Navegação – Mapa do site
Artigos

Nível de preços no território brasileiro: uma análise empírica de seus determinantes

Price level in the brazilian territory: an empirical analysis
Nivel de precios en el territorio brasileño: un análisis empírico de sus determinantes
Niveau des prix sur le territoire brésilien: une analyse empirique de ses déterminants
Mateus Boldrine Abrita e Eliane Cristina de Araujo Sbardellati

Resumos

Esse estudo analisa empiricamente quais são os determinantes do IPCA índice cheio, e suas decomposições, estimando para tal duas equações, e utilizado modelos autorregressivos vetoriais. A base de dados compreende o período de janeiro de 2000 até dezembro de 2011. Cinco principais grupos são apontados como determinantes da inflação: i) demanda agregada; ii) oferta agregada; iii) taxa de câmbio; iv) salários e v) inércia. As evidências revelam que a inércia, os fatores externos e as condições de oferta se sobrepõem a demanda no sentido de determinar a inflação brasileira. Assim, a inflação se mostra pouco sensível ao nível de atividade.

Topo da página

Texto integral

Introdução 1

  • 1 Texto primeiramente publicado em língua inglesa na Revista Economia Ensaios, com o propósito de dif (...)

1A questão da inflação é um dos temas mais debatidos no estudo das ciências econômicas, especialmente em países caracterizados por processos importantes de aceleração inflacionária. Assim, a sua melhor compreensão pode contribuir para que os agentes econômicos e formuladores de políticas tomem boas decisões e evitem custos e externalidades indesejadas, que uma visão míope pode ocasionar.

2Em vários casos a política monetária opera como um simples paliativo, atuando apenas nos resultados da inflação e ignorando as reais causas inflacionárias. Ademais, este mecanismo anti-inflacionário acarreta sérios sacrifícios para a sociedade e por esse motivo medidas alternativas de controle do nível de preços são importantes, pois uma vez identificada a verdadeira causa da inflação, medidas mais eficazes podem ser tomadas para contorná-la.

3Nas últimas décadas, o Brasil figura entre os líderes mundiais em taxas de juros reais, o que gera um custo enorme em termos de sacrifício para a sociedade brasileira. Segundo Giambiagi (2004) o país destinou quase 10% do Produto Interno Bruto para o pagamento de juros no início da década, realidade esta que infelizmente caracterizou a década de 2000. Ao mesmo tempo em que áreas tão relevantes para o país como saúde e educação não possuem a mesma atenção.

4Curiosamente, mesmo com juros reais extremamente elevados, o Brasil ainda possui taxas de inflação muito superiores a média mundial, o que nos dá indícios de que o regime de metas de inflação (RMI) não está funcionando adequadamente. De acordo com Modenesi e Ferrari-Filho (2011) a política monetária possui, na melhor das hipóteses pequena eficiência para combater a inflação. Isso porque outros fatores influenciam o nível de preços que não estão incorporados nos fundamentos dos mecanismos que regem o RMI.

5Braga (2011) constatou que o componente da demanda não apresentou significância estatística na equação de bens e serviços e que o elemento salarial desempenhou um papel mais relevante nesse sentido. Araújo e Modenesi (2010) verificaram a importância do setor externo para a formação do IPCA na economia brasileira, concluindo que o repasse cambial é significativamente maior que a demanda, para a explicação do índice. Ainda, Pires (2008) observou que a política monetária no Brasil não funciona em sua plenitude, pois a dívida pública é demasiada indexada, logo o efeito riqueza opera de forma reversa. Modenesi e Ferrari-Filho (2011) apontaram que os reais elementos impulsionadores da inflação recente no país são componentes estruturais relacionados a inércia e custos conjunturais, desse modo a demanda não foi genuinamente o principal fator.

