Tag

conjuntura Archives - Análise Macro

Dashboard de Mercado de Trabalho

By | Indicadores

O Mercado de trabalho configura em uma associação de relações entre demanda e oferta de trabalho e na análise de conjuntura, investigar esta área é de grande importância, devido a riqueza de informações que os indicadores passam sobre a situação socioeconômica do país. Na Análise Macro, realizamos essa investigação da forma mais facilitada possível: com um dashboard! Com base nos painéis interativos produzidos no nosso Curso de Análise de Conjuntura, conseguimos analisar por completo essa área. No post de hoje mostraremos o dashboard de mercado de trabalho.

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. Para o dashboard de trabalho não é diferente, caso queira realizar o compartilhamento online do painel é possível seguindo os mesmo passos.

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

Existem três abas no dashboard, contando com a página inicial. Na primeira, que é a página inicial, demonstra a visão geral do mercado de trabalho, exibindo gráfico temporal da variação da taxa do desemprego medida pela PNADc mensal. As caixas exibem os valores dos ocupados e desocupados em milhões, medidos pelo IBGE, bem como o último valor da taxa de desocupados.

Na segunda aba, demonstra o termômetro do PNADc, desagregando o seus principais indicadores, separando-os também por abas.  Na primeira, é medido em milhões de pessoas a População total (PIA), a Força de Trabalho (PEA), o número de Ocupados e Desocupados, as pessoas Fora da Força de Trabalho (PNEA), a Taxa de Desocupação, o Nível de Ocupação e  a Taxa de Participação.

Em Ocupação por categorias, é desagregado as categorias do tipo de emprego pelas pessoas ocupadas. mostrando em milhões o Empregado com e sem Carteira, o Trabalhador Doméstico, o Empregado do Setor Público, o Trabalhador familiar auxiliar, o Empregador e aqueles que trabalham por Conta Própria.

Também é desagregado em relação aos grupos de atividade exercidos pelo trabalhadores, medidos em milhões de pessoas, demonstrando as áreas de Agricultura, Indústria Geral, Construção, Comércio, Transporte, Alojamento e alimentação, entre outros tipos de atividade, que são medidos pela PNADc.

É também possível acompanhar o rendimento dos trabalhadores, em reais, ao longo do tempo. Vemos no dashboard o rendimento médio real e nominal em uma aba de rendimentos, bem como também é possível ver a massar de rendimentos em milhões em outra aba (também real e nominal).

Por fim, vemos ao longo do tempo o Saldo no Novo CAGED a nível nacional, em milhares.

 

Como foi possível ver, o dashboard de mercado de trabalho nos force informações importantes para analisar a conjuntura e os caminhos econômicos percorridos no país, o útil a sua fácil utilização. Aqui na Análise Macro, ensinamos a construir dashboards iguais a este com nossos Curso de Análise de Conjuntura com o R e de Produção de Dashboards.

 

Análise de Dados de Setor Externo no R

By | Indicadores

Introdução

Na análise de conjuntura econômica a investigação do setor externo do Brasil é uma importante forma de conferir a dinâmica do país em relação ao resto do mundo. Os indicadores produzidos pelo setor externo merecem atenção pelo fato de contribuírem com informações importantes também para a economia doméstica. De forma que seja facilitado a análise desses indicadores, no post de hoje ensinamos como realizar a coleta, tratamento e visualização com o R.

Como exemplos, utilizaremos três indicadores do setor externo que exprimem informações importantes para a macroeconomia dos país e os possíveis caminhos que o Brasil está e pode seguir: Déficit em transações correntes, reservas internacionais e investimento direto no país em relação ao PIB.

