Choques de oferta, inflação e política monetária

ipaagroA economia brasileira tem observado um choque no grupo alimentos, advindo de duas pressões: a alta de commodities, que interfere principalmente em grãos, como soja e milho; e, o clima seco do verão brasileiro. Como pode ser visto no gráfico ao lado, o índice de preços ao produtor amplo (IPA), no seu corte agropecuário, mostrou variações em fevereiro e março acima das médias históricas desses meses (as bolas vermelhas representam o valor em 2014, enquanto as linhas azuis são as médias para cada mês, entre 1994 e 2014). Notadamente em março, com variação de 5,58%. É esperado que essa pressão verificada no atacado seja gradualmente repassada aos preços ao consumidor. De fato, isso já começou a ocorrer. E tornará ainda mais desafiador o trabalho do Banco Central. Nesse breve post apresento os motivos pelos quais ter mantido a inflação efetiva longe da meta causou perda de credibilidade e, portanto, perda de flexibilidade na condução da política monetária.

O Índice Nacional de Preços ao Consumidor Amplo (IPCA) de março começou a mostrar esse choque no grupo alimentos. Timidamente, ressalta-se. 51% dos 0,92% de variação entre março e fevereiro se concentraram no grupo alimentos e bebidas. O que corresponde a 0,47 pontos percentuais. Destes, 0,39 pontos estão no subgrupo alimentação no domicílio e 0,08 em alimentação fora do domicílio. Isoladamente, o item com maior contribuição foi tubérculos, raízes e legumescom 16%. Nesse item, a alta está concentrada em dois subitens: tomate e batata inglesa. Ambas responderam por 8%, cada, da alta de 0,92%. Dois outros itens também já começaram a mostrar algum repique: carnes (6%) e leites e derivados (7%). O gráfico abaixo, seguindo o mesmo escopo do anterior, mostra que a variação de 1,92% no grupo alimentos em março foi acima da média histórica desse mês.

Alimentos

A elevação de 0,92% em março ficou acima do "intervalo de confiança" do mês, estipulado pela soma entre média e desvio-padrão da série histórica. Somada ao início do repasse do choque de alimentos, esteve também o subitem passagens áreas, que representaram 13% da variação mensal. No acumulado em 12 meses, o IPCA registra alta de 6,15%. Bem próximo ao limite superior do regime de metas para inflação.

A incidência de choques de oferta é importante para ilustrar como funciona o regime de metas para inflação. Neste, há uma meta e intervalos de tolerância. No Brasil, 4,5% e 2%, respectivamente. No Chile, 3% e 1%, respectivamente. Desse modo, o Banco Central orienta a política monetária, que conta com transparência e deve prestar contas de tempos em tempos, para alcançar essa meta de inflação. Acaso não consiga, pode contar com o intervalo de 2%, no caso brasileiro, para acomodar eventuais choques em alguns preços, sem que isso afete sua credibilidade, desde que comunique adequadamente a presença desses eventos. Com efeito, os agentes entendem que trata-se apenas de choques passageiros, que dissipados, não gerarão efeitos secundários sobre a inflação. Desse modo, não reagem, mantendo suas projeções para períodos mais longos de tempo.

Observa-se, nesse contexto, que o regime de metas para inflação é essencialmente flexível. Ele inclui "válvulas de escape" quando o cenário inflacionário é desafiador, sujeito a toda a sorte de choques, notadamente os relacionados ao clima, que possuem grau de incerteza considerável. Desse modo, o Banco Central não se vê forçado a elevar a taxa básica de juros quando ocorrem choques de oferta. Ele só deve elevar os juros quando esses choques geram efeitos secundários, isto é, quando o aumento de alguns preços é repassado ao longo das diversas cadeias produtivas, afetando o "núcleo" da inflação. Acaso isso não ocorra, a autoridade monetária apenas acomoda o choque dentro do intervalo, evitando que se gere impacto no nível de atividade.

O problema ocorre quando o Banco Central deixa de perseguir a meta, mantendo a inflação efetiva no limite superior durante vários períodos. Nesse caso, com a ocorrência de choques na economia, a inflação pode rapidamente ultrapassar esse limite superior, contaminando as expectativas dos agentes, retroalimentando o processo inflacionário. Em outras palavras, a meta deixa de servir como âncora para as expectativas, o que elimina na prática a flexibilidade implícita do regime. Desse modo, o custo de desinflacionar a economia se eleva, exigindo uma dose maior de aumento na taxa básica de juros.

Esse é justamente o caso brasileiro. Nos últimos quatro anos a inflação média foi de 6,04%. A meta é de 4,5% e o limite superior de 6,5%. Como resultado, as expectativas dos agentes para os próximos 12 meses estão em 6,45%. Para 2018 estão em 5,17%. Em outros termos, a meta de 4,5% deixou de ser o melhor guia para as previsões dos agentes. Na prática, portanto, o regime de metas deixou de existir. A flexibilidade do regime, idem. No caso de ocorrência de choques de oferta, como o atual, o Banco Central deve reagir, elevando ainda mais a taxa básica de juros. Acaso, claro, não queira ver a inflação ultrapassar o limite superior.

Ter mantido, portanto, a inflação efetiva distante da meta causou perda de credibilidade e, com efeito, perda de flexibilidade da autoridade monetária. Para voltar a influenciar as expectativas, o Banco Central terá de ser ainda mais conservador na calibragem da taxa de juros. É o preço a se pagar por ter sido leniente com a inflação nos últimos anos.

 

 

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como preparar os dados para um modelo preditivo?

Modelos de previsão macroeconômica podem facilmente alcançar um número elevado de variáveis. Mesmo modelos simplificados, como o Modelo de Pequeno Porte (MPP) do Banco Central, usam cerca de 30 variáveis. Isso impõe um grande desafio ao nosso dia a dia: como fazer a gestão destes dados para uso em modelos, desde a coleta até o tratamento?

Transfer Learning para Previsão de Séries Temporais com o Python

A aprendizagem por transferência (ou transfer learning) é a técnica de reutilizar um modelo previamente treinado em um novo problema. Esse conceito representa um grande avanço para a previsão de variáveis, especialmente aquelas organizadas ao longo do tempo, como séries temporais. Neste post, exploramos como usar transfer learning com Python para trabalhar com esse tipo de dado.

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.