Tag

pms Archives - Análise Macro

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 #29 - IPCA, PMS e IBC-br

By | Indicadores

No Relatório AM dessa semana, iremos falar sobre três indicadores: o IPCA, a Pesquisa Mensal de Serviços e o IBC-br.

Variação do IPCA

O IPCA do mês de novembro teve variação de 0,95%. Um resultado melhor que o esperado, considerando que o mercado financeiro projetava uma variação maior que a configurada. Podemos ver a desaceleração através do gráfico.

Inflação acumulada

O índice acumulado em 12 meses configurou em uma variação de 10,74%. Podemos compará-la com as metas de inflação e a média dos núcleos de inflação.

Contribuição dos Grupos para a Inflação mensal

No mês, vemos que o grupo de Transporte ainda persiste na contribuição para a alta da inflação medida pelo IPCA no Brasil, boa parte causada pelo aumento do preço da gasolina. Por outro lado, vemos que alimentação e bebidas configurou um resultado negativo.

PMS

Na semana, ocorrerá a divulgação da Pesquisa Mensal de Serviços. Podemos dar uma olhada no seus resultados nos últimos meses.

Vemos que há quedas na variação mensal, interanual. Na variação anual tem-se a variação positiva, devido ainda pelos resultados negativos do último ano.

IBC-br

Na semana também teremos o resultados do IBC-br. Como podemos ver, nos últimos meses temos resultados negativos na variação marginal.

________________________

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

________________________

Modelo preditivo para Serviços e índices de mobilidade do Google e da Apple

By | Comentário de Conjuntura

Ontem, no Relatório AM, falamos um pouco sobre o setor de serviços. Como se sabe, o setor de serviços foi de fato o mais impacto pelas medidas de restrição de mobilidade impostas pelos governos. Imagina-se, por suposto, que a volta à normalidade pré-pandemia tenha impactos positivos sobre esse setor. De modo a vislumbrar essa volta, vamos analisar nesse Comentário de Conjuntura os índices de mobilidade do Google e da Apple, com base no pacote covid19mobility.


library(tidyverse)
library(lubridate)

## Mobility Index

remotes::install_github("covid19r/covid19mobility")

library(covid19mobility)

### Apple Mobility Trends

amt_country = refresh_covid19mobility_apple_country()

amt_country %>%
filter(location == 'Brazil') %>%
select(date, data_type, value) %>%
spread(data_type, value) %>%
drop_na() %>%
group_by(date = floor_date(date, 'month')) %>%
summarise(across(everything(), list(mean))) %>%
gather(variavel, valor, -date) %>%
ggplot(aes(x=date, y=valor, colour=variavel))+
geom_hline(yintercept=100, colour='black', linetype='dashed')+
geom_line(size=.8)+
facet_wrap(~variavel, scales='free')+
theme(legend.position = 'none',
axis.text.x.bottom = element_text(size=7, face='bold'))+
labs(x='', y='',
title='Apple Mobility Trends',
caption='Fonte: analisemacro.com.br')

O AMT mostra uma reversão da queda na mobilidade vista ao longo de 2020. O índice base refere-se ao nível pré-pandemia. Como se pode ver pelo gráfico, o item trânsito ainda está aquém do nível pré-pandemia para o agregado do Brasil. Possivelmente, isso explica o fato dos serviços ainda estarem atrás na recuperação do comércio e da indústria.

Outro índice de mobilidade, talvez mais abrangente, seja o do Google. A seguir, ilustramos.


### Google Mobility Trends

gmt = refresh_covid19mobility_google_country()

gmt %>%
filter(location == "Brazil") %>%
select(date, data_type, value) %>%
drop_na() %>%
ggplot(aes(x=date, y=value, colour = data_type))+
geom_hline(yintercept=0, colour='black', linetype='dashed')+
geom_line()+
facet_wrap(~data_type, scales='free')+
theme(legend.position = 'none',
strip.text = element_text(size=7, face='bold'),
axis.text.x.bottom = element_text(size=7, face='bold'))+
labs(x='', y='',
title='Google Mobility Trends',
caption='Fonte: analisemacro.com.br')

O gráfico acima mostra uma recuperação de lazer e varejo, o item que mais sofreu com as restrições de mobilidade. Esse item é composto por restaurantes, shoppings e similares. As estações de transporte público também estão abaixo do nível pré-pandemia.

