Decompondo o PIB com o R

[et_pb_section admin_label="section"][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"]

Com a divulgação do PIB essa semana (analisado aqui), podemos atualizar a participação dos três grandes setores da economia no valor adicionado (lembre-se que o PIB é calculado, pela ótica da produção como sendo o valor bruto de produção menos o consumo intermediário, isto é, o valor adicionado). No quarto trimestre de 2016, o setor de serviços foi responsável por 73,30% do valor adicionado, enquanto a indústria ficou com 21,24% e a agropecuária com 5,45%. O gráfico abaixo apresenta a evolução dessa participação ao longo do tempo.

Observa-se que o setor de serviços tem ganhado espaço no valor adicionado, tendo como contrapartida a perda de participação da indústria. Ademais, é importante lembrar que para chegar ao PIB propriamente dito, precisaremos adicionar os impostos, saindo assim de preços básicos para preços de mercado (ou do consumidor).

Podemos, a propósito, ver também a participação dos componentes da demanda, isto é, a famosa identidade

(1)   \begin{equation*} Y = C + I + G + X - M \end{equation*}

Onde C é o Consumo das Famílias, I é o Investimento, G é o Consumo do Governo, X representa as exportações e M as importações. Lembre-se que aqui o investimento é dividido em Formação Bruta de Capital Fixo (FBCF) e Variação de Estoques. O gráfico é colocado abaixo.

Observa-se que o Consumo das Famílias é o componente com maior participação, seguido do Consumo do Governo e do Investimento. A participação do Setor Externo (X-M) é residual na economia brasileira. No quarto trimestre de 2016, o consumo das famílias representou 64,01% do PIB, enquanto a FBCF foi de 16,38%. Abaixo, a propósito, colocamos um gráfico da taxa de investimento da economia brasileira.

Na margem, como ilustra a área hachurada, a FBCF despencou, causando uma queda da taxa de investimento...

[/et_pb_text][/et_pb_column][/et_pb_row][et_pb_row admin_label="Linha"][et_pb_column type="1_3"][/et_pb_column][et_pb_column type="1_3"][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/02/CLUBE.png" show_in_lightbox="off" url="https://analisemacro.com.br/clube-do-codigo/" 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_column][et_pb_column type="1_3"][/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

Como usar LangGraph e LLMs para prever a inflação no Brasil

Este post apresenta um estudo de caso sobre como utilizar o LangGraph e modelos de linguagem para estruturar um sistema multiagente voltado à previsão do IPCA. O exercício cria um sistema que utiliza-se de personas analíticas que trabalham em paralelo, permitindo validar previsões, calcular métricas de erro e consolidar relatórios automatizados. A abordagem demonstra como fluxos multiagentes podem apoiar a análise econômica, oferecendo múltiplas perspectivas e maior consistência nos resultados.

O que é GraphRAG e implementar usando LangChain

GraphRAG é uma técnica de recuperação de informação para LLMs que utiliza grafos de conhecimento para conectar entidades e relações, permitindo estruturar informações complexas presentes em textos. Neste exercício, mostramos como transformar as atas do Copom em um grafo capaz de compreender essas entidades e relações, respondendo a perguntas complexas de forma contextualizada. Com Python e LangChain, todo o processo se torna automatizado, simples e altamente explorável.

Shiny + Agentes de IA: como criar aplicativos web inteligentes

A combinação de interfaces de usuário interativas com o poder dos grandes modelos de linguagem (LLMs) está abrindo um universo de possibilidades. Imagine criar um aplicativo web que não apenas exibe dados, mas também conversa com o usuário, respondendo a perguntas complexas com base em uma base de conhecimento específica. Usando Shiny para Python e ferramentas de IA como as do Google, isso é mais acessível do que nunca.

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.