Para coletar estes indicadores, importaremos os dados direto do Banco Central, utilizando o pacote {GetBCBData}, conforme os códigos de cada série que se encontram no Sistema Gerenciador de Séries Temporais do Banco Central. Com os códigos em mãos, podemos coletar os dados com a função gbcbd_get_series e realizar o tratamento necessário para visualizar os dados.


library(GetBCBData)
library(tidyverse)
library(ggrepel)
library(scales)

## Parâmetros e códigos para coleta de dados
parametros <- dplyr::lst(
# Balanço de Pagamentos
bpm6 = c(
# Transações correntes - mensal - saldo - US$ (milhões)
"Transações correntes" = 22701,

# Reservas internacionais - Total - mensal - US$ (milhões)
"Reservas internacionais" = 3546,

# Investimento Direto no País acumulado em 12 meses em relação ao PIB - mensal - %
"Investimento Direto no País (12m - % PIB)" = 23080
)
)

 

</pre>
### Coleta de dados

# Balanço de Pagamentos (contas e indicadores)
raw_bpm6 <- GetBCBData::gbcbd_get_series(
id = parametros$bpm6,
first.date = Sys.Date() - 5 * 365,
use.memoise = FALSE
)

# Balanço de Pagamentos (contas e indicadores)
bpm6 <- raw_bpm6 %>%
dplyr::select(
"date" = ref.date,
"variable" = series.name,
value
) %>%
dplyr::as_tibble() %>%
pivot_wider(names_from = variable, values_from = value)
<pre>

 

Déficit em Transações Correntes

</pre>
# Transações Correntes

bpm6 %>%
ggplot(aes(
x = date,
y = -`Transações correntes`/ 1000))+
geom_line(size = 1, color = "#282f6b")+
geom_hline(yintercept = 0, linetype = "dashed")+
labs(x = "",
y = "US$ Bilhões",
title = "Déficit em Transações Correntes",
subtitle = "Saldo Mensal",
caption = "Fonte: analisemacro.com.br com dados do BCB.")+
ggplot2::theme(
plot.title = ggplot2::element_text(size = 14, face = "bold", hjust = 0, vjust = 2),
plot.subtitle = ggplot2::element_text(size = 12, face = "italic", hjust = 0),
plot.caption = ggplot2::element_text(size = 10, hjust = 1),
panel.background = ggplot2::element_rect(fill = "white", colour = "white"),
axis.line.x.bottom = ggplot2::element_line(colour = "black"),
axis.line.y.left = ggplot2::element_line(colour = "black"),
legend.position = "top",
legend.direction = "horizontal",
plot.margin = ggplot2::margin(5, 25, 5, 5),
panel.spacing = ggplot2::unit(2, units = "lines"),
strip.background = ggplot2::element_rect(fill = "transparent", colour = NA),
strip.text = ggplot2::element_text(face = "bold")
)
<pre>

Reservas Internacionais

</pre>
# Reservas Internacionais

bpm6 %>%
ggplot(aes(
x = date,
y = `Reservas internacionais`/ 1000))+
geom_line(size = 1, color = "#b22200")+
labs(x = "",
y = "US$ Bilhões",
title = "Reservas Internacionais",
subtitle = "Estoque mensal",
caption = "Fonte: analisemacro.com.br com dados do BCB.")+
ggplot2::theme(
plot.title = ggplot2::element_text(size = 14, face = "bold", hjust = 0, vjust = 2),
plot.subtitle = ggplot2::element_text(size = 12, face = "italic", hjust = 0),
plot.caption = ggplot2::element_text(size = 10, hjust = 1),
panel.background = ggplot2::element_rect(fill = "white", colour = "white"),
axis.line.x.bottom = ggplot2::element_line(colour = "black"),
axis.line.y.left = ggplot2::element_line(colour = "black"),
legend.position = "top",
legend.direction = "horizontal",
plot.margin = ggplot2::margin(5, 25, 5, 5),
panel.spacing = ggplot2::unit(2, units = "lines"),
strip.background = ggplot2::element_rect(fill = "transparent", colour = NA),
strip.text = ggplot2::element_text(face = "bold")
)
<pre>