6Assim, esta pesquisa busca analisar com profundidade a problemática da inflação no Brasil, ao longo da década de 2000, com o objetivo de levantar os principais elementos, causadores e aceleradores do nível de preços, com a hipótese de que outros fatores como choque de custos, componente inercial e setor externo são tão ou mais relevantes que pressões de demanda, para explicar o problema.

7Alguns trabalhos como Araújo e Modenesi (2010) e Braga (2011) buscaram auferir os determinantes da inflação brasileira no período recente, por meio de modelos econométricos e estatísticas descritivas. Nesse sentido, esse trabalho busca acrescentar as demais análises, maiores evidências ao estudo, com a finalidade de apontar os principais elementos causadores da inflação brasileira na década de 2000.

8Assim, esse estudo objetiva analisar empiricamente quais são os determinantes do IPCA índice cheio, e suas decomposições entre preços livres e administrados, estimando para tal duas equações, que incorporem essas diferentes situações. Foi adotada uma base de dados que compreende o período de janeiro de 2000 até dezembro de 2011, totalizando 144 observações. Em linhas gerais cinco principais grupos são apontados como determinantes do nível geral de preços no Brasil: i) demanda agregada; ii) oferta agregada; iii) taxa de câmbio; iv) salários e v) inércia.

9O artigo está dividido em nove partes, incluindo a introdução e a conclusão, na seção 1.2 será apresentada a metodologia dos modelos autorregressivos vetoriais VAR, na seção 1.3 aborda os dados e a questão da identificação estrutural do modelo, posteriormente na parte 1.4 será realizado testes de raiz unitária a fim de verificar a estacionaridade das séries.

10Para verificar se o modelo foi bem especificado a seção 1.5 mostra os testes de robustez. Passando para a análise dos dados à seção 1.6 aborda a decomposição da variância do IPCA, dos preços livres e administrados. Para verificar quais são os determinantes na explicação de suas variações, a seção 1.7 analisa a função impulso resposta do IPCA, dado uma interação nas demais variáveis, a parte 1.8 aborda a função impulso resposta dos preços livres, bem como a 1.9 dos preços administrados e finalmente a seção 1.10 apresenta a conclusão.

Metodologia

11Importantes trabalhos abordaram os modelos autorregressivos vetoriais VAR, mas SIMS (1980) é apontado como um dos precursores em seu uso. A utilização do modelo VAR ganhou espaço nos estudos econômicos devido a sua capacidade de analisar múltiplas relações entre diversas variáveis, a partir de determinado conjunto de restrições de identificação. Desse modo é possível a análise de resposta do comportamento de uma variável dado um “choque” em outra, auxiliando muito o estudo das relações entre variáveis macroeconômicas.

12De acordo com Enders (1995) duas importantes análises advindas do modelo VAR são, a decomposição da variância e a função impulso resposta. A decomposição da variância revela o quanto às mudanças de cada variável é oriundo de sua própria variância, bem como o quanto ela é explicada pela variância das demais variáveis do modelo. Já a função impulso resposta permite observar como reagem as variáveis de um determinado sistema, dado um “choque” em determinada variável em um horizonte de tempo, permitindo assim, a análise das relações entre diferentes variáveis.

13O modelo VAR na forma reduzida apresenta resíduos correlacionados contemporaneamente, não permitindo assim, a identificação dos efeitos exógenos independentes nas variáveis. Um modo usual de identificar restrições a respeito das relações contemporâneas dos choques é a decomposição de Choleski, porém segundo Sims (1986) essa abordagem propõe uma estrutura exatamente identificada ao modelo, de forma que, essa análise pode apresentar uma estrutura inadequada com a realidade econômica e a causalidade dos dados, no que diz respeito às relações contemporâneas entre as variáveis.

14Para resolver essa limitação da decomposição de Choleski, trabalhos como Sims (1986), Bernanke (1986), Blanchard e Quah (1989) e Leeper, Sims e Zha (1996) apresentaram uma alternativa, o uso da ortogonalização. Esse método permite impor restrições sobre-identificadas no modelo agora chamado de Vetores Autoregressivos Estruturais (SVARs). Desse modo, as relações contemporâneas entre as variáveis são impostas a luz da teoria econômica.

