O Novo Normal da economia brasileira

Ontem, o IBGE divulgou o resultado das Contas Nacionais no 2º trimestre. O número na margem, de 0,4%, acabou surpreendendo positivamente o mercado, que esperava algo próximo a 0,2%. No nosso Curso de Análise de Conjuntura usando o R, a propósito, temos um script de R automatizado para coleta dos dados do PIB. O script começa carregando os seguintes pacotes.


## Pacotes

library(xtable)
library(ggplot2)
library(forecast)
library(reshape2)
library(xts)
library(scales)
library(sidrar)
library(mFilter)
library(scales)
library(readxl)

Uma vez carregados os pacotes, podemos utilizar o sidrar para pegar os dados das Contas Nacionais diretamente do SIDRA/IBGE, como no exemplo abaixo.


## Dados sem ajuste sazonal
tabela = get_sidra(api='/t/1620/n1/all/v/all/p/all/c11255/90687,90691,90696,90707,93404,93405,93406,93407,93408/d/v583%202')

series = c(90687,90691,90696,90707,93404,93405,93406,93407,93408)

names = c('Agro', 'Ind', 'Serv', 'PIB',
'Consumo', 'Governo', 'FBCF',
'Exportação', 'Importação')

pib <- matrix(NA, ncol=length(series),
nrow=nrow(tabela)/length(series))

for(i in 1:length(series)){

pib[,i] <- tabela$Valor[tabela$
`Setores e subsetores (Código)`
==series[i]]

pib <- ts(pib, start=c(1996,01), freq=4)

colnames(pib) <- names

}

O código acima pega os números índices encadeados e sem ajuste sazonal dos componentes do PIB pelo lado da oferta e pelo lado da demanda. Código semelhante pega os dados com ajuste sazonal. A partir desses números índices, nós podemos construir métricas de variação marginal, interanual e acumulada em quatro trimestres. A tabela abaixo resume essas métricas.

Variação dos Componentes do PIB (%)
Margem Trimestral Anual 2 anos
Agro -0,4 0,3 1,1 2,8
Ind 0,7 0,3 -0,1 0,9
Serv 0,3 1,2 1,2 2,7
PIB 0,4 1,0 1,0 2,4
Consumo 0,3 1,6 1,4 4,1
Governo -1,0 -0,7 -0,2 -0,3
FBCF 3,2 5,2 4,3 6,4
Exportação -1,6 1,8 4,3 9,1
Importação 1,0 4,7 5,4 12,8

A boa notícia, como pode ser visto na tabela, é o resultado da Formação Bruta de Capital Fixo (FBCF), que cresceu 3,2% na margem e 5,2% na comparação interanual. Quando se olha, porém, o nível da série da FBCF com ajuste sazonal pode-se ver a enorme distância do pico de 2013. Abaixo, os gráficos que resumem a série.

Outra boa notícia é que o Consumo cresce na margem desde o primeiro trimestre de 2017. A notícia não tão boa é que a taxa de crescimento acumulada em quatro trimestres da economia brasileira parece convergir para 1%, como pode ser visto nos gráficos a seguir.

Essa convergência reflete tanto problemas estruturais da economia brasileira, bem como choques conjunturais. Por um lado, é preciso recuperar o investimento e a produtividade com base na agenda de reformas. Por outro, a economia foi bastante machucada pelos eventos que ocorreram ao longo do ano passado, como a greve de caminhoneiros e os problemas na Argentina. O quadro geral da economia brasileira pode ser visto no gráfico a seguir.

O "Novo Normal" da economia brasileira é um crescimento próximo de 1% ao ano desde o quarto trimestre de 2017. Considerando um crescimento da população de 0,8%, a renda per capita ficou praticamente estagnada no período. Situação nada agradável para uma economia que possui 12,7 milhões de pessoas no desemprego. Romper com essa barreira vai exigir persistência na agenda de reformas, bem como redução da incerteza, como notado no post anterior.

Por fim, dado o crescimento de 0,4% no 2º trimestre , o carry-over ficou em 0,6%, isto é, se o PIB crescer 0% na margem nos próximos trimestres, o crescimento em 2019 fecha em 0,6% no acumulado do ano.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Decomposição do Impulso de Crédito no Brasil usando Python

Neste exercício, mostramos como o Python pode ser utilizado para calcular uma métrica central para a compreensão da dinâmica entre crédito e atividade econômica no Brasil, a partir de um ciclo completo e altamente reprodutível de coleta, tratamento e análise de dados.

Aplicando o Time Series Transformer para prever inflação (IPCA)

Neste exercício, exploramos a previsão de séries temporais utilizando o Temporal Fusion Transformer (TFT). O TFT é uma arquitetura de Deep Learning baseada em mecanismos de atenção, desenhada especificamente para lidar com múltiplas variáveis e horizontes de previsão longos, mantendo a interpretabilidade — uma característica frequentemente ausente em modelos de "caixa-preta".

Análise do Payroll norte-americano com Python

O Payroll norte-americano é o termômetro da economia global. No post de hoje, mostro como analisar esse indicador usando Python e as bibliotecas Pandas e Plotnine. Saia do básico e aprenda a visualizar a geração de empregos nos EUA de forma profissional.

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.