Impacto dos reajustes de energia elétrica na Inflação

energiaeletricaO mês de abril está sendo marcado pelo reajuste de tarifas de energia elétrica por todo o país. A Agência Nacional de Energia Elétrica (ANEEL) autorizou até o dia 17/04 o reajuste para 13 distribuidoras. O montante envolve 27 milhões de unidades consumidoras e 2.205 municípios. Ao longo dos próximos dias e meses devem ocorrer novos aumentos para outras distribuidoras. O reajuste médio, para os clientes residenciais, ficou em 17,30%. Para as cidades que fazem parte do Índice Nacional de Preços ao Consumidor Amplo (IPCA), o reajuste ficou em 14,73%. Desse modo, o impacto máximo sobre o índice é de até 0,24 pontos percentuais, de acordo com a soma dos reajustes locais, ponderados pelo peso da energia elétrica na região metropolitana e pelo peso da região no IPCA. Nesse cálculo simples está implícito o repasse integral para o consumidor do reajuste nas tarifas para residência. O repasse dos reajustes no mercado cativo, que inclui consumidores industriais, depende da ociosidade de cada setor. Conforme novos reajustes forem anunciados, a tabela acima será atualizada e o impacto verificado.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como treinar e selecionar os melhores modelos de previsão no Python?

Em previsão, há uma infinidade de modelos que podem ser usados. O processo de escolha do(s) modelo(s) deve ser empírico-científico, usando métodos que visem avaliar a generalização dos algoritmos para dados novos. Neste artigo, mostramos como implementar a metodologia de validação cruzada com algoritmos de machine learning no Python, exemplificando para a previsão do IPCA.

Como selecionar variáveis para modelos de previsão no Python?

Em oposição à crença popular, grande parte dos modelos de machine learning não produzem previsões magicamente. É papel do cientista de dados executar uma boa engenharia de variáveis para não cair no clássico problema de “garbage in, garbage out” (GIGO) em aprendizado de máquina. Neste sentido, aprender a fazer uma boa seleção de variáveis é fundamental e neste artigo exploramos algumas possibilidades práticas usando o Python.

Resultado IPCA-15 - Novembro/2024

A Análise Macro apresenta os resultados do IPCA-15 de Novembro de 2024, com gráficos elaborados em Python para coleta, tratamento e visualização de dados. Todo o conteúdo, disponível exclusivamente no Clube AM, foi desenvolvido com base nos métodos ensinados nos cursos da Análise Macro, permitindo aos assinantes acesso aos códigos e replicação das análises.

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.