos para verificar esta relação usando o R.

Consumo de Energia e Crescimento Econômico

O consumo de energia é um indicador do nível de atividade econômica, pois o aumento do consumo de energia está associado ao aumento da produção, do comércio e do investimento em infraestrutura, o que impulsiona o crescimento econômico.

No caso do Brasil, é possível verificar o uso de energia elétrica no país por meio dos dados da ONS. Com isso, podemos verificar, por meio de um gráfico, como é a relação entre as duas variáveis.

No gráfico abaixo, está representado o consumo de energia no país dessazonalizado e trimestralizado, a série encadeada do PIB ajustado sazonalmente, bem como a variação anual das respectivas séries citadas.

Visualmente, verificamos que as duas séries andam em conjunto ao longo do tempo. Entretanto, devemos pensar, essa relação realmente existe? Não seria uma relação espúria? Ou mesmo que de fato haja essa relação, qual variável afeta qual? Podemos responder essa perguntar verificando a cointegração de ambas as variáveis e usar um modelo de correção de erros para explicar essa relação.

Para entender como foi criado o gráfico e o modelo abaixo, faça parte do Clube AM, o repositório de códigos da Análise Macro, contendo exercícios semanais de R e Python.

Cointegração e Modelo de Correção de Erros

Cointegração é uma técnica estatística utilizada na análise de séries temporais para modelar a relação de longo prazo entre duas ou mais séries não-estacionárias. Isso significa que as séries temporais não têm tendências estacionárias em seus níveis, mas uma combinação linear delas é estacionária.

O conceito de cointegração é útil porque permite que se estude a relação de longo prazo entre séries temporais mesmo quando elas apresentam tendências temporais em seus níveis, como no caso de muitos indicadores econômicos.

O modelo de correção de erros é um modelo econométrico que usa a cointegração para explicar a relação de curto prazo entre as séries temporais. O modelo assume que, no curto prazo, as séries temporais podem afastar-se da sua relação de longo prazo, mas que, a longo prazo, elas convergem para uma relação estacionária.

Abaixo, temos a especificação do modelo proposto e seus resultados:

_____________________________________

Quer aprender mais?

Seja um aluno da nossa trilha de Macroeconomia Aplicada e aprenda a criar projetos voltados para a Macroeconomia

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.