Dados e identificação do modelo estrutural

15Com o propósito de identificar quais são os determinantes do IPCA. Foi adotada uma base de dados que compreende o período de janeiro de 2000 até dezembro de 2011, totalizando 144 observações. Em linhas gerais cinco principais grupos são apontados como determinantes do nível geral de preços no Brasil: i) demanda agregada; ii) oferta agregada; iii) taxa de câmbio; iv) salários e v) inércia.

16Para estimar o modelo foram utilizadas as variáveis: índice de preços ao consumidor amplo (ipca) do IBGE, Índice de Commodities (comdities), elaborado pelo IPEA, utilizado como proxy das condições de oferta, além de incorporar o preços dos insumos básicos de toda economia, Índice da produção física (quantum) da indústria (prodind) como proxy de demanda agregada, Salário mínimo (salminsa) fornecido pelo IPEA e dessazonalizado, utilizado como proxy de salários, taxa de câmbio média real/dólar (cambio) fornecido pelo BCB a fim de captar o setor externo, Índice Geral de Preços Mercado (igp-m), elaborado pela FGV, com o propósito de captar a inércia pois revela as relações de um índice de preços no outro. No segundo modelo o IPCA é decomposto em preços administrados (adm) e livres (livres) a fim observar com maior detalhamento as decomposições do IPCA.

17A utilização da variável prodind como proxy de demanda trás limitações ao modelo, porém a falta de uma variável mais ampla e fidedigna das condições de demanda torna sua utilização razoável, considerando que o nível de atividade reflita o comportamento da demanda. De acordo com Alencar (2006) a produção industrial é cointegrada em relação ao Produto Interno Bruto (PIB) e assim como possuem a mesma tendência estocástica podem ser utilizados como proxy, desse modo o nível de atividade está intimamente ligado ao comportamento da demanda o que justifica a escolha por parte de diversos estudos econométricos. O comportamento do rendimento médio do trabalhador apresenta uma trajetória semelhante ao salário mínimo praticado no Brasil, e considerando que aquela variável não engloba o período analisado é bastante confiável a utilização do salário mínimo como proxy dos rendimentos, segundo censo 2010 metade da população brasileira vive com um salário mínimo IBGE (2012).

18Para definir as restrições contemporâneas entre as variáveis foi observado as relações teóricas mais evidentes, o estudo foi dividido em dois modelos, o primeiro considerando a variável IPCA cheia e o segundo analisando suas decomposições entre preços livres e administrados.

19Assim, o benchmark do primeiro modelo segue a presente sequência: comdities, prodind, salminsa, cambio, igp-m e ipca. As commodities são determinadas pelo setor externo, seguindo assim uma trajetória mais independente, por esse motivo, aprecem em primeiro na ordenação, entretanto como são insumos básicos para toda a economia influenciam todas as demais variáveis do modelo. A produção industrial, como reflete o nível de atividade da economia e as condições de demanda, afeta salários e preços sendo colocada em segundo lugar na ordenação. Os salários são influenciados pelas condições de oferta e pelo nível de atividade, bem como influenciam o câmbio, igp-m e ipca.

