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

Coletando e integrando dados do BCB, IBGE e IPEA de forma automatizada

Quem trabalha com modelagem e previsão macroeconômica sabe o quanto é demorado reunir dados de diferentes fontes — Banco Central, IBGE, IPEA, FRED, IFI... Cada um com sua API, formato, frequência e estrutura. Esse gargalo de coleta e padronização consome tempo que poderia estar sendo usado na análise, nos modelos ou na comunicação dos resultados.

Foi exatamente por isso que criamos uma rotina de coleta automatizada, que busca, trata e organiza séries temporais econômicas diretamente das APIs oficiais, pronta para ser integrada a pipelines de previsão, dashboards ou agentes de IA econometristas.

Criando operações SQL com IA Generativa no R com querychat

No universo da análise de dados, a velocidade para obter respostas é um diferencial competitivo. Frequentemente, uma simples pergunta de negócio — “Qual foi nosso produto mais vendido no último trimestre na região Nordeste?” — inicia um processo que envolve abrir o RStudio, escrever código dplyr ou SQL, executar e, finalmente, obter a resposta. E se pudéssemos simplesmente perguntar isso aos nossos dados em português, diretamente no nosso dashboard Shiny?

Dashboard Financeiro com IA e Shiny Python: Análise de Dados Abertos da CVM

Este artigo apresenta um tutorial completo sobre como construir uma ferramenta de análise financeira de ponta. Utilizando Shiny for Python, demonstramos a automação da coleta de dados das Demonstrações Financeiras Padronizadas (DFP) da CVM e o tratamento dessas informações com Pandas. O ponto alto do projeto é a integração da IA Generativa do Google Gemini, que atua como um assistente de análise, interpretando os dados filtrados pelo usuário e fornecendo insights contábeis e financeiros em tempo real. O resultado é um dashboard dinâmico que democratiza a análise de dados complexos e acelera a tomada de decisão.

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.