Investimento Direto no país

</pre>
# Investimento Direto no país

bpm6 %>%
ggplot(aes(
x = date,
y = `Investimento Direto no País (12m - % PIB)`))+
geom_line(size = 1, color = "#eace3f")+
labs(x = "",
y = "",
title = "Investimento Direto no País",
subtitle = "Acumulado em 12 meses (% PIB)",
caption = "Fonte: analisemacro.com.br com dados do BCB.")+
ggplot2::theme(
plot.title = ggplot2::element_text(size = 14, face = "bold", hjust = 0, vjust = 2),
plot.subtitle = ggplot2::element_text(size = 12, face = "italic", hjust = 0),
plot.caption = ggplot2::element_text(size = 10, hjust = 1),
panel.background = ggplot2::element_rect(fill = "white", colour = "white"),
axis.line.x.bottom = ggplot2::element_line(colour = "black"),
axis.line.y.left = ggplot2::element_line(colour = "black"),
legend.position = "top",
legend.direction = "horizontal",
plot.margin = ggplot2::margin(5, 25, 5, 5),
panel.spacing = ggplot2::unit(2, units = "lines"),
strip.background = ggplot2::element_rect(fill = "transparent", colour = NA),
strip.text = ggplot2::element_text(face = "bold")
)

 

Quer aprender a criar códigos para análises de conjuntura?

Confira nosso curso de Análise de Conjuntura no R, no qual ensinamos a realizar uma análise completa da conjuntura do país realizando a coleta, tratamento e visualização de forma totalmente reprodutível.

Relatório #38 - Análise de dados de Crédito no R

By | Indicadores

Mercado de crédito

O Mercado de crédito compreende-se como um sistema no qual ocorrem trocas financeiras, visando repassar o dinheiro dos poupadores para os tomadores. Esse mercado tem uma importância significativa nos países, principalmente no Brasil, de forma que empresas e pessoas consigam financiamento e empréstimos , estimulando novas formas de negócio e promovendo a dinâmica da economia. Para a análise do Mercado de Crédito, podemos acompanhar as concessões totais de créditos por tomadores, bem como a taxa média de juros dessas operações para que possamos compreender o momento macroeconômico do país. No post de hoje, iremos ensinar a como coletar esses indicadores e também a dessazonalizar e deflacionar as concessões de crédito. Esse exercício faz parte do nosso Curso de Análise de Conjuntura com o R, onde ensinamos a coletar, tratar e visualizar os dados do Mercado de Crédito.

Pacotes

# Carregar pacotes
library(GetBCBData)
library(magrittr)
library(dplyr)
library(ggplot2)
library(scales)
library(tidyr)
library(deflateBR)
library(lubridate)
library(ggseas)
library(stringr)
library(zoo)

&lt;/pre&gt;
## Funções e objetos úteis

# Cores para gráficos e tabelas
colors &lt;- c(
blue = "#282f6b",
red = "#b22200"
)

# Fonte para gráficos e tabelas
foot_ibge &lt;- "Fonte: analisemacro.com.br com dados do BCB."

# Definir padrão de gráficos
ggplot2::theme_set(
theme(
plot.title = ggplot2::element_text(size = 15, hjust = 0, vjust = 2)
)
)

Código das séries

Para a coleta dos dados, devemos ter em mãos as séries disponibilizadas pelo Sistema Gerenciados de Séries Temporais do Banco Central. Através delas, coletamos os dados com o pacote {GetBCBData}.

&lt;/pre&gt;
## Parâmetros e códigos para coleta de dados
parametros &lt;- c(
# Concessões de crédito - Total - R$ (milhões)
"Concessões de crédito - Total" = 20631,

# Concessões de crédito - Pessoas jurídicas - Total - R$ (milhões)
"Concessões de crédito - PJ" = 20632,

# Concessões de crédito - Pessoas físicas - Total - R$ (milhões)
"Concessões de crédito - PF" = 20633,

# Taxa média de juros das operações de crédito - Total - % a.a.
"Taxa média de juros das operações de crédito" = 20714
)
&lt;pre&gt;
&lt;/pre&gt;
## Coleta dos dados

# Dados do BCB (tidy)
raw_dados &lt;- GetBCBData::gbcbd_get_series(
id = parametros,
first.date = "2000-01-01",
use.memoise = FALSE
)
&lt;pre&gt;

Tratamento

Realizamos o tratamento de forma que possamos deflacionar as séries e visualizá-las.