20Já a taxa de câmbio reflete as movimentações das variáveis commodiites, produção industrial e dos salários e influencia diretamente no nível de inflação e por fim o IGP-M é afetado por todas as outras variáveis do modelo, com exceção do IPCA que é influenciado por ele. Também é assumido as seguintes relações contemporâneas: da produção industrial para com o câmbio, do câmbio para com o igp-m e ipca e do igp-m para com o ipca. Como representada na equação 39 e na matriz s

21Pca = comdities + prodind + salminsa + cambio + igp -m + ipca (39)

22Agora, a segunda equação, o benchmark segue a presente sequência: comdities, prodind, salminsa, cambio, igp-m, livres e adm, seguindo o mesmo raciocínio da primeira equação, porém com o IPCA decomposto entre preços livres e administrados. Ainda admitindo as relações contemporâneas: da produção industrial para com o câmbio, do câmbio para com o igp-m, livres e adm, do igp-m com os livres e adm e dos livres no adm. Como representada na equação 40 e na matriz S1:

23Ipca = comsities + prodind + salminsa + cambio + igp-m + livres + adm (40)

24A seguir, serão realizados testes de raiz unitária para verificar a presença ou não de raiz unitária nas variáveis abordadas no modelo, com o propósito de analisar a estacionaridade de cada série.

Testes de Raiz unitária

25Primeiramente para verificar se as variáveis seguem uma trajetória de processo estocástico estacionário foi realizado o teste de raiz unitária Dickey-Fuller Aumentado (ADF) e o teste de Phillip-Perron (PP). Na tabela 4 são apresentados os resultados do teste de ADF, para as séries em nível e quando necessário na primeira diferença, a hipótese nula do teste (H0) é de que a série possui raiz unitária, ou seja, é não estacionária.

26Os resultados indicam que as variáveis adm, comdities, igp-m, ipca, livres e salminsa são estacionárias a 5% de significância estatística considerando que as taxas de inflação já medem o crescimento do índice de preços, ou seja, são em diferença. Já as variáveis câmbio, ncomerc, prodind, não são estacionárias em nível, porém são em primeira diferença. É importante ressaltar que salminsa era estacionária em nível a 5%, porém é interessante trabalhar com a série em primeira diferença, no sentido de captar as variações da mesma.

Tabela 1 - Teste raiz unitária no nível e primeira diferença: Dickey-Fuller Aumentado

Variável

termos

Estatística t

Prob

Valores Críticos

 

 

 

 

1%

5%

10%

adm

None

-3.439676

0.0007

-2.58147

-1.94311

-1.61521

cambio

I

-1.658077

0.4503

-3.47681

-2.88183

-2.57767

comdities

I,T

-4.488424

0.0022

-4.02445

-3.44201

-3.14561

comerc

None

-3.0534

0.0025

-2.58147

-1.94311

-1.61521

igp-m

None

-3.359226

0.0009

-2.58123

-1.94307

-1.61523

ipca

None

-3.147756

0.0018

-2.58123

-1.94307

-1.61523

livres

None

-2.754463

0.0061

-2.58123

-1.94307

-1.61523

ncomerc

None

0.012872

0.6851

-2.58273

-1.94329

-1.6151

prodind

I,T

-3.389706

0.0568

-4.02398

-3.44178

-3.14547

saminsa

I,T

-3.880751

0.0153

-4.02351

-3.44155

-3.14534

dcambio

I

-8.406642

0

-3.47681

-2.88183

-2.57767

dncomerc

None

-6.098184

0

-2.58273

-1.94329

-1.6151

dprodind

I,T

-10.43665

0

-4.02398

-3.44178

-3.14547

dsalminsa

I,T

-3.820809

0.0184

-4.0296

-3.44449

-3.14706

Fonte: Elaboração própria

27Com o propósito de confirmar os testes apresentados no ADF, a tabela 5 revela os resultados do teste PP, o qual possui a mesma hipótese nula do ADF. Assim, a análise dos valores corrobora, de um modo geral, com as conclusões oriundas da tabela 4. Indicando que adm, comerc, igp-m, ipca, livres já são estacionárias em nível e que cambio e prodind são não estacionárias em nível.

28Considerando a primeira diferença todas as séries são estacionárias. É importante destacar que a salminsa apresentou as mesmas características do teste ADF. Entretanto as variáveis ncomerc e comdities deram resultados divergentes e optou-se pelos resultados do ADF em relação ao PP. Porém, de um modo geral os testes demonstram que a maioria das variáveis se apresentam estacionárias já em nível e as que não são estacionárias em nível foram diferenciadas e se tornaram estacionárias.

