Relatório AM #35 - Política Fiscal

A política fiscal refere-se na forma que o governo faz uso dos gastos e das receitas. Sua condução afeta diversas variáveis econômicas, portanto, seu acompanhamento é necessário, como forma de antever os rumos da economia. É possível acessar facilmente os dados fiscais do Brasil através do Banco Central com diversos pacotes no R. Nós ensinamos como realizar não só a coleta no R, mas também o tratamento e a visualização dos dados no nosso Curso de Análise de Conjuntura.

No Relatório AM dessa semana, ensinaremos como realizar a coleta através do pacote {GetBCBData}. Também utilizaremos dados do IPCA para deflacionar os valores e do PIB para compararmos com os gastos com juros.

Carregamos os pacotes necessários.


# Carregar pacotes
if (!require("pacman")) install.packages("pacman")
pacman::p_load(
"GetBCBData",
"sidrar",
"magrittr",
"dplyr",
"lubridate",
"purrr",
"timetk",
"tidyr",
"stringr",
"ggplot2",
"ggthemes",
"flextable"
)

Definimos objetos para facilitar a criação do código.

## Funções e objetos úteis

# Cores para gráficos e tabelas
colors <- c(
blue = "#282f6b",
red = "#b22200",
yellow = "#eace3f",
green = "#224f20",
purple = "#5f487c",
orange = "#b35c1e",
turquoise = "#419391",
green_two = "#839c56",
light_blue = "#3b89bc",
gray = "#666666"
)

# Fonte para gráficos e tabelas
foot_bcb <- "Fonte: analisemacro.com.br com dados do BCB."

# Definir padrão de gráficos
theme_am <- function() {
ggthemes::theme_clean() %+replace%
ggplot2::theme(
plot.background = ggplot2::element_rect(colour = NA),
legend.background = ggplot2::element_rect(colour = NA),
strip.text = ggplot2::element_text(size = 8, face = "bold")
)
}
ggplot2::theme_set(theme_am())

Coletamos os dados através do pacote {GetBCBData}. Primeiro devemos buscar os códigos das variáveis através do Sistema Gerenciador de Séries do Banco Central. Cada código refere-se a um conjunto de dados. Salvamos esses valores em um objeto. Para o IPCA, utilizaremos o pacote {sidrar} para buscar valores do SIDRA.

Após isso, seguimos para a importação dos dados, do tratamento e após para a visualização.

## Parâmetros e códigos para coleta de dados
parametros <- list(

## Resultado do Setor Público Consolidado
# NFSP sem desvalorização cambial
# Fluxo mensal corrente - Total - R$ (milhões)
resultado_spc = c(
"Resultado primário - INSS" = 7854,
"Resultado primário - Governo Federal" = 7853, 
"Resultado primário - Governos Estaduais" = 4643, 
"Resultado primário - Governos Municipais" = 4644, 
"Resultado primário - Empresas Estatais" = 4645, 
"Resultado primário - Setor Público Consolidado" = 4649, 
"Juros nominais - Governo Federal" = 4607,
"Juros nominais - Banco Central" = 4608, 
"Juros nominais - Governos Estaduais" = 4610, 
"Juros nominais - Governos Municipais" = 4611, 
"Juros nominais - Empresas Estatais" = 4612, 
"Juros nominais - Setor Público Consolidado" = 4616,
"Resultado nominal - Setor Público Consolidado" = 4583
),

# PIB acumulado dos últimos 12 meses - Valores correntes (R$ milhões)
pib = c("PIB 12 meses" = 4382),

# IPCA - Número-índice (base: dezembro de 1993 = 100)
ipca = "/t/1737/n1/all/v/2266/p/all/d/v2266%2013"

)

 

 

 

</pre>
## Coleta dos dados

# IPCA para deflacionar valores
raw_ipca <- sidrar::get_sidra(api = parametros$ipca)

# PIB para cálculos em "% PIB
raw_pib <- GetBCBData::gbcbd_get_series(
id = parametros$pib,
first.date = "2001-12-01",
use.memoise = FALSE
)

# Resultado do Setor Público Consolidado
raw_resultado_spc <- GetBCBData::gbcbd_get_series(
id = parametros$resultado_spc,
first.date = "2001-12-01",
use.memoise = FALSE
)
<pre>

