Impacto do reajuste de energia elétrica no IPCA de abril

reajusteEssa meus amigos de Minas não vão gostar muito, mas vamos lá. Uma das incertezas para a previsão do IPCA de abril era a amplitude do impacto dos reajustes de energia elétrica aprovados pela ANEEL. A previsão que eu fiz era de variação do índice de 0,78%, com +-0,13 p.p. de incerteza, como pode ser visto no post ai embaixo - e que estava em linha com as demais consultorias. Nesse cálculo estava contabilizado um impacto de 0,08 pontos percentuais vindo dos reajustes de energia elétrica, de acordo com os dias em que foram aprovados. O IPCA de abril foi de 0,67%, com impacto de 0,04 pontos percentuais dos reajustes de energia elétrica. A empresa que mais conseguiu repassar o reajuste foi a Cemig, de Minas Gerais, como pode ser vista nessa tabelinha ai. Ela teve autorização de reajustar as tarifas residenciais em 14,24%, a partir de 08/04. A variação mensal do subitem energia elétrica em Belo Horizonte foi de 12,03%, bem próximo do reajuste concedido. Sabe-se que o repasse para o consumidor desse tipo de aumento é quase sempre integral e o tempo depende apenas da eficiência da empresa em questão. Desse modo, parece que a Cemig fez jus à fama. Na segunda-feira eu publico uma análise mais apurada do índice divulgado hoje.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como choques inflacionários afetam a previsão da Selic?

Como mensurar a importância de choques na inflação sobre o erro de previsão da taxa de juros? Neste exercício quantificamos esta pergunta sob a ótica de um modelo VAR, usando dados recentes da macroeconomia brasileira. Especificamente, estimamos a decomposição da variância dos erros de previsão do modelo, analisando choques na inflação da gasolina e sua importância sobre a variância dos erros de previsão da taxa Selic.

Modelo de previsão para o preço da gasolina

Neste exercício exploramos os dados públicos sobre o preço da gasolina no Brasil, sua composição, evolução temporal, políticas associadas e, por fim, construímos um modelo simples de previsão. Com um modelo em mãos, o analista pode cenarizar o comportamento futuro da série da forma como preferir. Todos os procedimentos foram feitos usando a linguagem de programação Python.

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.