Tabela 2 - Teste raiz unitária no nível e primeira diferença: Phillip-Perron

Variável

termos

Estatística t

Prob

Valores Críticos

 

 

 

 

1%

5%

10%

adm

None

-6.170472

0

-2.58123

-1.94307

-1.61523

cambio

I

-1.656978

0.4509

-3.47647

-2.88169

-2.57759

comdities

I,T

-3.08581

0.1137

-4.02351

-3.44155

-3.14534

comerc

None

-3.176185

0.0017

-2.58123

-1.94307

-1.61523

igp-m

None

-3.332856

0.001

-2.58123

-1.94307

-1.61523

ipca

None

-2.887968

0.0041

-2.58123

-1.94307

-1.61523

livres

None

-2.754463

0.0061

-2.58123

-1.94307

-1.61523

ncomerc

None

-3.846345

0.0002

-2.58123

-1.94307

-1.61523

prodind

I,T

-3.203532

0.0879

-4.02351

-3.44155

-3.14534

saminsa

I,T

-3.566271

0.0364

-4.02351

-3.44155

-3.14534

dcambio

I

-8.650279

0

-3.47681

-2.88183

-2.57767

dncomerc

None

-30.12112

0

-2.58135

-1.94309

-1.61522

dprodind

I,T

-10.40017

0

-4.02398

-3.44178

-3.14547

dsalminsa

I,T

-27.21907

0.0001

-4.02398

-3.44178

-3.14547

Fonte: Elaboração própria

29Como a maioria das séries são estacionárias já em nível, os teste de cointegração, a fim de verificar possíveis relações de longo prazo entre as variáveis não é necessário. Após a análise da estacionaridade das séries a tabela 6 revela o número de lags, ótimo, ou seja, quantas defasagens ajustam melhor o modelo.

