Introdução a Macroeconomia

Visualização dos componentes do PIB sob as óticas de Oferta e Demanda.

A Macroeconomia é uma ciência que visa estudar o comportamento da economia como um todo. Para isso, ela busca explicar o comportamento de variáveis agregadas, tanto no curto quanto no longo prazo. Uma variável agregada é aquela que representa o comportamento de um conjunto de variáveis. Por exemplo, o PIB é uma variável agregada que representa o valor total de todos os bens e serviços produzidos em uma economia.

Nesta introdução, vamos nos concentrar na composição do PIB, com ênfase no Brasil. Ao entender os componentes do PIB, podemos obter insights sobre a saúde e o desempenho geral da economia. Para isso, vamos obter os dados do PIB e realizar o tratamento dos dados, que será o foco da primeira seção deste artigo.

Em seguida, na segunda seção, vamos analisar o PIB sob as duas óticas: Oferta e Demanda. Este estudo nos permitirá entender melhor como diferentes fatores e políticas econômicas podem impactar o PIB.

Por fim, na terceira seção, vamos concluir o artigo e listar as referências utilizadas. Esta seção servirá como um resumo dos pontos principais discutidos no artigo e fornecerá links para fontes adicionais de informação.

Tratamento dos Dados

Nesta seção, antes da análise dos dados, vamos realizar o tratamento dos dados.

# Endpoint para consulta dos dados do PIB
endpoint = "https://servicodados.ibge.gov.br/api/v3/agregados/1620/periodos/199601%7C199602%7C199603%7C199604%7C199701%7C199702%7C199703%7C199704%7C199801%7C199802%7C199803%7C199804%7C199901%7C199902%7C199903%7C199904%7C200001%7C200002%7C200003%7C200004%7C200101%7C200102%7C200103%7C200104%7C200201%7C200202%7C200203%7C200204%7C200301%7C200302%7C200303%7C200304%7C200401%7C200402%7C200403%7C200404%7C200501%7C200502%7C200503%7C200504%7C200601%7C200602%7C200603%7C200604%7C200701%7C200702%7C200703%7C200704%7C200801%7C200802%7C200803%7C200804%7C200901%7C200902%7C200903%7C200904%7C201001%7C201002%7C201003%7C201004%7C201101%7C201102%7C201103%7C201104%7C201201%7C201202%7C201203%7C201204%7C201301%7C201302%7C201303%7C201304%7C201401%7C201402%7C201403%7C201404%7C201501%7C201502%7C201503%7C201504%7C201601%7C201602%7C201603%7C201604%7C201701%7C201702%7C201703%7C201704%7C201801%7C201802%7C201803%7C201804%7C201901%7C201902%7C201903%7C201904%7C202001%7C202002%7C202003%7C202004%7C202101%7C202102%7C202103%7C202104%7C202201%7C202202%7C202203%7C202204%7C202301%7C202302/variaveis/583?localidades=N1[all]&classificacao=11255[90687,90691,90696,90707,93404,93405,93406,93407,93408]"

r = requests.get(endpoint)
raw_data = r.json()

# Tratamento dos dados brutos para um formato tabular
table_data = []
for entry in raw_data:
    for result in entry["resultados"]:
        for serie_i in result["series"]:

            for i, date_and_value in enumerate(serie_i["serie"].items()):
                date, value = date_and_value
                formated_date = date[:4] + "-" + date[4:] + "-01"

                assert len(result['classificacoes']) == 1, \
                    "Mais de uma classificação, possível perda de dados"

                table_data.append({
                    "id": result['classificacoes'][0]['id'],
                    "nome": list(result['classificacoes'][0]['categoria'].values())[0],
                    "date": formated_date,
                    "value": value
                })


# Criação do DataFrame
df = pd.DataFrame(table_data)

datasets = {
    nome: df[df["nome"] == nome]
    for nome in df["nome"].unique()
}

# Mapeamento dos nomes
nomes_mapper = {
    'Agropecuária - total': 'Agropecuária',
    'Indústria - total': 'Indústria',
    'Serviços - total': 'Serviços',
    'PIB a preços de mercado': 'PIB',
    'Despesa de consumo das famílias': 'Consumo',
    'Despesa de consumo da administração pública': 'Governo',
    'Formação bruta de capital fixo': 'Investimento',
    'Exportação de bens e serviços': 'Exportação',
    'Importação de bens e serviços (-)': 'Importação'
}
datasets = {
    nomes_mapper[nome]: dataset
    for nome, dataset in datasets.items()
}

# Conversão de dados númericos e datas
for nome, dataset in datasets.items():
    # to numeric
    dataset["value"] = pd.to_numeric(dataset["value"])
    dataset.index = pd.to_datetime(dataset["date"])
    # Set PIB Freq
    dataset = dataset.asfreq('Q')

pib = datasets['PIB']['value']

# Seleção dos componentes da Oferta e Demanda
product_components = [
    "Consumo",
    "Investimento",
    "Governo",
    "Exportação",
    "Importação"
]

income_components = [
    "Agropecuária",
    "Indústria",
    "Serviços"
]

# Bases finais
product_dataset = pd.DataFrame({
    nome: dataset['value']
    for nome, dataset in datasets.items()
    if nome in product_components
})

income_dataset = pd.DataFrame({
    nome: dataset['value']
    for nome, dataset in datasets.items()
    if nome in income_components
})

Para entender melhor a evolução do PIB ao longo do tempo, é importante considerar os dados dessazonalizados, ou seja, remover os efeitos recorrentes de cada período. Isso nos permite visualizar melhor a tendência dos dados.

