Tag

uber Archives - Análise Macro

Uber vs. Desemprego: novas evidências

By | Macroeconometria

Na edição 37 do Clube do Código, verificamos através de um teste de causalidade se existia relação entre interesse pela Uber e a taxa de desemprego. Os resultados encontrados sugeriam que não só a correlação entre as variáveis era elevada, como de fato existia uma causalidade no sentido de Granger entre aumentos da taxa de desemprego e aumento do interesse pela Uber. Na edição 46, por suposto, voltamos ao tema, de forma a construir um modelo VAR, explorando as funções impulso-resposta entre as variáveis, bem como a decomposição de variância, temas do nosso Curso de Séries Temporais usando o R. Nesse post, resumimos os resultados encontrados.

A primeira parte de qualquer exercício de análise de dados, como aprendemos em nosso Curso de Introdução ao R e nosso Curso de Análise de Conjuntura usando o R é coletar os dados. Para esse exercício específico, nós utilizamos como proxy para o interesse pela Uber as buscar relacionadas à palavra-chave uber no google trends. De modo a coletar os dados, utilizamos o pacote gtrendsR conforme abaixo.


library(gtrendsR)
trends = gtrends('uber', geo='BR')

Já o desemprego foi especificado pela taxa de desemprego disponibilizada pela PNAD Contínua do IBGE. Essa variável foi coletada através do pacote sidraR como abaixo.


library(sidrar)
desemprego = get_sidra(api='/t/6381/n1/all/v/4099/p/all/d/v4099%201')

De posse dos dados, a segunda parte é tratá-los, uma vez que os mesmos não estão em um formato comum sob o qual podem ser relacionados. O tratamento da taxa de desemprego é mais simples, posto que basta retirar o valor da taxa no data frame obtido a partir do SIDRA-IBGE, transformando a mesma em uma série temporal mensal. Já o interesse pela Uber é um pouco mais complicado, uma vez que os dados obtidos possuem uma frequência semanal. De modo que a mesma possa ser relacionada à taxa de desemprego, precisamos primeiro ordenar o interesse pela Uber de acordo com um vetor de datas, bem como mensalizar os mesmos, como aprendemos em nosso Curso de Introdução ao R. O código abaixo exemplifica.


gtrends = data.frame(time=trends$interest_over_time$date,
empregos=as.numeric(trends$interest_over_time$hits))
gtrends$time = as.Date(gtrends$time, format='%d/%m/%Y')
gtrends = xts(gtrends$empregos, order.by=gtrends$time)
gtrends = gtrends[complete.cases(gtrends)]
gtrends = ts(apply.monthly(gtrends, FUN=mean), start=c(2013,09), freq=12)

Uma vez tratados os dados, podemos gerar o gráfico abaixo com as séries obtidas.

Como se pode notar, o comportamento das séries parece ser bem similar ao longo do período selecionado. Isso acabou nos motivando a verificar se, de fato, existe uma relação entre elas. Primeiro, plotamos um gráfico de correlação como abaixo.

Como se pode notar, de fato, existe uma forte correlação positiva entre as séries. Isso, entretanto, não quer dizer muita coisa, uma vez que correlação não implica causalidade. Duas séries distintas podem ter uma alta correlação - positiva ou negativa - e ainda assim não terem nada em comum. De forma a avançar no nosso entendimento, construímos um Vetor Autorregressivo (VAR) entre as variáveis, como aprendemos no nosso Curso de Séries Temporais usando o R. Com o modelo estimado, nós podemos extrair as funções impulso-resposta, isto é, damos um choque em uma variável e observamos a resposta na outra. O gráfico abaixo ilustra um choque no desemprego e a resposta no interesse pela Uber.

O gráfico mostra que um choque na taxa de desemprego faz o interesse pela Uber aumentar. Ademais, a partir do modelo VAR, fizemos uma decomposição de variância entre as variáveis. Observa-se que 70% da variância do interesse pela Uber é explicada pela taxa de desemprego, passados 12 meses, enquanto apenas 23% da variância do desemprego é explicada pelo interesse pela Uber. Em outras palavras, os resultados encontrados sugerem que há, de fato, uma relação positiva entre as variáveis, no sentido mais forte do desemprego para o interesse pela Uber. Essas evidências se somam ao teste de causalidade feito em edição anterior do Clube do Código.