Tabela 3: Teste de número ótimo de defasagens modelo 1

 Lag

LogL

LR

FPE

AIC

SC

HQ

0

-1611.225

NA 

 1024.167

 23.95890

 24.08802

 24.01137

1

-1210.724

 759.4686

 4.628244

 18.55888

  19.46274*

  18.92619*

2

-1161.240

 89.43802

 3.801690

 18.35912

 20.03772

 19.04125

3

-1122.763

 66.12401

  3.692996*

  18.32241*

 20.77576

 19.31938

4

-1100.230

 36.71976

 4.575007

 18.52193

 21.75002

 19.83373

5

-1059.208

  63.20471*

 4.350502

 18.44753

 22.45035

 20.07416

6

-1030.442

 41.76368

 5.021416

 18.55470

 23.33226

 20.49617

7

-999.6678

 41.94460

 5.712177

 18.63212

 24.18442

 20.88842

8

-972.9027

 34.10074

 7.026165

 18.76893

 25.09597

 21.34006

Fonte: Elaboração própria


Tabela 4: Teste de número ótimo de defasagens modelo 2

 Lag

LogL

LR

FPE

AIC

SC

HQ

0

-1733.755

NA 

 373.8372

 25.78896

 25.93960

 25.85018

1

-1311.789

 793.9205

 1.490892

 20.26354

  21.46869*

  20.75328*

2

-1248.060

 113.2956

  1.205202*

  20.04534*

 22.30500

 20.96360

3

-1200.990

 78.79890

 1.257735

 20.07393

 23.38809

 21.42071

4

-1171.385

 46.49022

 1.722387

 20.36127

 24.72994

 22.13657

5

-1119.244

  76.47409*

 1.719546

 20.31473

 25.73791

 22.51856

6

-1081.716

 51.14924

 2.182016

 20.48468

 26.96237

 23.11703

7

-1040.937

 51.35183

 2.718491

 20.60647

 28.13866

 23.66734

8

-999.1166

 48.32546

 3.462856

 20.71284

 29.29954

 24.20223

Fonte: Elaboração própria

30Os testes apresentados nas tabelas 6 indicam que o número ótimo de lags que ajustam o modelo 1 seria de 1, 3 ou 5, já na tabela 7 para o modelo 2, o número de defasagens que melhor ajustaria seria 1, 2 ou 5. Para ambos os modelos a utilização de 5 lags se mostrou mais ajustada. Desse modo o próximo passo é analisar a robustez do modelo aplicando teste de heterocedasticidade, autocorrelação, normalidade e estabilidade.

Testes de Robustez

31Com o propósito de confirmar se o modelo foi bem especificado é interessante realizar os testes de heterocedasticidade e autocorrelação residual. As tabelas 8 e 9 revelam os testes de autocorrelação.

Tabela 5 - teste autocorrelação modelo 1

Lags

LM-Stat

Prob

1

 49.13835

 0.0710

2

 45.56395

 0.1319

3

 45.44887

 0.1344

4

 42.28337

 0.2180

5

 41.22602

 0.2527

Fonte: Elaboração própria

Tabela 6 - teste autocorrelação modelo 2

Lags

LM-Stat

Prob

1

 71.34433

 0.0202

2

 58.52805

 0.1653

3

 64.56319

 0.0672

4

 48.26165

 0.5030

5

 46.53633

 0.5736

Fonte: Elaboração própria

32As tabelas 8 e 9 revelam que não há evidência para rejeição da hipótese nula, de inexistência de autocorrelação serial. Assim, o próximo passo é analisar a heterocedasticidade dos resíduos apresentada na tabela 10.

Tabela 7 - teste heterocedasticidade modelo 1

Chi-sq

df

Prob.

 1347.241

1260

 0.0434

Fonte: Elaboração própria

Tabela 8 - teste heterocedasticidade modelo 2

Chi-sq

df

Prob.

 2032.635

1960

 0.1237

Fonte: Elaboração própria

33Os resultados das tabelas 10 e 11 dão indícios da não presença de heterocedasticidade dos resíduos, logo, o modelo possui propriedades adequadas. Um teste de normalidade dos resíduos foi aplicado, porém eles se mostraram não normais. Entretanto, esse problema pode ser revertido com a simples inclusão de mais observações no modelo.

34Isso não invalida os resultados, pois considerando o teorema do limite central, assintoticamente qualquer que seja a distribuição da variável de interesse para grandes amostras, a distribuição das médias amostrais será aproximadamente normalmente distribuída e tenderão a apresentar uma distribuição normal. Finalmente um último teste foi aplicado para verificar a estabilidade do modelo SVAR e pode ser observados nas figuras 2 e 3.

Figura 1 - Teste de estabilidade do SVAR1

Fonte: Elaboração própria

Figura 2 - Teste de estabilidade do SVAR2

Fonte: Elaboração própria

35Os resultados dos testes de estabilidade apresentados nas figuras 2 e 3 revelam que os modelos são estáveis. Após realizar os testes de robustez o próximo tópico analisa a decomposição da variância e os impulsos resposta com o propósito de verificar quais são os determinantes do IPCA na década de 2000.

Análise da decomposição da variância do IPCA

36A análise da decomposição da variância permite observar a importância relativa de cada variável na determinação do IPCA. A ordenação utilizada é a estrutural, seguindo o seguinte benchmark: comdities, prodind, salminsa, cambio, igp-m e ipca.

37Como é observada na tabela 12, a maior parte da variância da inflação é explicada pela própria variável com 37,68%, como o IGP-M também apresentou valores na ordem de 16,96% a inércia se mostra com um papel determinante na explicação da inflação. Outro destaque é o câmbio com 35,55% revelando que o IPCA é fortemente influenciado pela taxa. Cabe destacar que a Demanda com 0,74% apresentou valores irrisórios, o que mostra que ela não é uma boa proxy para a demanda, porém as variáveis commodities 6,32% e Salários 2,73% apresentaram porcentagens superiores.

