Análise do Nível de Atividade dos Estados brasileiros

Como realizar uma análise do nível de atividade dos Estados Brasileiros? É possível facilmente utilizar o Python para coletar, tratar e manipular e visualizar os dados que remetem a conjuntura econômica não somente do país mas também para a unidades federativas do país. No post de hoje, mostramos os resultados e possibilidades.

O Nível de atividade refere-se à quantidade de atividade econômica que ocorre dentro de um país ou estado em um determinado período de tempo. Isso inclui a produção de bens e serviços, a renda gerada por essa produção e o consumo desses bens e serviços pela população.

Podemos o nível de atividade por meio de diversos indicadores econômicos, dos quais iremos mostrar aqui:

  • PMS: Pesquisa Mensal Serviços refere-se a uma pesquisa realizada pelo IBGE que mensura a quantidade de serviços produzidos no país ou em um Estado.
  • PMC: Pesquisa Mensal de Comércio refere-se a uma pesquisa realizada pelo IBGE que mensura a comercialização de produtos no país ou em um Estado.
  • PIM-PF: Pesquisa Industrial Mensal refere-se a uma pesquisa realizada pelo IBGE que mensura a quantidade produtos produzidos pela Indústria Geral, Extrativa e Transformação.

Os indicadores acima são disponibilizados em diversas formas de cálculos, cada um com o objetivo especifico de avaliação:

  • Variação Mensal: mede a variação de um mês contra o imediatamente anterior com o objetivo de avaliar a mudança de curtissimo prazo do indicador, muito útil para entender a mudança de um mês para outro.
  • Variação Anual: mede a variação de um mês contra o do ano imediatamente anterior com o objetivo de avaliar a mudança do indicador há exatamente 1 ano. Muito útil para comparar a conjuntura do país.
  • Variação acumulada em 12 meses: mede o montante acumulado em uma janela de 12 meses. Muito útil para avaliar o indicador somente no curto prazo, mas também para avaliar em um período de recorte maior para ter entendimento da conjuntura econômica.

Vejamos abaixo os resultados que possamos obter.

Para entender como foi criado o gráfico e o modelo abaixo, faça parte do Clube AM, o repositório de códigos da Análise Macro, contendo exercícios semanais de R e Python.

Análise dos Indicadores de UFs

O gráfico abaixo demonstra a série temporal da variação acumulada em 12 meses da PIM-PF Ind. Geral dos Estados do Sudeste. Toda a coleta e filtro foram realizadas no Python utilizando o Pandas.

No gráfico abaixo tem-se a variação acumulada em 12 meses da PMC dos Estados brasileiros como data referência dezembro de 2022. O interessante é notar quais Estados tiveram a variação negativa e positiva no período, bem como aqueles tiveram os piores e melhores variação no período.

 

No gráfico abaixo tem-se a variação acumulada em 12 meses da PMS dos Estados brasileiros como data referência dezembro de 2022. O interessante é notar quais Estados tiveram a variação negativa e positiva no período, bem como aqueles tiveram os piores e melhores variação no período.

No gráfico abaixo tem-se a variação acumulada em 12 meses da PIMPF Indústria Geral dos Estados brasileiros como data referência dezembro de 2022. O interessante é notar quais Estados tiveram a variação negativa e positiva no período, bem como aqueles tiveram os piores e melhores variação no período.

Há diversas outras possibilidades de criação de gráficos a depender dos filtro a serem feitos nos conjuntos de dados. Há a possibilidade de verificar não somente a Indústria Geral, mas também a de Transformação e Extrativa.

Outro ponto é a possibilidade comparar Estados da mesma região, tanto em uma data referência, quanto também pela Série Temporal do indicador.

_____________________________________

Quer aprender mais?

Seja um aluno da nossa trilha de Macroeconomia Aplicada e aprenda a criar projetos voltados para a Macroeconomia

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Qual o efeito de um choque de juros sobre a inadimplência?

Neste exercício, exploramos a relação dinâmica entre o custo do crédito (juros na ponta) e o risco realizado (taxa de inadimplência) através de uma análise exploratória de dados e modelagem econométrica utilizando a linguagem de programação R.

Qual a relação entre benefícios sociais e a taxa de participação do mercado de trabalho?

Este exercício apresenta uma investigação econométrica sobre a persistente estagnação da taxa de participação no mercado de trabalho brasileiro no período pós-pandemia. Utilizando a linguagem R e dados públicos do IBGE e Banco Central, construímos um modelo de regressão linear múltipla com correção de erros robustos (Newey-West). A análise testa a hipótese de que o aumento real das transferências de renda (Bolsa Família/Auxílio Brasil) elevou o salário de reserva, desincentivando o retorno à força de trabalho.

Estamos em pleno emprego no mercado de trabalho?

Este artigo investiga se o mercado de trabalho brasileiro atingiu o nível de pleno emprego, utilizando uma estimativa da NAIRU (Non-Accelerating Inflation Rate of Unemployment) baseada na metodologia de Ball e Mankiw (1997). Através de uma modelagem em Python que unifica dados históricos da PME e PNAD Contínua com as expectativas do Boletim Focus, comparamos a taxa de desocupação corrente com a taxa neutra estrutural. A análise visual e quantitativa sugere o fechamento do hiato de desemprego, sinalizando potenciais pressões inflacionárias. O texto detalha o tratamento de dados, a aplicação do Filtro Hodrick-Prescott e discute as vantagens e limitações da metodologia econométrica adotada.

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.