Consumo de Energia e Crescimento do PIB

Ao longo das últimas semanas, tenho publicado diversos posts sobre a pandemia do coronavírus bem como o seu impacto sobre a economia brasileira a partir de indicadores antecedentes de nível de atividade. Uma boa proxy para o que vai ocorrer com a atividade nesse período, por suposto, está no consumo de energia elétrica. De forma a identificar esse efeito, produzimos a edição 73 do Clube do Código, que busca verificar a relação entre consumo de energia e crescimento econômico. Para isso, construímos diversos modelos e análises ao longo da respectiva edição com base tanto no nível quanto nas taxas de crescimento das séries.

Para fazer essa análise, primeiro podemos dar uma olhada na carga diária de energia, que é uma série temporal disponibilizada pelo Operador Nacional do Sistema Elétrico (ONS).

Com a série acima, não dá para fazer muita coisa, não é mesmo? Precisamos tratá-la. Primeiro, nós mensalizamos a série.

Na sequência, nós dessazonalizamos a série. O gráfico abaixo ilustrar o comportamento de um recorte da série, a partir de 2010. Com esse tratamento que fizemos, é possível observar uma queda significativa no consumo de energia no mês de março e nos primeiros dias de abril.

O gráfico a seguir ilustra a variação interanual, isto é, o mês t contra o mês t-12. Os primeiros dias de abril sugerem uma queda próxima a 9% no consumo de energia.

Identificamos assim que, de fato, houve um impacto significativo sobre o consumo de energia, como era esperado, dado o fechamento de estabelecimentos comerciais em quase todo o país. Uma vez feito isso, precisamos agora relacionar o consumo de energia com o PIB. Para isso, contudo, precisamos ao invés de mensalizar o consumo de energia, trimestralizá-lo, de forma a torná-lo comparável ao PIB. O gráfico a seguir ilustra o PIB com ajuste sazonal e o consumo de energia trimestralizado, bem como as variações anualizadas. A série do PIB está disponível no SIDRA/IBGE.

Um ponto importante aqui é que a despeito das mesmas não serem estacionárias, elas possuem uma relação de longo prazo. Em termos econométricos, dizemos que as mesmas são cointegradas.

Uma vez tratadas as nossas séries, nós agora precisamos verificar o sentido da causalidade entre as séries. Ao aplicarmos o procedimento de Toda-Yamamoto, os resultados encontrados sugerem que há uma causalidade no sentido do PIB para a carga de energia. Estabelecido o sentido da causalidade, nós podemos criar o nosso modelo log-log, de modo a estimar a elasticidade entre as séries. Ao estimarmos nosso modelo, chegamos a uma elasticidade de 1,1, em linha com exercícios similares.

Dada uma elasticidade próxima de 1, podemos esperar um grande estrago sobre o nível de atividade, dados os primeiros números relacionados ao consumo de energia de meados de março para cá.

________________________

Lee, C.C., 2005, Energy Consumption and GDP in Developing Countries: A Cointegrated Panel Analysis, Energy Economics, 27, 415-427.

Toda H.Y.; Yamamoto T. (1995). Statistical inference in vector autoregressions with possibly integrated processes. Journal of Econometrics, 66, 225–250. 

(*) Aprenda a produzir exercícios como esse em nossos Cursos Aplicados de R.

(**) Os códigos estarão disponíveis amanhã na Edição 73 do Clube do Código.


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.