Todos os códigos e detalhes estarão na edição 46 do Clube do Código, de modo que os membros do Clube possam reproduzir integralmente o exercício. Ainda não é membro do Clube? Conheça e assine aqui

Existe causalidade entre desemprego e procura pela Uber?

By | Macroeconometria

Nos últimos dias houve intensa discussão sobre aplicativos de transporte no país, dado o trâmite do PLC 28/2017 no Congresso Nacional, que procura regulamentar a atividade. Inspirados por essa controvérsia, na edição 37 do Clube do Código procuramos entender se existe uma relação de causalidade entre procuras pela Uber e a taxa de desemprego. A hipótese implícita nesse estudo é a de que o aumento recente do desemprego teve influência no número de motoristas cadastrados na Uber e em outros aplicativos de transporte. Nesse post, resumimos os resultados encontrados.

Antes de mais nada, precisamos coletar as variáveis que vamos utilizar no processo de modelagem. Por sorte, todos os dados estão disponíveis via pacotes do R. O código abaixo, então, ilustra o processo de importação dos dados.

### Carregar pacotes

library(gtrendsR)
library(ggplot2)
library(xts)
library(sidrar)
library(forecast)
library(vars)
library(aod)
library(gridExtra)
library(stargazer)

####### Importar dados

desemprego = ts(get_sidra(api='/t/6381/n1/all/v/4099/p/all/d/v4099%201')$Valor,
 start=c(2012,03), freq=12)

trends = gtrends('uber', geo='BR')
gtrends = data.frame(time=trends$interest_over_time$date,
 empregos=trends$interest_over_time$hits)
gtrends$time = as.Date(gtrends$time, format='%d/%m/%Y')
gtrends = xts(gtrends$empregos, order.by=gtrends$time)
gtrends = ts(apply.monthly(gtrends, FUN=mean), start=c(2012,10), freq=12)

data = ts.intersect(desemprego, gtrends)
colnames(data) = c('desemprego', 'uber')

De posse dos dados, procedemos uma visualização gráfica dos mesmos.

E abaixo um gráfico de correlação entre as séries.

 

Dados os resultados obtidos no teste de raiz unitária, vamos considerar que ambas as séries são não estacionárias. Isso dito, vamos aplicar o procedimento de Toda-Yamamoto. Abaixo, determinamos a ordem de defasem do VAR com base em critérios de informação.


### Selecionar Defasagem
def = VARselect(data,lag.max=12,type="both")
def$selection

Escolhemos p=2 e começamos a montar o VAR com o código a seguir. Uma vez feito isso, checamos se o mesmo é resistente ao teste de correlação serial e se há estabilidade no mesmo.


### VAR(2)
var2 = VAR(data, p=2, type='both')
serial.test(var2)
### VAR(3)
var3 = VAR(data, p=3, type='both')
serial.test(var3)
### VAR(4)
var4 = VAR(data, p=4, type='both')
serial.test(var4)
### VAR(5)
var5 = VAR(data, p=5, type='both')
serial.test(var5)

Dados os resultados, podemos prosseguir para o Teste de Wald, conforme o código abaixo, lembrando de fazer o ajuste para um VAR(m+p).


### Teste de Wald

var6 = VAR(data, p=6, type='both')

### Wald Test 01: Uber não granger causa Desemprego

wald.test(b=coef(var6$varresult[[1]]), 
 Sigma=vcov(var6$varresult[[1]]), 
 Terms=c(2,4,6,8,10))

### Wald Test 02: Desemprego não granger causa Uber

wald.test(b=coef(var6$varresult[[2]]), 
 Sigma=vcov(var6$varresult[[2]]), 
 Terms= c(1,3,5,7,9))

Os resultados do procedimento de Toda-Yamamoto aplicado às séries sugerem que existe evidência de causalidade no sentido do desemprego para a procura pela Uber. Não se rejeita a hipótese no sentido contrário. Os membros do Clube do Código têm acesso a todo o processo de construção das previsões, brevemente descrito nesse post. Para se tornar membro, consulte a página do Clube aqui.