&lt;/pre&gt;
## Tratamento dos dados

# Dados tratados em formato long
dados &lt;- raw_dados %&gt;%
dplyr::select(
"date" = ref.date,
"variable" = series.name,
value
)

# Deflacionar variáveis selecionadas (concessões)
concessoes &lt;- dados %&gt;%
dplyr::filter(
variable %in% c(
"Concessões de crédito - Total",
"Concessões de crédito - PJ",
"Concessões de crédito - PF"
)
) %&gt;%
tidyr::pivot_wider(
id_cols = date,
names_from = variable,
values_from = value
) %&gt;%
dplyr::mutate(
dplyr::across(
-date,
~deflateBR::deflate( # deflacionar séries com o IPCA
nominal_values = .,
nominal_dates = date %m+% months(1),
real_date = format(tail(date, 1), "%m/%Y"),
index = "ipca"
)
)
) %&gt;%
tidyr::pivot_longer(
cols = -date,
names_to = "variable",
values_to = "value"
)
&lt;pre&gt;

Concessões mensais de crédito

concessoes %&gt;% 
dplyr::filter(variable == "Concessões de crédito - Total") %&gt;% 
ggplot2::ggplot(ggplot2::aes(x = date, y = value/1000)) +
ggseas::stat_seas( # dessazonalizar série com X13
start = c(2011, 03), 
frequency = 12,
colour = unname(colors["blue"])
) +
ggplot2::labs(
x = "", 
y = "R$ Bilhões", 
title = "Concessões mensais de crédito",
subtitle = paste0(
"Valores dessazonalizados e deflacionados pelo IPCA - preços de ", 
format(tail(concessoes$date, 1), "%b/%Y")
),
caption = foot_ibge) +
ggplot2::scale_x_date(
breaks = scales::date_breaks("1 year"),
labels = scales::date_format("%Y")
)

Concessões de Crédito: PJ x PF

concessoes %&gt;% 
dplyr::filter(variable %in% c("Concessões de crédito - PJ", "Concessões de crédito - PF")) %&gt;% 
ggplot2::ggplot(ggplot2::aes(x = date, y = value/1000, colour = variable)) +
ggseas::stat_seas( # dessazonalizar série com X13
start = c(2011, 03), 
frequency = 12
) +
ggplot2::labs(
x = "", 
y = "R$ Bilhões", 
title = "Concessões mensais de crédito: PF vs. PJ",
subtitle = paste0(
"Valores dessazonalizados e deflacionados pelo IPCA - preços de ", 
format(tail(concessoes$date, 1), "%b/%Y")
),
caption = foot_ibge) +
ggplot2::scale_x_date(
breaks = scales::date_breaks("1 year"),
labels = scales::date_format("%Y")
) +
ggplot2::scale_color_manual(NULL, values = unname(colors[1:2])) +
ggplot2::theme(legend.position = "bottom")

Taxa média de Juros

dados %&gt;% 
dplyr::filter(variable == "Taxa média de juros das operações de crédito") %&gt;% 
ggplot2::ggplot(ggplot2::aes(x = date, y = value)) +
ggplot2::geom_line(size = 1, colour = unname(colors[1])) +
ggplot2::labs(
x = "", 
y = "% a.a.", 
title = "Taxa média de juros das operações de crédito - Total",
caption = foot_ibge) +
ggplot2::scale_x_date(
breaks = scales::date_breaks("1 year"),
labels = scales::date_format("%Y")
)

Oferta Especial!

No próximo dia 17, das 9h às 19h da manhã, você terá a chance de participar do pré-lançamento do treinamento Análise de Dados Macroeconômicos e Financeiros no R. Para concorrer a uma das vagas com desconto, acesse o link e conheça os detalhes.

____________________

Relatório AM #34 - Pesquisa Mensal de Serviços (PMS)

By | Indicadores

A Pesquisa Mensal de Serviços (PMS) é um dos principais indicadores de acompanhamento do setor de serviços no Brasil. A pesquisa produzida pelo IBGE podem ter seus dados acessados pelo SIDRA. No R, é possível acessar os dados da PMS através do pacote {sidrar}. Nós ensinamos além dessa coleta, o tratamento e a visualização  no nosso Curso de Análise de Conjuntura.

