Como a chuva lavou a inflação? O efeito do El Niño

O IPCA está em rápida desaceleração com ajuda da forte queda dos preços dos alimentos. A importância desse grupo se dá, primeiro, porque "alimentação e bebidas" representa mais de 25% da cesta do IPCA. Segundo, a oscilação dos seus itens é grande se comparada aos outros itens da cesta.

Para analisar os preços de alimentos é fundamental considerar a ocorrência ou não do El Niño - o aquecimento das águas na costa do Pacífico. O fenômeno altera os padrões de chuva no Brasil, influenciando diretamente a produtividade das safras agrícolas. Neste post, vou apresentar as ultimas reversões do El Niño e seus efeitos sobre a inflação de alimentos.

A métrica mais comum para monitorar o El Niño chama-se Oceanic Niño Index. Valores superiores a 0,5 indicam que o fenômeno está "ativo"; quanto maior o índice, maior o efeito sobre o clima. Em 2015-16 tivemos o maior El Niño desde 1950, similar apenas aos de 1982-83 e 1997-98.

 

O que acontece com a inflação de alimentos durante e após o El Niño?

Em quase todos os ciclos observados houve aceleração de alimentos nos anos com El Niño e reversão significativa no ano seguinte. O gráfico a seguir mostra a inflação acumulada em 12 meses de "Alimentação e bebidas" nos anos em que ocorreram as principais desinflações de alimentos. O ponto "t0" no eixo-x corresponde aos meses de dezembro do ano em que o El Niño terminou. Isto é, o ano que começa após a barra vermelha são os anos de "calmaria climática", sem El Niño. Notem que geralmente o El Niño termina em julho-agosto, desta forma a queda dos preços começa antes do início do ano de calmaria.

Podemos ver que o movimento atual se assemelha ao de 2009. Se olharmos apenas o subgrupo alimentos no domicílio, os movimento são bem parecidos.

 

Para montar o gráfico, utilizamos o código abaixo. A grande dificuldade foi não poder trabalhar como série temporal, já que cada série representa períodos de anos diferentes. Tive então que usar alguns truques para construir o eixo-x do gráfico como uma série de texto e unir todas as séries.

eixo_x <- as.character(seq(-23,24, by=1))
eixo_x = c(paste("t", eixo_x, sep='')) 
eixo_x = factor(eixo_x, unique(eixo_x)) 
 
janelas <- data.frame(eixo_x, janela2004, janela2006, janela2009, janela2017)

 

Qual seria o tamanho da desaceleração dos preços de alimentos?

Umas das abordagens que testei foi um modelo baseado no box do Relatório de Inflação do Banco Central de junho de 2016, disponível aqui.

Na minha versão, substituí "alimentação no domicílio" pelo grupo mais amplo "alimentação e bebidas". Testei ambos e as conclusões são parecidas. Além disso, troquei o Índice de Commodities do BC (IC-Br) pelo ICI-Inflação, publicado pelo Itaú aqui. A projeção disponível deste número me facilita estimar a inflação para 2017 como um todo. A equação ficou da seguinte forma:

(1)   \begin{equation*}\pi_t^{alim} = \sum_{i=0}^1\phi_i\;\Delta\xi_{t-i} + \sum_{i=0}^1\beta_i \;\Delta ICI_{t-i}^{inflacao}+\delta\; nino_{t-1} + \gamma\; h_t + \sum_{i=1}^4\alpha_i\;T_i + \epsilon_t \end{equation*}

\pi_t^{alim}: inflação de alimentos e bebidas

\Delta\xi_{t}: variação da taxa de câmbio nominal

\Delta ICI_{t-i}^{inflacao}: variação do ICI-Inflação, composto pelos preços das commodities, medidas em dólares, que são relevantes para o IPCA

nino_{t-1}: primeira defasagem da dummy se o mundo está ou não sob efeito do El Níño

h_t: hiato do produto

 T_i: dummies sazonais

O coeficiente encontrado para a dummy El Niño foi  de 1,1. Ou seja, o fim do El Niño em um determinado trimestre reduz a inflação de alimentos em 1,1p.p. no trimestre seguinte. Isto representa quase 0,3p.p. de efeito no IPCA. Especialmente em 2017, podemos ter efeito ainda maior, já que acabamos de passar por um dos maiores El Niño da história. A taxa de câmbio e os preços de commodities no mercado internacional também são muito significantes na determinação da inflação de alimentos. A apreciação de 1,0% no câmbio retira 0,16p.p.da inflação de alimentos, e -1,0% no índice de commodities implica em -0,11p.p em alimentos.

 

Rendered by QuickLaTeX.com

 

Em suma, a reversão do El Niño no início do 2º  semestre de 2016 já reduziu significativamente a inflação no final do ano passado e deve ter forte impacto também no IPCA de 2017. Supondo, por exemplo, que a inflação ex-alimentos seja de 4,5%, mas os alimentos e bebidas subam 3% (próximo ao padrão de 2009), a inflação de 2017 seria de 4,1%. Portanto, bem abaixo do centro da meta de inflação.

A inflação de alimentos mais baixa facilita ao BC atingir a meta também em 2018, pois "lava" parte dos efeitos da indexação/inércia inflacionária, ainda muito fortes no Brasil. Um belo presente da natureza para o Banco Central, hein?

 

Agradeço a Elisa Andrade pelo auxílio na preparação deste conteúdo.

 

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Analisando o sentimento da política monetária com IA usando Python

Análise de sentimentos é uma técnica de Processamento de Linguagem Natural (PLN) que serve para revelar o sentimento contido em um texto. Neste exercício, aplicamos esta técnica para analisar as atas das reuniões do COPOM, revelando o que os diretores de política monetária discutem nas entrelinhas. Utilizando um modelo de Inteligência Artificial através do Python, produzimos ao final um índice de 0 a 100 para sintetizar a análise histórica.

Como a IA pode auxiliar na otimização de Portfólio de Investimentos?

A construção de portfólio ótimo refere-se ao processo de alocar eficientemente capital entre um conjunto predefinido de ativos ou títulos. O campo da construção de portfólio tem sido extensivamente estudado por acadêmicos e profissionais desde a década de 1950, quando Markowitz introduziu sua inovadora abordagem de média-variância para a construção de portfólio. Diante disso, podemos melhorar o processo de alocação de peso de um investimento em um portfólio através do Aprendizado não supervisionado com a aplicação do Hierarchical Risk Parity (HRP). Neste exercício, realizamos uma introdução ao método e mostramos os resultados de um exemplo criado através do Python.

Prevendo múltiplas séries usando IA no Python

Como podemos realizar previsões para várias séries temporais simultaneamente? Para abordar essa questão, empregamos a biblioteca MLForecastdo Python. Esta biblioteca disponibiliza uma variedade de modelos e funcionalidades para realizar previsões em séries temporais utilizando técnicas de aprendizado de máquina. Demonstramos sua aplicação ao prever as curvas de energia horária em quatro regiões distintas do Brasil.

Esse exercício é uma continuação do exercício “Usando IA para prever o consumo de energia no Brasil com Python”.

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.