A tendência desses índices, por suposto, mostra uma recuperação da mobilidade nos últimos meses, em linha com a recuperação da economia. Os serviços, setor mais impactado, deve acompanhar essa recuperação, mas com alguma defasagem, dado o impacto que sofreu ao longo do ano passado.

De forma a construir uma projeção dos serviços, o Vítor Pestana, Cientista de Dados da área de Produtos aqui na Análise Macro está desenvolvendo um modelo do tipo ARIMAX, onde as co-variáveis são compostas por termos de busca do Google Trends. A seguir, mostramos alguns desses termos.


lazer <- c("restaurante","bar", "cinema", "show", "parque", "academia")
viagem <- c("hotel", "passagem de avião", "passagem de onibus", "aluguel de carro")
emprego <- c("seguro desemprego", "vaga", "currículo","empréstimo")
transporte <- c("onibus", "logistica", "frete", "estrada")
outros <- c("tempo")

Com os termos selecionados, é preciso extrair a informação da API do Google Trends por meio do pacote gtrends. O pacote extrai os dados de forma relativa, ou seja, se for feita uma busca com mais de um termo ao mesmo tempo, os dados serão padronizados em relação ao volume máximo de um dos índices. Por isso, estamos utilizando uma função que extrai os volume de pesquisas termo por termo.


gtrends_clean_mensal <- function(x) {

lista = list()

for (i in x) {

df = gtrends(keyword = i,
geo = "BR", time='all', onlyInterest=TRUE)
df = df$interest_over_time %>%
select(date, hits, keyword)

lista[[i]] = df
}

# diferença em 12 meses

data = bind_rows(lista) %>%
pivot_wider(names_from = keyword, values_from = hits) %>%
mutate_at(vars(-("date")), funs(. - lag(.,12))) %>%
na.omit()

return(data)
}

df_limpo = gtrends_clean_mensal(termos)

Como nosso N é muito reduzido, dado que a PMS começa em 2011, é necessário utilizar algum procedimento para diminuir o número de variáveis. Assim, utilizaremos o *framework* da Análise de Componentes Principais. Iremos selecionar, portanto, os componentes principais de forma que a variância explicada seja ao menos igual a 75%.

A partir disso, rodamos o nosso modelo ARIMAX em uma amostra de treino, avaliamos a acurácia do modelo e geramos as previsões para h períodos. O modelo ainda está em fase de desenvolvimento, mas mostra a validade do uso desse tipo de informação, cada vez mais utilizada para treinar modelos preditivos.

_______________________

(**) Membros do Clube AM têm acesso a detalhes do código que estamos desenvolvendo.

O Banco Central e a espada de Dâmocles

By | Comentário de Conjuntura

O Banco Central termina hoje mais uma reunião do Comitê de Política Monetária (COPOM), cujo objetivo é decidir sobre a trajetória da taxa básica de juros, a SELIC. O que mais importa na reunião, contudo, não é saber quanto de fato será a mudança na Selic, já que há um grande consenso em torno de 75 pontos-base, graças à comunicação do próprio Banco Central. Importa saber se o Comitê irá levar os juros para além da neutralidade, isto é, se de fato promoverá um ajuste total no juros, a ponto de tornar a política monetária contracionista. Nesse Comentário de Conjuntura, fazemos uma análise descritiva desse ponto.

(*) Aprenda a fazer esse tipo de análise através dos nossos Cursos Aplicados de R.

O cenário atual é basicamente composto por um nível de atividade em recuperação, inflação em aceleração e política monetária em situação expansionista. Esse último ponto, diga-se, pode ser ilustrado pela comparação entre a taxa de juros real ex-ante e o juro de equilíbrio da economia. A figura abaixo ilustra.