Clique na figura para conhecer os nossos Cursos

Clique na figura para conhecer nosso novo curso de econometria

Vítor Wilher

Data Scientist

Vítor Wilher é Bacharel e Mestre em Economia, pela Universidade Federal Fluminense, tendo se especializado na construção de modelos macroeconométricos, política monetária e análise da conjuntura macroeconômica doméstica e internacional. Tem, ademais, especialização em Data Science pela Johns Hopkins University. Sua dissertação de mestrado foi na área de política monetária, titulada "Clareza da Comunicação do Banco Central e Expectativas de Inflação: evidências para o Brasil", defendida perante banca composta pelos professores Gustavo H. B. Franco (PUC-RJ), Gabriel Montes Caldas (UFF), Carlos Enrique Guanziroli (UFF) e Luciano Vereda Oliveira (UFF). Já trabalhou em grandes empresas, nas áreas de telecomunicações, energia elétrica, consultoria financeira e consultoria macroeconômica. É o criador da Análise Macro, startup especializada em treinamento e consultoria em linguagens de programação voltadas para data analysis, sócio da MacroLab Consultoria, empresa especializada em cenários e previsões e fundador do hoje extinto Grupo de Estudos sobre Conjuntura Econômica (GECE-UFF). É também Visiting Professor da Universidade Veiga de Almeida, onde dá aulas nos cursos de MBA da instituição, Conselheiro do Instituto Millenium e um dos grandes entusiastas do uso do no ensino. Leia os posts de Vítor Wilher aquiCaso queira, mande um e-mail para ele: vitorwilher@analisemacro.com.br

O desemprego aumenta o número de motoristas da Uber?

By | Mercado de Trabalho

Toda vez que eu entro em um táxi, seja no Rio ou em outra cidade do Brasil, a conversa sempre recai sobre a Uber. É incrível como não há um único taxista que não culpe a empresa pela queda no movimento. Alguns até chegam a identificar a crise econômica pela redução das suas margens, mas dizem que o principal problema é a Uber. Será que eles têm razão?

Em primeiro lugar, observe o seguinte. A Uber concorre com os taxistas por clientes, o que naturalmente reduzirá a demanda por táxis convencionais. Mas como perguntar não ofende, vamos lá: quem é esse cidadão que irá se cadastrar na Uber?

A pessoa que dirige um carro da Uber possivelmente também dirigiria um táxi, não fossem as restrições de licenças que as prefeituras impõem. Desse modo, a margem de lucro no mercado de táxis antes da Uber era maior porque a oferta de motoristas era menor. A Uber, em certa medida, corrige o problema de licenças, levando o preço médio para algo mais próximo de um mercado competitivo. Terrível para os taxistas, mas bom para o consumidor, diga-se.

Dito isto, vamos ao ponto central que a Uber traz. Uma vez que a empresa leva o preço para algo mais próximo de um mercado concorrencial, chegará o ponto onde não valerá mais a pena para o motorista entrar nesse mercado. Em determinado momento, a oferta de motoristas (Uber, táxis, outros aplicativos, outras empresas, etc...) será o suficiente para atender a demanda por um determinado preço. Esse preço será naturalmente menor do que era antes da Uber.

Argumento entendido? Agora, vamos para a conjuntura. Todo mundo sabe que o desemprego tem aumentado no Brasil de forma bastante pronunciada. Ainda que eu não possa mostrar essa causalidade - e isso me mata! - parece razoável supor que o aumento do desemprego faz aumentar a quantidade de pessoas dispostas a dirigir um carro da Uber. Ainda que muitas pessoas estivessem dispostas a dirigir um carro da Uber em condições normais, parece razoável que o aumento do desemprego incentiva essa decisão.

uber

De fato, se a gente pegar as pesquisas por "Ser motorista Uber" no Google Trends e associar à taxa de desemprego, verá uma correlação bastante positiva. Se essa pesquisa é uma boa proxy para a evolução do número de motoristas da Uber e se isso implica em causalidade, já é uma estória bem mais interessante, mas que no momento eu infelizmente não posso responder... 🙁

Em resumo, os taxistas convencionais podem até achar que o problema é a Uber, mas é preciso verificar duas coisas, como vimos.  A Uber corrige a "renda de monopólio" dos taxistas. Além disso, se de fato o desemprego estiver incentivando o número de pessoas dispostas a dirigir um carro Uber, a crise econômica tem ainda mais importância para explicar a redução do número de corridas dos taxistas tradicionais.

Por fim, se alguém tiver essa série "motoristas Uber", por favor, me mande! Ah, sim, membros do Clube do Código podem ver o script desse post no repositório do GitHub, na parte de posts... 🙂

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

Assinar Gratuitamente