 

 

</pre>
## Tratamento dos dados

# IPCA
ipca <- raw_ipca %>%
dplyr::select("date" = `Mês (Código)`, "ipca" = `Valor`) %>%
dplyr::mutate(date = lubridate::ym(date))

# PIB
pib <- raw_pib %>%
dplyr::select("date" = `ref.date`, "pib" = `value`)

# Resultado do Setor Público Consolidado
resultado_spc <- raw_resultado_spc %>%
dplyr::select("date" = `ref.date`, "variable" = `series.name`, "nominal" = value) %>%
purrr::reduce(
.x = list(., ipca, pib),
.f = dplyr::left_join,
by = "date"
) %>%
dplyr::as_tibble() %>%
dplyr::group_by(variable) %>%
dplyr::mutate(
# Deflacionar valores
real = (ipca[date == max(date)] / ipca) * nominal,
# Acumular valores nominais em 12 meses (% PIB)
nominal_acum_12m_pib = timetk::slidify_vec(
.x = nominal,
.f = sum,
.period = 12,
.align = "right"
) / pib * 100,
# Acumular valores reais em 12 meses
real_acum_12m = timetk::slidify_vec(
.x = real,
.f = sum,
.period = 12,
.align = "right"
)
) %>%
tidyr::drop_na() %>%
dplyr::ungroup()
<pre>

Criamos um gráfico da variação acumulada em 12 meses dos Juros Nominais, Resultado Nominal e Resultado Primário.

# Setor Público Consolidado (Res. Primário, Juros e Res. Nominal)
resultado_spc %>% 
dplyr::filter(stringr::str_detect(variable, "Setor Público Consolidado")) %>% 
dplyr::mutate(variable = stringr::str_remove_all(variable, " - Setor Público Consolidado")) %>% 
ggplot2::ggplot(ggplot2::aes(x = date, y = real_acum_12m / 1000, color = variable)) +
ggplot2::geom_hline(yintercept = 0, color = colors["red"], linetype = "dashed") +
ggplot2::geom_line(size = 1.5) + 
ggplot2::facet_wrap(~variable, scales = "free_y") + 
ggplot2::scale_color_manual(NULL, values = unname(colors[1:6])) +
ggplot2::labs(
title = "Setor Público Consolidado",
subtitle = "Valores acumulados em 12 meses",
y = "R$ Bilhões",
x = "",
caption = foot_bcb
) +
ggplot2::theme(legend.position = "none")

Visualizamos os gastos com juros em razão do PIB.

# Gastos com juros - % PIB acumulado em 12 meses
resultado_spc %>% 
dplyr::filter(stringr::str_detect(variable, "Juros nominais - ")) %>% 
dplyr::mutate(variable = stringr::str_remove_all(variable, "Juros nominais - ")) %>% 
ggplot2::ggplot(ggplot2::aes(x = date, y = nominal_acum_12m_pib, color = variable)) +
ggplot2::geom_hline(yintercept = 0, color = colors["red"], linetype = "dashed") +
ggplot2::geom_line(size = 1.5) + 
ggplot2::facet_wrap(~variable, scales = "free_y") + 
ggplot2::scale_color_manual(NULL, values = unname(colors[1:6])) +
ggplot2::labs(
title = "Gastos com juros",
subtitle = "Valores acumulados em 12 meses, % do PIB",
y = "% do PIB",
x = "",
caption = foot_bcb
) +
ggplot2::theme(legend.position = "none")

______________________________________

Você confere o script completo no nosso Curso de Análise de Conjuntura usando o R. A apresentação da PMC também está disponível no Clube AM.

______________________________________

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Tratamento e transformação de séries temporais macroeconômicas para modelagem

"Garbage in, garbage out" é a regra de ouro na previsão macroeconômica. Antes de aplicar qualquer modelo de IA ou econometria para prever indicadores como o IPCA ou o PIB, existe um trabalho crucial de tratamento de dados. Neste post, abrimos os bastidores do nosso dashboard de previsões e mostramos o passo a passo para transformar dados brutos de múltiplas fontes (como BCB, IBGE e FRED) em séries prontas para modelagem. Veja como lidamos com diferentes frequências, aplicamos transformações e usamos metadados para criar um pipeline de dados robusto e automatizado.

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.

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.