38Desse modo fica claro que a inércia, a taxa de câmbio e as condições de oferta representadas pelas commodities, são as principais variáveis determinantes para explicar o comportamento do IPCA. Já a demanda não apresentou valores significativos, demonstrando, assim, que a inflação inercial, a inflação importada e a inflação de insumos básicos como de alimentos e matérias primas caracterizam mais a inflação brasileira que não a inflação de demanda.

Tabela 9 – decomposição da variância do IPCA cheio

 Period

S.E.

comdities

prodind

salminsa

cambio

igp-m

ipca

 1

 8.451006

 0.000000

 0.034025

 0.000000

 6.447427

 28.91441

 64.60414

 3

 21.39459

 6.323873

 0.303705

 0.586049

 18.02113

 23.13884

 51.62641

 5

 33.75945

 6.878437

 0.336505

 1.906237

 28.58674

 19.38640

 42.90567

 7

 42.29088

 6.101007

 0.457847

 2.437050

 34.93489

 17.82496

 38.24425

 10

 49.31205

 6.028843

 0.722711

 2.684612

 35.97377

 16.72887

 37.86120

 12

 52.77756

 6.322291

 0.743747

 2.731194

 35.55794

 16.96130

 37.68353

39Factorization Structural: comdities prodind salminsa cambio igp-m ipca

Fonte: Elaboração própria

40Realizada a análise dos determinantes do IPCA, considerando o índice cheio, agora é apresentada a decomposição da variância abordando suas decomposições, entre preços livres e administrados, com o propósito de verificar quais variáveis mais determinam esses componentes. O benchmark segue a seguinte sequência: comdities, prodind, salminsa, cambio, igp-m, livres e adm.

41A tabela 13 revela mais uma vez que a inércia é fundamental na determinação dos preços livres, pois a própria variável explica 35% das variações, somada ao IGP-M com 15,17%. O câmbio aparece também com destaque apresentando 32,99% da determinação, além das commodities, com 7,27% de parcela na determinação dos preços livres. Já a demanda apresenta valores muito inferiores, na ordem de 1,33%.

42Portanto, o comportamento dos preços livres é determinado fundamentalmente por sua própria trajetória, pela taxa de câmbio e pelo IGP-M, revelando que a inércia e o setor externo são fundamentais para sua determinação. As condições de oferta aparecem como a terceira importante explicação embora em patamar um pouco mais baixo, a demanda também não se mostra como uma boa proxy para a inflação considerando os preços livres.

Tabela 10 – decomposição da variância dos preços Livres

 Period

S.E.

comdities

prodind

salminsa

cambio

igp-m

livres

adm

 1

 8.460444

 0.000000

 0.011969

 0.000000

 3.321407

 26.94404

 69.72259

 5.32E-30

 3

 21.22299

 4.788958

 0.584427

 0.340376

 11.16314

 24.06565

 56.97419

 2.083265

 5

 33.61978

 8.149920

 0.634098

 1.442579

 24.36874

 18.59306

 44.01839

 2.793206

 7

 42.41181

 7.878065

 0.902936

 2.097826

 32.11081

 16.33263

 37.76909

 2.908640

 10

 49.50682

 7.302481

 1.308277

 2.604221

 33.13937

 15.04858

 35.49817

 5.098889

 12

 52.78793

 7.270505

 1.330729

 2.640171

 32.99507

 15.17040

 35.07269

 5.520434

43Factorization Structural: comdities prodind salminsa cambio igp-m livres adm

Fonte: Elaboração própria

44A decomposição da variância para verificar quais variáveis explicam os preços administrados é mostrada na tabela 14, e segue a mesma sequência da equação acima, comdities, prodind, salminsa, cambio, igp-m, livres e adm.