Abaixo, vemos a variação marginal das três pesquisas mensais principais de nível de atividade.

E a seguir, um resumo das métricas de crescimento, incluindo o IBC-Br.

Os resultados positivos na margem (à exceção da indústria) dessas pesquisas, somados aos resultados do PIB no 1º trimestre garantiram uma revisão das projeções para o nível de atividade em 2021. Isto é, espera-se que haja um crescimento mais robusto esse ano do que o inicialmente projetado.

Em paralelo a esse processo de recuperação do nível de atividade, temos uma inflação em aceleração, fruto de inúmeros choques que têm ocorrido sobre a economia brasileira nos últimos meses.

O gráfico acima ilustra. A inflação cheia chegou a 8,06% no acumulado em 12 meses até maio. Não apenas isso, a média dos 7 núcleos de inflação também está em aceleração.

Diante desse quadro, não nos parece razoável que o Banco Central continue com o discurso de normalização parcial da política monetária. Infelizmente, ele será obrigado a levar a taxa de juros real ao nível de neutralidade, de modo a conter o avanço das expectativas de inflação.

Por óbvio, não é uma situação confortável, já que o desemprego ainda permanece em nível elevado e ainda estamos com hiato do produto negativo. A espada de Dâmocles parece pesar sob a cabeça dos diretores da autoridade monetária.

____________________

(*) Para quem quiser ter acesso a todos os códigos desse e de todos os exercícios que publicamos ao longo da semana, visite o Clube AM.

(**) Os dados de nível de atividade e de inflação fazem parte dos nossos Monitores, que são ensinados no Curso de Análise de Conjuntura usando o R.

Nível de Atividade pós-pandemia

By | Comentário de Conjuntura

Uma das perguntas mais importantes da atual conjuntura econômica diz respeito ao formato da recuperação pós-pandemia. Os primeiros números das pesquisas de alta frequência de nível de atividade, em particular, da Pesquisa Mensal do Comércio, da Pesquisa Mensal de Serviços e da Produção Industrial Mensal, dão algumas pistas para a resposta. A análise dessas pesquisas faz parte do nosso Curso de Análise de Conjuntura usando o R. Nesse Comentário de Conjuntura, faço uma breve análise sobre os dados.

O gráfico acima, por exemplo, ilustra o comportamento do Comércio Varejista, no seu corte ampliado. Tudo indica que a recuperação nesse setor sofreu forte influência dos incentivos garantidores de renda promovidos pelo governo. Em particular, pelo auxílio emergencial. Isso proporcionou a tão sonhada recuperação em V. Na margem, o Varejo Ampliado - que inclui automóveis e material de construção - avançou fortemente desde maio.

A apresentação completa da PMC que eu ensino os nossos alunos a fazer, automatizando todo o processo de coleta e tratamento dos dados pode ser vista aqui.

Infelizmente, entretanto, não é possível dizer que esse comportamento do Varejo define uma tendência para a economia como um todo. Veja, por exemplo, o comportamento dos Serviços. Ainda que também haja sinais de recuperação na margem, com avanço nos meses de junho e julho, a comparação interanual ainda permanece em terreno bastante negativo.

A apresentação completa da PMS que eu ensino os nossos alunos a fazer, automatizando todo o processo de coleta e tratamento dos dados pode ser vista aqui.

A produção industrial, por seu turno, apresenta comportamento semelhante: recuperação na margem, mas ainda no negativo na comparação interanual.

A apresentação completa da Produção Industrial que eu ensino os nossos alunos a fazer, automatizando todo o processo de coleta e tratamento dos dados pode ser vista aqui.

Tudo isso dito, é possível dizer que há sim uma recuperação em curso do nível de atividade, após a maior crise sanitária em 100 anos. Mas, infelizmente, parece que ela não vai ser tão rápida quanto gostaríamos.

Para terminar, gostaria de convidá-los para uma aula ao vivo que darei na próxima terça-feira, 29/09, sobre Dados Econômicos no R. Para garantir o seu acesso à aula, se inscreva aqui

 

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

Assinar Gratuitamente