Tag

análise de conjuntura Archives - Análise Macro

Dashboard de Política Fiscal

By | Indicadores

Acompanhar os resultados fiscais do Brasil devem estar entre os principais pontos de analises feitos por aqueles que desejam acompanhar a conjuntura econômica do país. Investigar os principais resultados fiscais das diferentes esferas do governo, sejam valores nominais ou deflacionados. Para tanto, aqui na Análise Macro, ensinamos nossos alunos não somente a teoria sobre a política fiscal, bem como a construção de um painel de monitoramento para esta área da analise de conjuntura. No post de hoje, mostraremos o Dashboard de Política Fiscal, construído com base no Curso de Análise de Conjuntura com o R.

Nas últimas semanas, realizamos demonstrações sobre os dashboards de nível de atividade econômica e de inflação, produzidos aqui na Análise Macro, no qual também ensinamos nestes posts a como realizar o deploy desses painéis. Demonstramos também nossos Dashboards de Mercado de Trabalho e Política Monetária. Para tanto, mostraremos aqui o Dashboard de Política Fiscal.

Você pode ver o resultado através do seguinte link:https://analisemacro.shinyapps.io/dashboard_fiscal/

Na primeira aba, encontramos a Necessidade de Financiamento do Setor Público para diferentes esfera do governo e em diversas unidades de medidas. Dentre as possibilidades de input do NFSP por esfera de governo, temos:  INSS, Governo Federal, Governo Estadual, Governos Municipais, Empresas Estatais e Setor Público Consolidado. Para as unidades de medida, encontra-se disponíveis: Valores Nominais, Valores Deflacionados, Valores Nominais (12 meses, % do PIB) e Valores Deflacionados (12 meses).

Como possibilidade input, também encontra-se o filtro de período de seleção. Os gráficos dispostos sugerem os diferentes indicadores da NFSP, bem como há uma tabela demonstrando os valores deflacionados em meses para diferentes esferas de governo.

Na segunda aba, encontra-se disponível as diversas contas desagregados do Resultado Primário do governo, em diferente unidades de medidas, sendo estas as mesmas da primeira aba, adicionado a Variação Percentual (12 meses, %).  O interessante desta aba é que é possível baixar as contas (em formato long), em uma planilha .csv.

Na terceira aba, há as contas desagregadas da Dívida Pública, com os gráficos das diferentes métricas de Endividamento Público. Nas Unidades de Medida, encontra-se três possíveis valores: Valores Nominais, Valores Deflacionados e Valores Nominais (% do PIB).

Quer aprender a criar Dashboards com o R?

Nos cursos oferecidos pela Análise Macro, você consegue criar as habilidades necessárias para criar Dashboards com o R utilizando os principais indicadores Econômicos e Financeiros. Veja nossos cursos de Análise de Conjuntura usando o R, Produção de Dashboards, Modelos Preditivos (de Machine Learning) aplicados à Macroeconomia e R para o Mercado Financeiro.

Tempestade Perfeita

By | Comentário de Conjuntura

O Brasil é um dos países que mais sofreu com o fenômeno inflacionário. Convivemos, de modo pacífico, com uma das maiores hiperinflações que se tem notícia na humanidade. De alguma forma, aprendemos a conviver com variações mensais de dois dígitos, faça chuva ou faça sol, sem que isso fosse motivo para uma guerra ou revolução.

Já hoje, setembro de 2021, a coisa parece ser um pouco diferente. Passados 27 anos do Plano Real, o plano de estabilização que deu fim à hiperinflação brasileira, a população não se mostra mais tão dócil quando o assunto é aumento persistente e generalizado de preços.

Chovem críticas nas ruas.

Ainda mais em um cenário de pandemia, onde o nível de desemprego está nas alturas.

A inflação medida pelo IPCA, o principal índice de preços do país, registrou em agosto alta de 0,87% a.m. No acumulado em 12 meses, o número ficou em 9,68%. Estamos muito próximos de chegar, novamente, à inflação de dois dígitos. Algo que, infelizmente, não é tão raro abaixo da linha do Equador.