Primeiro carregamos os pacotes.


library(tidyverse)
library(sidrar)
library(patchwork)

Prosseguimos para a coleta dos dados via SIDRA e também para o tratamento dos dados.


# PMS
parametros <- list(api_pms = "/t/6442/n1/all/v/all/p/all/c11046/40311,40312/d/v8676%201,v8677%201")

# Função get_sidra realiza a coleta dos dados

raw_pms <- sidrar::get_sidra(api = parametros$api_pms)

# Tratamentos dos dados e o cálculos das variações

pms <- raw_pms %>%
dplyr::filter(`Variável` == "Índice de volume de serviços") %>%
dplyr::select(
"date" = `Mês (Código)`,
"index" = `Tipos de índice`,
"value" = Valor
) %>%
tidyr::pivot_wider(
id_cols = date,
names_from = index,
values_from = value
) %>%
rename_with(~c("date", "volume", "volume_sa")) %>%
dplyr::mutate(
date = lubridate::ym(date),
margem_volume = (volume_sa / dplyr::lag(volume_sa, 1) - 1) * 100,
interanual_volume = (volume / dplyr::lag(volume, 12) - 1) * 100,
anual_volume = acum_i(volume, 12),
id = "PMS (Volume)"
) %>%
filter(date > "2015-01-01")

A partir disso, podemos visualizar nossos dados.

 

 

 

Além do gráfico de linhas, construímos também uma tabela.

________________

Você confere o script completo no nosso Curso de Análise de Conjuntura usando o R. A apresentação da PMC também está disponível no Clube AM.

Relatório #28 - Produção de veículos, PMC, IPCA e Copom

By | Indicadores

No Relatório AM da semana, iremos realizar uma breve analise de quatro eventos econômicos da semana: os resultados da produção de veículos, PMC e IPCA. Iremos também analisar os caminhos da decisão do COPOM na semana.

Produção de Veículos
A Produção de veículos é divulgada pela Associação Nacional dos Fabricantes de Veículos Automotores (ANFAVEA) e possui uma grande importância informacional: nos ajuda a saber o caminho do crescimento do produto interno no país.

No Mês de novembro vemos que houve uma variação marginal de 15,13%. Em comparação com o ano passado, temos um resultado negativo de 13,5% e na anual um valor de 13,75%.

Ao visualizarmos a série temporal do indicador, vemos que em junho de 2020 teve uma variação positiva grande o suficiente para que a escala do gráfico torne a visualização complicada. Para isso, podemos remover esse outlier, apenas para que possamos analisar a série nos últimos meses.

PMC

Nos últimos meses, as vendas no varejo na margem não tem apresentado resultados satisfatórios. Vemos nos últimos dois meses a queda na variação marginal, bem como a queda no mês de setembro na variação interanual. A ver o que pode acontecer com o resultado de outubro.

Podemos ver o comportamento da pesquisa mensal de comércio. Apesar da recuperação em relação a pandemia no início do ano, vemos nos últimos meses sinais de piora do indicador.

IPCA

Também ocorrerá a divulgação do IPCA na semana. Vemos nos últimos meses a escalada do indicador no ano e o aumento na margem.

Em relação a expectativa do mercado para o indicador, vemos através do boletim Focus, como tem sido no ano o aumento do IPCA em 2021 e 2022.

Copom

Na semana também ocorrerá a decisão do Copom pela mudança da taxa SELIC. Com o aumento das expectativas do IPCA nos últimos meses, temos a possibilidade do aumento da taxa SELIC. Podemos ver a escalada da expectativa do mercado medido pelo Focus no ano de 2021 e 2022 para a taxa de juros. Atualmente a taxa se encontra em 7,75%, com a possibilidade de terminar o ano em 9,25%.

________________________

(*) Para entender mais sobre análise de conjuntura econômica, confira nosso Curso de Análise de Conjuntura usando o R - Versão 5.0.

________________________

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

Assinar Gratuitamente