Existem duas principais formas que uma série temporal pode ser decomposta: Aditiva e Multiplicativa. Ambas são representadas pela equação Equação 1. No nosso caso, vamos utilizar a decomposição aditiva para o PIB.

\[ y_t = T_t + S_t + C_t + \epsilon_t = T_t \times S_t \times C_t \times \epsilon_t \tag{1}\]

Onde: \(y_t\) é o valor observado, \(T_t\) é a tendência, \(S_t\) é a sazonalidade, \(C_t\) é o ciclo e \(\epsilon_t\) é o erro.

Para obter os dados dessazonalizados, vamos utilizar a função seasonal_decompose da biblioteca statsmodels. Essa função retorna um objeto com os 4 componentes da decomposição. Para obter apenas a tendência, vamos utilizar o componente trend.

def seasonal_decompose(dataset: pd.DataFrame, period: int = 4):
    """Dessazonaliza os dados

    Args:
        dataset (pd.DataFrame): DataFrame com os dados
        period (int, optional): Periodo da sazonalidade. 
                                Padrao: 4, para o trimestre.

    Returns:
        pd.DataFrame: DataFrame com os dados desasonalizados
    """

    return pd.DataFrame({
        column: sm.tsa.seasonal_decompose(
            dataset[column], model='additive', period=period).trend
        for column in dataset.columns
    })

product_dataset_des = seasonal_decompose(
    product_dataset, period=4
)

income_dataset_des = seasonal_decompose(
    income_dataset, period=4
)

pib_des = seasonal_decompose(
    pib.to_frame(), period=4
).iloc[:, 0]

Com os dados dessazonalizados, podemos calcular a variação percentual de cada componente do PIB. Para isso, vamos utilizar a função pct_change da biblioteca pandas. Essa função retorna a variação percentual entre o valor atual e o valor anterior.

E para calcular a variação cumulativa, vamos utilizar a função cumprod da biblioteca pandas. Essa função retorna a variação cumulativa entre o valor atual e o valor anterior. Assim, estudar a varição cumulativa de cada componente do PIB para entender melhor a evolução do PIB ao longo do tempo.

# Variação cumulativa da Oferta
product_dataset_cumulative = pd.DataFrame({
    nome: (1 + product_dataset_des[nome].pct_change()).cumprod()
    for nome in product_dataset_des.columns
})


# Transformação das Exportações e Importações em Exportações Líquidas
product_dataset_cumulative['Exportação Líquida'] = (1 +
                                                    product_dataset_cumulative['Exportação'].pct_change() - product_dataset_cumulative['Importação'].pct_change()).cumprod()
product_dataset_cumulative = product_dataset_cumulative.drop(
    ['Importação', 'Exportação'], axis=1)

# Variação cumulativa da Renda
income_dataset_cumulative = pd.DataFrame({
    nome: (1 + income_dataset_des[nome].pct_change()).cumprod()
    for nome in income_dataset_des.columns
})

# Variação cumulativa do PIB
pib_cumulative = (1 + pib_des.pct_change()).cumprod()

Como estimar o PIB?

Nesse estudo, vamos analisar o PIB sob as duas óticas: Oferta e Demanda. Para isso, utilizaremos os dados do Instituto Brasileiro de Geografia e Estatística (IBGE), que são disponibilizados por meio do banco de dados SIDRA ¹, que foram tratados na seção anterior.

Oferta

Pela ótica da oferta podemos expressar o PIB com base em quatro componentes: Consumo, Investimento, Gastos do Governo e Exportações Líquidas. A ideia por trás dessa abordagem é que o PIB é a soma de todos os bens e serviços produzidos em uma economia. E para produzir esses bens e serviços, é necessário consumir, investir, gastar e exportar — todos termos ligados à oferta.

Na equação Equação 2, temos a representação matemática dessa abordagem.

\[ PIB = C + I + G + (X - M) \tag{2}\]

Onde: \(C\) é o consumo, \(I\) é o investimento, \(G\) são os gastos do governo e \(X - M\) é a diferença entre exportações e importações, que vamos chamar de exportações líquidas.

Analisando o historico dessazonalizado dos componentes do PIB na Figura 1, podemos observar que Investimentos e Exportações Líquidas foram os itens mais voláteis desde os anos 2000, principalmente em momentos de crise. Por outro lado, o consumo e os gastos do governo são mais estáveis.