O IPCA é um índice construído de forma hierarquizada, sendo composto por grupos, subgrupos, itens e subitens. Cada grupo é composto por bens e serviços que têm características semelhantes. No gráfico acima, diga-se, nós colocamos a contribuição desses grupos para a inflação mensal. Como se pode observar, há um espalhamento dessa contribuição ao longo dos últimos meses. 

Não é a "inflação de alimentos" ou a "inflação de combustíveis", como gostam de escrever nossos jornalistas econômicos.

A inflação pegou no breu.

Uma forma um pouco mais elegante de ver isso é construir núcleos de inflação. Aqui na Análise Macro, inclusive, desenvolvemos o pacote de R {nucleos}, que constrói os núcleos de inflação divulgados pelo Banco Central. O pacote está disponível para os alunos da 2ª Turma do nosso Curso de Análise de Conjuntura usando o R, que abriu inscrições ontem, 08/09.

O objetivo de um núcleo de inflação é o de retirar bens e serviços que tenham apresentado variações mais bruscas do que o normal. Ou que sistematicamente variam de forma um pouco mais ampla do que o normal. Assim, ficariam apenas os itens que representam a tendência da inflação ao longo do tempo.

Como se pode ver no gráfico acima, quando retiramos todos os "vilões" apontados pela imprensa, fica a inflação. Todos os núcleos por exclusão e núcleos estatísticos se aceleraram de 2020 para cá, mostrando que a tendência inflacionária encontra-se em alta.

O mais grave: está acima do limite superior do regime de metas, representado no gráfico pela área cinza.

A inflação, nesse contexto, pegou no breu.

O gráfico acima ilustra o comportamento da inflação cheia, a média dos 7 núcleos divulgados pelo Banco Central e os limites de tolerância representados pela meta e suas bandas superior/inferior.

Rompemos todos os limites aceitáveis dentro do regime de metas.

O mais grave: com uma economia que ainda está bem abaixo do seu nível normal e esbanja mais de 14 milhões de pessoas desocupadas.

Há muitas explicações para isso, como conta o primeiro gráfico desse texto.

Ao longo dos últimos meses, sofremos diversos choques.

Os preços de commodities ficaram mais altos e isso tem impacto direto no preço de alimentos e de combustíveis, por exemplo.

Além disso, diversos problemas nas cadeias globais geraram restrições de insumos para a indústria.

A falta de chuvas levou ao acionamento de termelétricas, com um custo mais alto que repassado para o consumidor.

Todos esses choques primários foram sendo repassados para outros preços da economia, gerando assim efeitos secundários, de difícil controle por parte da política monetária.

A política monetária pode e deve enfrentar/acomodar choques primários, evitando que os mesmos sejam repassados para outros preços.

Mas há um trade-off importante na condução da política monetária.

Os Bancos Centrais operam com base em uma função de perda social, dando peso para a distância entre inflação e meta de inflação, mas também devem olhar para o hiato do produto, a distância entre o pib e o potencial da economia.

Com a pandemia, o PIB hibernou em um vale de lamentações, o que acabou levando a política monetária a manter-se expansionista por um longo período.

Foi o que todos os países fizeram, diga-se.

A política monetária em terreno expansionista acabou sendo o fio condutor dessa transmissão de choques primários para a economia, gerando o processo inflacionário consolidado que estamos vivendo.

Não estou, diga-se, culpando o Banco Central, ainda que a culpa seja, de fato, dele.

Dificilmente, algum outro banqueiro central (ou colegiado, para ser mais exato) tomaria outro tipo decisão em meio a uma das maiores catástrofes dos últimos 100 anos.

Faz parte do jogo.

A economia está convergindo para um crescimento medíocre na margem e colhe inflação em aceleração.

Mas vai melhorar, você diz.

Não acho que vai. Minha visão é que vai piorar ainda mais.

Mas talvez eu tenha que ler menos jornal, ver menos televisão.

Os dias finais de inverno no Rio merecem minha atenção...

_____________________________

(*) Aprenda a fazer esse tipo de análise em nosso Curso de Análise de Conjuntura usando o R.

Kit Análise Macro

By | Cursos da Análise Macro

Na Aula ao Vivo de terça-feira, sobre CAGED vs. PNAD no R, fizemos o lançamento do Kit Análise Macro.

