Entendendo a desinflação da economia brasileira - Parte I

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="1_2"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

A inflação medida pelo IPCA de março, divulgada na última sexta-feira, mostrou avanço de 0,25%. No acumulado em 12 meses, a inflação fechou em 4,57%. Esse valor é -0,19 p.p. em relação ao de fevereiro e de -4,82 p.p. em relação a março do ano passado. Ademais, a difusão da inflação foi calculada em 55,76% , ante 69,44% no mesmo mês do ano anterior. A tabela ao lado traz um resumo do comportamento da inflação cheia e dos núcleos de inflação.

A média da variação mensal dos cinco núcleos de inflação construídos pelo Banco Central evoluiu -0,18 p.p. na comparação interanual. Em março de 2016, ela foi de 0,44%, enquanto em 2017 foi de 0,27%. No acumulado em 12 meses, por outro lado, a média saiu de 8,03% para 5%, mostrando uma desaceleração do processo inflacionário.

O gráfico abaixo mostra o comportamento da inflação desde janeiro de 2006, quando a meta passou a ser de 4,5% A área hachurada, por seu turno, destaca o arrefecimento da inflação no período recente. Desde agosto do ano passado, por suposto, o processo de desinflação tem sido intensificado.

[/et_pb_text][/et_pb_column][et_pb_column type="1_2"][et_pb_code admin_label="Código"]<!-- html table generated in R 3.2.3 by xtable 1.8-2 package --> <!-- Mon Apr 10 19:24:01 2017 --> <table border=1> <caption align="top"> IPCA vs. Núcleos de Inflação (%) </caption> <tr> <th> </th> <th> Mensal Mar/17 </th> <th> Mensal Mar/16 </th> <th> Anual Mar/17 </th> <th> Anual Mar/16 </th> </tr> <tr> <td> IPCA </td> <td align="center"> 0,25 </td> <td align="center"> 0,43 </td> <td align="center"> 4,57 </td> <td align="center"> 9,39 </td> </tr> <tr> <td> Médias Aparadas com Suaviz. </td> <td align="center"> 0,28 </td> <td align="center"> 0,61 </td> <td align="center"> 5,61 </td> <td align="center"> 8,77 </td> </tr> <tr> <td> Médias Aparadas sem Suaviz. </td> <td align="center"> 0,24 </td> <td align="center"> 0,48 </td> <td align="center"> 4,54 </td> <td align="center"> 7,64 </td> </tr> <tr> <td> Exclusão Monit. e Adm. </td> <td align="center"> 0,14 </td> <td align="center"> 0,42 </td> <td align="center"> 4,60 </td> <td align="center"> 7,24 </td> </tr> <tr> <td> Exclusão 2 </td> <td align="center"> 0,42 </td> <td align="center"> 0,23 </td> <td align="center"> 5,51 </td> <td align="center"> 7,95 </td> </tr> <tr> <td> Dupla Ponderação </td> <td align="center"> 0,25 </td> <td align="center"> 0,48 </td> <td align="center"> 5,73 </td> <td align="center"> 8,53 </td> </tr> </table>[/et_pb_code][/et_pb_column][/et_pb_row][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/04/plot1-2.png" show_in_lightbox="on" url_new_window="off" use_overlay="off" animation="left" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"] [/et_pb_image][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

Cabe, nesse ponto, a ressalva de que a inflação brasileira não apenas tem sido persistente e crescente, como também difundida nos últimos anos. O comportamento do índice de difusão abaixo deixa isso bastante claro. Na margem, ademais, a difusão também tem caído, o que mostra um processo de desinflação consolidado.

[/et_pb_text][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/04/plot21.png" show_in_lightbox="on" url_new_window="off" use_overlay="off" animation="left" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"] [/et_pb_image][/et_pb_column][/et_pb_row][et_pb_row admin_label="row"][et_pb_column type="1_2"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

A tabela ao lado, por suposto, abre a inflação medida pelo IPCA pelos seus nove grupos. Observe que a inflação acumulada em 12 meses no grupos Alimentos e Bebidas saiu de 13,25% em março de 2016 para 4,04% em março de 2017, refletindo basicamente o choque positivo nesse grupo, como analisamos em post anterior. A inflação no grupo Habitação também sofreu forte desaceleração, saindo de 8,43% para 4,47% na mesma base de comparação, enquanto a inflação no grupo Artigos para Residência saiu de 6,67% para 1%. Os grupos Saúde e Cuidados Pessoais e Comunicação, pelo contrário, ainda mostram resistência. O gráfico abaixo abre a contribuição dos nove grupos para a inflação acumulada em 12 meses.