Figura 1: Evolução dos componentes de produção do PIB desde 1996

O início da série se dá em 1996, logo após a instauração do Plano Real, que foi pautado por um tripé macroeconômico de câmbio flutuante, metas de inflação e responsabilidade fiscal. Essas políticas foram fundamentais para a estabilização da economia brasileira, e para o crescimento econômico que se seguiu. E logo após a sua implementação, podemos observar um crescimento significativo das Exportações Líquidas, que foi impulsionado pela força do Real, incentivando as exportações.

Este cenário de crescimento e estabilidade se estendeu até a eleição do presidente Lula, em 2002. Visto que o câmbio era flutuante, o Real se desvalorizou, após a eleição do presidente Lula, pois a percepção de risco aumentou. Na época o Dólar chegou a bater R$ 3,98, que foi o maior valor nominal por muitos anos.

Já com o Presidente Lula no Governo, o Brasil passou por um outro período de forte crescimento econômico. Este crescimento foi impulsionado por um aumento significativo dos preços das commodities ², que por sua vez, impulsionou — novamente — o indicador de Exportações Líquidas. Portanto, podemos ver que as políticas econômicas implementadas durante o Plano Real e o aumento dos preços das commodities durante o primeiro mandato do presidente Lula tiveram um impacto significativo no crescimento econômico do Brasil.

Em 2008, o Brasil foi atingido pela crise financeira global. No período pré-crise, podemos observar dois aspectos: uma queda significativa nas Exportações Líquidas após o boom das commodities e um aumento nos Investimentos. No auge da crise, o Banco Central realizou a manutenção da taxa de juros, indo na direção contrária dos incentivos de crédito, fiscais e de intervenções realizados pelo governo ³. Matendo uma postura mais hawkish, o Banco Central conseguiu evitar uma deterioração mais drástica das expectativas dos agentes do mercado, e nos anos seguintes as taxas de juros foram reduzidas, o que contribuiu para o aumento dos Investimentos.

Já na crise de 2015, o Brasil passou por um período de forte recessão. Nesse período, podemos observar uma queda significativa nos Investimentos e um aumento repentino nas Exportações Líquidas. Essa queda nos Investimentos foi causada pela incerteza política e econômica, que afetou negativamente as expectativas dos agentes. Já o aumento nas Exportações Líquidas foi causado pela forte valorização do Real, que aumentou os incentivos para exportar e reduziu os incentivos para importar.

Renda

Pela ótica da renda, podemos expressar o PIB com base em três componentes: Agropecuária, Indústria e Serviços. A ideia por trás dessa abordagem é que o PIB é a soma de todos os rendimentos gerados na economia. E para gerar esses rendimentos, é necessário produzir bens e serviços — todos termos ligados à renda.

Na equação Equação 3, temos a representação matemática dessa abordagem.

\[ PIB = A + I + S \tag{3}\]

Onde: \(A\) é a agropecuária, \(I\) é a indústria e \(S\) são os serviços.

Analisando o histórico desde os anos 2000, podemos observar grandes tendências na Figura 2. A principal é o crescimento da Agropecuária, em detrimento da Indústria. A tendência inversa de tais fatores é um reflexo da economia brasileira, que no geral exporta matéria prima e importa produtos industrializados, e recentemente, o que reforça isso é a baixa exportação líquida e baixa renda da indústria. Olhando para os Serviços, podemos observar um ameno crescimento ao longo dos anos.

Diferente da ótica da oferta, a ótica da renda não é tão volátil. Então mesmo durante as crises, podemos observar uma estabilidade de longo prazo nos componentes da renda.

Figura 2: Evolução dos componentes de renda do PIB desde 1996

Na crise de 2015, podemos observar uma queda nos 3 componentes da renda. Essa queda foi causada pela forte recessão, que mesmo com a alta das exportações líquidas (Figura 1), não foi suficiente para compensar a queda do consumo, investimento e gastos do governo, resultando uma maior queda na renda nos 3 componentes.

Conclusão

Nesta introdução, vimos como o PIB pode ser estimado sob duas óticas: Oferta e Demanda. A ótica da oferta é mais volátil, e nos permite observar grandes variacões em períodos de crise. Já a ótica da renda é mais estável, e nos permite observar grandes tendências de longo prazo.

Referências

• Introduction to Macroeconomics, Intermediate Macroeconomics: Lecture 1

• Análise Qualitativa dos Dados do PIB: Rpubs

Notas de rodapé

1. O SIDRA é um sistema que permite a consulta de dados e indicadores do IBGE. Para acessar os dados do PIB, basta acessar o link https://sidra.ibge.gov.br/tabela/1620.

2. O crescimento ocorreu em grande parte devido à crescente demanda das economias emergentes, principalmente da China: https://pt.wikipedia.org/wiki/Boom_das_commodities_na_d%C3%A9cada_de_2000

3. Crise e perspectivas para a economia brasileira - DOI: 10.1590/s0103-40142017.31890013