Infelizmente, as faculdades brasileiras não oferecem o ensino de programação focada em análise de dados em seus currículos; elemento crucial hoje em dia para lidar com as grandes bases de dados disponíveis em empresas, bancos e consultorias.

Para resolver esse gap acadêmico e te ajudar a dar um upgrade na sua carreira, a Análise Macro preparou uma oferta especial para quem busca realizar análise e previsão de variáveis macroeconômicas:

O melhor? Todos esses Cursos mais o Clube AM com 40% de desconto por tempo limitadíssimo!

O Clube AM, para quem ainda não sabe, é o espaço exclusivo da Análise Macro, com grupo fechado no whatsapp, acesso a exercícios semanais de análise de dados, reuniões mensais com o Professor Vítor Wilher e networking entre os membros.

Corre na página da promoção aqui e garanta esse super desconto: as vagas são limitadas!

____________

(*) Para não perder as próximas Aulas ao Vivo, se cadastra na nossa lista VIP aqui.

IBC-Br e a recuperação em V

By | PIB

O IBC-Br é um indicador de periodicidade mensal, construído pelo Banco Central, que busca incorporar a trajetória de variáveis consideradas como proxies para o desempenho dos diversos setores da economia. Na 31ª edição do Clube do Código, diga-se, eu faço uma comparação entre o IBC-Br e o PIB, de modo a verificar se aquele é um bom preditor desse. A análise completa do índice é feita no nosso Curso de Análise de Conjuntura usando o R. Aqui, vou mostrar como coletar os dados do índice diretamente do Banco Central, bem como gerar um tratamento e visualização dos dados.

script começa carregando alguns pacotes de R:


## Pacotes
library(tidyverse)
library(scales)
library(Quandl)
library(BETS)
library(tstools)
library(knitr)

Na sequência, eu baixo os dados do Banco Central a partir do pacote BETS. Ademais, já crio as variações que quero para mostrar o avanço do índice no curto prazo.


## Coleta e tratamento dos dados
ibc = BETSget(24363, data.frame=TRUE)
ibc_sa = BETSget(24364, data.frame=TRUE)
ibc_df = inner_join(ibc, ibc_sa, by='date') %>%
as_tibble() %>%
rename(ibc = value.x, ibc_sa = value.y) %>%
mutate(margem = (ibc_sa/lag(ibc_sa,1)-1)*100) %>%
mutate(interanual = (ibc/lag(ibc,12)-1)*100) %>%
mutate(trimestral = acum_i(ibc_sa,3)) %>%
mutate(anual = acum_i(ibc, 12))

De posse dos dados, eu posso criar uma tabela como abaixo, de modo a ilustrar o avanço do índice nos últimos meses.

Índice de Nível de Atividade do Banco Central
Data IBC-Br IBC_sa Margem Interanual Trimestral Anual
2020-03-01 136.34 131.62 -5.93 -1.59 -1.82 0.73
2020-04-01 119.03 119.42 -9.27 -14.27 -6.50 -0.45
2020-05-01 120.37 121.43 1.68 -13.55 -10.99 -1.99
2020-06-01 126.96 127.90 5.33 -6.06 -10.26 -2.36
2020-07-01 136.77 132.64 3.71 -4.30 -2.30 -2.83
2020-08-01 136.66 134.05 1.06 -3.92 5.94 -3.09

Observamos por essa tabela que o índice tem se recuperado nos últimos meses do tombo sofrido em março e abril por conta da pandemia do Covid-19. Na variação interanual, contudo, o índice ainda mostra comparações negativas com igual mês do ano passado. Todas as variações e o índice em nível podem ser mostrados em um gráfico múltiplo como abaixo.


A análise do índice nos últimos meses parece indicar uma recuperação em V, isto é, uma forte recuperação após o tombo do nível de atividade em março e abril.

Como mostro naquele exercício do Clube do Código, contudo, a comparação entre IBC-Br e PIB deve ser vista com cautela.

__________

(*) Para ter acesso aos códigos completos dos nossos futuros exercícios, cadastre-se na nossa Lista VIP aqui.

(**) Inscrições para as Turmas de Verão começam no próximo dia 27/10. Seja avisado por e-mail clicando aqui.