 

[/et_pb_text][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/04/plot3.png" show_in_lightbox="on" url_new_window="off" use_overlay="off" animation="left" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"] [/et_pb_image][/et_pb_column][et_pb_column type="1_2"][et_pb_code admin_label="Código"]<!-- html table generated in R 3.2.3 by xtable 1.8-2 package --> <!-- Mon Apr 10 19:34:37 2017 --> <table border=1> <caption align="top"> Grupos do IPCA (%) </caption> <tr> <th> </th> <th> Mensal Mar/17 </th> <th> Mensal Mar/16 </th> <th> Anual Mar/17 </th> <th> Anual Mar/16 </th> </tr> <tr> <td> IPCA </td> <td align="center"> 0,25 </td> <td align="center"> 0,43 </td> <td align="center"> 4,57 </td> <td align="center"> 9,39 </td> </tr> <tr> <td> Alimentação </td> <td align="center"> 0,34 </td> <td align="center"> 1,24 </td> <td align="center"> 4,04 </td> <td align="center"> 13,25 </td> </tr> <tr> <td> Habitação </td> <td align="center"> 1,18 </td> <td align="center"> -0,64 </td> <td align="center"> 4,47 </td> <td align="center"> 8,43 </td> </tr> <tr> <td> Artigos de Residência </td> <td align="center"> -0,29 </td> <td align="center"> 0,70 </td> <td align="center"> 1,00 </td> <td align="center"> 6,67 </td> </tr> <tr> <td> Vestuário </td> <td align="center"> -0,12 </td> <td align="center"> 0,69 </td> <td align="center"> 2,20 </td> <td align="center"> 5,94 </td> </tr> <tr> <td> Transportes </td> <td align="center"> -0,86 </td> <td align="center"> 0,16 </td> <td align="center"> 1,77 </td> <td align="center"> 8,08 </td> </tr> <tr> <td> Comunicação </td> <td align="center"> -0,63 </td> <td align="center"> -1,65 </td> <td align="center"> 2,74 </td> <td align="center"> 2,35 </td> </tr> <tr> <td> Saúde e Cuidados Pessoais </td> <td align="center"> 0,69 </td> <td align="center"> 0,78 </td> <td align="center"> 10,34 </td> <td align="center"> 10,21 </td> </tr> <tr> <td> Despesas pessoais </td> <td align="center"> 0,52 </td> <td align="center"> 0,60 </td> <td align="center"> 6,65 </td> <td align="center"> 9,15 </td> </tr> <tr> <td> Educação </td> <td align="center"> 0,95 </td> <td align="center"> 0,63 </td> <td align="center"> 8,30 </td> <td align="center"> 9,14 </td> </tr> </table>[/et_pb_code][/et_pb_column][/et_pb_row][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

No próximo post, analisamos os subgrupos da inflação medida pelo IPCA. Enquanto isso, veja os cursos da Análise Macro com inscrições abertas abaixo. No Clube do Código, ademais, você tem acesso a todos os códigos desse exercício.

 

[/et_pb_text][/et_pb_column][/et_pb_row][et_pb_row admin_label="Linha"][et_pb_column type="1_3"][et_pb_button admin_label="Botão" button_url="https://analisemacro.com.br/clube-do-codigo/" url_new_window="off" button_text="Conheça o Clube do Código" button_alignment="center" background_layout="light" custom_button="off" button_letter_spacing="0" button_use_icon="default" button_icon_placement="right" button_on_hover="on" button_letter_spacing_hover="0"] [/et_pb_button][/et_pb_column][et_pb_column type="1_3"][et_pb_button admin_label="Botão" button_url="https://analisemacro.com.br/cursos-de-r/teoria-macroeconomica/" url_new_window="off" button_text="Curso de Teoria Macroeconômica" button_alignment="center" background_layout="light" custom_button="off" button_letter_spacing="0" button_use_icon="default" button_icon_placement="right" button_on_hover="on" button_letter_spacing_hover="0"] [/et_pb_button][/et_pb_column][et_pb_column type="1_3"][et_pb_button admin_label="Botão" button_url="https://analisemacro.com.br/cursos-de-r/macroeconometria/" url_new_window="off" button_text="Curso de Macroeconometria usando o R " button_alignment="center" background_layout="light" custom_button="off" button_letter_spacing="0" button_use_icon="default" button_icon_placement="right" button_on_hover="on" button_letter_spacing_hover="0"] [/et_pb_button][/et_pb_column][/et_pb_row][/et_pb_section]

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Usando IA para prever o consumo de energia no Brasil com Python

Neste exemplo mostramos o poder da IA, especificadamente o uso de modelos de Machine Learning de Séries Temporais, para prever os valores da Curva de Carga Horária de Energia Elétrica do Sudeste disponibilizada pela ONS. Para realizar as previsões, além dos modelos, empregamos métodos de machine learning já conhecidos, como cross-validation, usando a biblioteca MlForecast do Python.

Controle Sintético: Lei Anti Fumo na Califórnia

O que é Controle Sintético e como podemos utilizar essa ferramenta para auxiliar no estudo da avaliação de impacto? Neste post, oferecemos uma breve introdução a esse importante método da área de inferência causal, acompanhado de um estudo de caso para uma compreensão mais aprofundada de sua aplicação. Os resultados foram obtidos por meio da implementação em Python, como parte integrante do nosso curso sobre Avaliação de Políticas Públicas utilizando esta linguagem de programação.

Previsão de crises financeiras com IA usando Python

Fazer investimentos sem analisar dados é como atirar no escuro. Ninguém quer estar numa posição errada na hora que uma nova crise estourar. Para mitigar estes riscos, modelos de probabilidade de recessão podem trazer informações relevantes para a tomada de decisão. Neste artigo mostramos uma aplicação destes modelos para a economia norte-americana, usando o ferramental de pacotes do 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.