PEC 241: os gastos e receitas do governo foram para o R!

Muito calor foi produzido na última semana por conta da PEC 241, aquela que busca limitar o crescimento dos gastos primários do governo. Com o tempo escasso, a única coisa que postei sobre o tema foi um post com três gráficos autoexplicativos, que pode ser visto aqui. Hoje, em uma manhã de sábado ensolarada no Rio, terminando dois exercícios para o Clube do Código, resolvi prestar uma espécie de serviço público: levar os dados de receita e despesa primárias (não financeiros) do governo central para o R. Isto porque, ao ler os inúmeros comentários do post com os três gráficos (o post atingiu 30 mil pessoas e já tem 11 mil likes!), percebi que um grande número de pessoas não faz a menor ideia do comportamento desses componentes nos últimos anos. Isso, claro, vai de encontro ao objetivo maior da Análise Macro: ensinar estudantes, professores e profissionais de mercado a lidar melhor com dados. Vamos, então?

Com o código que irei colocar nesse post, você poderá baixar os dados do Tesouro diretamente para o R, bem como poderá fazer algum tratamento inicial dos mesmos. Para uma análise mais aprofundada, será necessário um pouco mais de conhecimento sobre a linguagem e, claro, sobre estatística e econometria. Membros do Clube do Código terão acesso mais tarde a todo o código visto aqui, bem como outros complementos e os dados utilizados. À medida que eu tiver tempo, irei trabalhar essas séries ao longo das próximas semanas. E, você, claro, também pode fazer um dos nossos cursos para adquirir autonomia nessa análise.

Bom, para baixar e "ler" os dados, você precisará do código abaixo.

### Importar dados
www <- 'http://www.tesouro.fazenda.gov.br/documents/10180/246449/Anexos+RTN+Ago+2016.xlsx/4a211f60-4b4d-414a-88de-a0e7073d41c9'
temp <- tempfile()
download.file(www, temp, mode='wb')
data <- loadWorkbook(temp)
data <- readWorksheet(data, sheet = "1.1", header = TRUE,
 colTypes = 'numeric')

Observe que estou usando duas funções do pacote XLConnect, porque os dados disponíveis no site do Tesouro estão em formato .xlsx. Uma vez importados esses dados diretamente para o R, nós podemos fazer algum tratamento inicial deles. O código abaixo faz isso.

data <- t(data[-c(1:3, 77:81),-1])
data <- ts((data[1:236,]), start=c(1997,01), freq=12)

Meu objetivo com o código acima é basicamente retirar linhas e colunas desnecessárias e transformar os dados em séries temporais. Agora, de modo a controlar essas receitas e despesas pelo PIB, eu vou baixar a série mensal do Banco Central com a função getSeries, criada pelo Alexandre Rademaker. Você pode saber mais sobre ela, aqui. Coloco o código abaixo.

pib <- ts(getSeries(4382, data.ini='01/12/1997', 
 data.fim = '01/08/2016')$valor,
 start=c(1997,12), freq=12)

Também vou precisar do número índice do IPCA para deflacionar as séries. Infelizmente, não encontrei nenhuma fonte on line para esse dado. Há algumas páginas estáticas por aí, que você pode fazer webscraping para isso. O Wilson Freitas, por exemplo, fez isso aqui. Como eu já tinha a série no meu desktop, preferi importá-la de lá mesmo. O código abaixo faz isso.

ipca <- ts(read.csv2('ipca.csv', header=T, sep=';', dec=',')[,-1], start=c(1997,01), freq=12) 

Bom, agora temos todos os dados necessários para fazer alguma análise. Nós temos as séries originais de gastos e receitas em valores nominais, temos o PIB e temos o número índice do IPCA. Assim, vamos prosseguir deflacionando nossas séries (para preços de agosto de 2016) e acumulando as mesmas em 12 meses. O código abaixo faz isso.


### Deflacionar Séries 
real <- tail(ipca,1)*data/ipca
colnames(real) <- colnames(data)

real12 <- real+lag(real,-1)+lag(real,-2)+lag(real,-3)+
 lag(real,-4)+lag(real,-5)+lag(real,-6)+lag(real,-7)+
 lag(real,-8)+lag(real,-9)+lag(real,-10)+lag(real,-11)
colnames(real12) <- colnames(data)

Uma vez feito isso, podemos agora criar um gráfico com o pacote ggplot2 das receitas líquidas de transferências a Estados e Municipios e das despesas primárias totais. Por algum problema no plugin do wordpress, contudo, não pude colocar o código todo da função autoplot, com os complementos. Quem se interessar, pode dar uma olhada aqui.

autoplot(real12[,c(34,35)])

grafico01

Temos, assim, o nível das despesas e receitas primárias reais do governo central, acumuladas em 12 meses. Para comparar, podemos, agora, colocar os valores nominais como percentual do PIB, como abaixo.

data12 <- data+lag(data,-1)+lag(data,-2)+lag(data,-3)+
 lag(data,-4)+lag(data,-5)+lag(data,-6)+lag(data,-7)+
 lag(data,-8)+lag(data,-9)+lag(data,-10)+lag(data,-11)
colnames(data12) <- colnames(data)

ppib <- data12/pib*100
colnames(ppib) <- colnames(data)

Utilizando a função autoplot, fazemos o gráfico abaixo.

grafico02

Uma vez que vimos o nível em termos reais e em relação ao PIB, podemos nos concentrar agora no ritmo de crescimento. Para isso, podemos comparar a série em t com a mesma série em t-12, fazendo assim a variação interanual dessas séries. O código abaixo faz isso.

interanual <- (real12/lag(real12,-12)-1)*100
colnames(interanual) <- colnames(data)

E o gráfico é colocado abaixo.

grafico31

Esse gráfico dá uma dimensão de como as despesas primárias totais e as receitas primárias líquidas de transferências acumuladas em 12 meses cresceram, em termos reais, desde dezembro de 1998, na métrica interanual. Para ver a média desse crescimento, podemos utilizar a função colMeans. Ela mostrará que, em média, as despesas cresceram 5,80% e as receitas líquidas, 5,17%. Apenas para efeito de comparação, a variação média interanual real do PIB, nessa série do Banco Central, foi de 3,84%, cerca de, portanto, 2 pontos percentuais menor do que a variação das despesas.

Os dados, portanto, parecem ser claros, não é mesmo? Durante todo esse período, as despesas do governo têm crescido quase 6% ao ano, em termos reais! Isso é muito mais do que o crescimento do PIB. Significa dizer que para manter esse crescimento das despesas, ou bem as receitas continuam aumentando (isso significa que você irá pagar mais impostos!), ou a dívida continua aumentando, porque o governo terá de emitir mais títulos para cobrir o déficit primário (diferença entre receitas e despesas) ou, pior, o governo recorre à emissão monetária para financiar seus gastos. Esse último, claro, seria uma catástrofe.

É nesse contexto que a PEC 241 deve ser discutida. Simplesmente não é viável manter esse ritmo de crescimento das despesas, sob pena de precisarmos aumentar muito a carga tributária, o que prejudicaria ainda mais a já baixa produtividade da economia brasileira. Ademais, mantido esse ritmo de crescimento das despesas, é bem provável que os investidores continuem exigindo mais prêmio de risco (juros) para carregar os títulos do Tesouro. Mais juros implicam em maior serviço da dívida, o que amplia o risco de default (calote!).

Entender essas questões passa por entender o que dizem os dados, não é mesmo? Se você gostou da análise feita aqui, fique ligado na nossa próxima do Curso de Análise de Conjuntura usando o R, onde coletamos e tratamentos diversos dados macroeconômicos!

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.