Análise da Taxa de Poupança com o R

By | PIB

Uma das questões postas na atual difícil conjuntura que vivemos é o aumento da taxa de poupança. Alguns jornalistas e mesmo analistas de mercado têm apontado para um aumento da poupança em resposta às dificuldades impostas pela pandemia. Dadas as suas repercussões sobre o consumo e, consequentemente, sobre a recuperação do nível de atividade, foi até mesmo um ponto relevante no último Relatório de Inflação divulgado pelo Banco Central.

Para nivelar o terreno, alguma informação inicial. Para fazer uma análise da poupança, precisaremos recorrer à taxa de poupança trimestral e à taxa de poupança acumulada em quatro trimestres, de modo a dar alguma perspectiva de tendência sobre os números.

Sempre lembrando que a taxa de poupança é dada pela Poupança Bruta sobre o Produto Interno Bruto - viu como as aulas de Contabilidade Social são importantes?

Feita a ressalva, vamos aos dados. Os dados de poupança encontram-se no SIDRA/IBGE, na parte de Contas Nacionais Trimestrais, especificamente nas Contas Econômicas Integradas (CEI). Caso não lembre bem disso, considere fazer nosso Curso de Macroeconomia com Laboratórios de R. O pedaço de código abaixo é o início do script que usei para fazer esse exercício. Ele carrega alguns pacotes e baixa os dados da poupança trimestral para o R.


####################################################
##### Análise da Poupança nas Contas Nacionais #####

library(sidrar)
library(tidyverse)
library(RcppRoll)
library(scales)
library(zoo)
library(seasonal)
library(tsibble)
library(feasts)

### Coletar dados individuais do SIDRA/IBGE ###

poupanca = get_sidra(api='/t/6726/n1/all/v/all/p/all/d/v9774%201') %>%
mutate(date = as.yearqtr(`Trimestre (Código)`, format='%Y%q')) %>%
rename(tx_poupanca_tri = Valor) %>%
select(date, tx_poupanca_tri)

De posse da poupança trimestral, vamos avançar e calcular a poupança acumulada em quatro trimestres. Para isso, precisaremos da poupança bruta e do produto interno bruto. O código abaixo pega os dados das Contas Econômicas Integradas, disponíveis no SIDRA/IBGE e já executa os cálculos que precisamos.


#### Acumular dados em quatro trimestres ###

tabela_cei = get_sidra(api='/t/2072/n1/all/v/933,940/p/all') %>%
mutate(date = as.yearqtr(`Trimestre (Código)`, format='%Y%q')) %>%
select(date, `Variável`, 'Valor') %>%
spread(`Variável`, 'Valor') %>%
mutate(pib_4t = roll_sum(`Produto Interno Bruto`,4,
fill=NA, align='right'),
pb_4t = roll_sum(`(=) Poupança bruta`,4,
fill=NA, align='right')) %>%
mutate(tx_poupanca = pb_4t/pib_4t*100) %>%
as_tibble()

Temos agora tanto a taxa trimestral quanto a taxa acumulada em quatro trimestres. Mas há mais uma coisa a fazer. Se você reparar bem, vai ver que existe um efeito sazonal na taxa de poupança. O código a seguir junta os dois tibbles acima e dessazonaliza os dados.


data = inner_join(tabela_cei, poupanca, by='date') %>%
mutate(poupanca_sa = final(seas(ts(tx_poupanca_tri,
start=c(2000,01),
freq=4))))

O gráfico abaixo ilustra o comportamento das três séries.

De fato, a poupança acumulada em 4 trimestres e a poupança dessazonalizada estão crescendo desde o ano passado. Com um crescimento pronunciado entre o quarto trimestre de 2019 e o segundo de 2020. A seguir, deixamos claro a sazonalidade da poupança, que costuma cair no último trimestre do ano.

De posse dos dados, fica a cargo do leitor criar a melhor narrativa...

_____________

(*) Para ter acesso aos códigos completos do exercício, cadastre-se na nossa Lista VIP aqui.

(**) Inscrições abertas para as Turmas Especiais dos nossos Cursos de Macro Aplicada.

 

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais
e conteúdos exclusivos sobre Análise de Dados!

Assinar Gratuitamente