45A análise seque uma lógica parecida com as demais, porém em proporções diferentes, no sentido de, aumentarem os pesos para a inércia e diminuírem a participação das demais. Os preços administrados são explicados por sua própria variação com 66,81% no período além de 6,84% da variável IGP-M, o câmbio explica 18,88% e as commodities 2,83%, já a variável de demanda apresenta valores muito baixos 0,86%.

46Fica evidente que o componente mais forte na determinação da inflação dos preços administrados é a inércia, ou seja, a inflação segue uma trajetória de alta com certa independência de demais choques na economia. Ainda assim o setor externo desempenha um papel importante em sua determinação, contudo corroborando com as demais análises a inflação de demanda não caracteriza o comportamento dos preços administrados no período.

Tabela 11 – decomposição da variância dos preços Administrados

 Period

S.E.

comdities

prodind

salminsa

cambio

igp-m

livres

adm

 1

 1.814068

 0.000000

 0.016454

 0.000000

 4.566275

 8.764384

 0.041531

 86.61136

 3

 2.071807

 1.053884

 0.032920

 0.133173

 13.04574

 7.084031

 0.260082

 78.39017

 5

 2.292072

 1.034160

 0.652911

 0.424915

 15.82178

 6.563217

 2.223517

 73.27950

 7

 2.403959

 1.164349

 0.744826

 0.739053

 17.81378

 6.855849

 2.167151

 70.51499

 10

 2.545582

 1.590792

 0.839157

 0.861165

 19.22130

 6.726697

 2.581636

 68.17925

 12

 2.571205

 2.837453

 0.869233

 0.861358

 18.88434

 6.847076

 2.888144

 66.81239

47Factorization Structural: comdities prodind salminsa cambio igp-m livres adm

Fonte: Elaboração própria

48Após a análise da decomposição da variância, fica claro que os elementos de inércia e a taxa de câmbio exercem um papel decisivo na explicação da variação da Inflação no Brasil na década de 2000, tanto para o IPCA índice cheio quanto para suas decomposições entre livres e administrados. Também cabe destacar que apesar de em menor nível o valor das commodities também exercem um papel importante no IPCA.

49A determinação dos preços livres e administrados segue a mesma lógica, porém com pesos diferentes. No caso dos preços livres a taxa de câmbio exerce um papel de maior relevância, já os preços administrados são fundamentalmente explicados pela sua própria variância, indicando uma forte presença de inércia inflacionária.

50O próximo tópico aborda a análise das funções impulso resposta do IPCA, dos preços livres e administrados, a fim de verificar como essas variáveis se comportam dado um choque nas demais.

Análise do impulso resposta do IPCA

51A figura 4 mostra de forma clara que o setor externo juntamente com as variáveis de inércia exerce um importante papel na evolução do IPCA, no sentido de apresentarem choques mais intensos e duradouros. As commodities também exercem um impacto significativo no curto prazo, bem como os salários, porém em menor nível. É interessante ressaltar que a demanda parece não influenciar a evolução do IPCA.

Figura 3 – resposta do IPCA a um choque em: Commodities, Demanda, Salarios, Câmbio, IGP-M e IPCA

Fonte: Elaboração própria

52Essas relações são melhores observadas na figura 5, pois ela apresenta os choques de forma acumulada, o que facilita a visualização.

Figura 4 – resposta acumulada do IPCA a um choque em: Commodities, Demanda, Salários, Câmbio, IGP-M e IPCA

Fonte: Elaboração própria

53A figura 5 corrobora com as demais análises apresentadas, no sentido de, mostrar claramente que os elementos de inércia e taxa de câmbio, são mais significativos na evolução do IPCA. Entretanto fica mais evidente em relação a figura 4 a participação importante que a evolução das commoditites exercem, já os salários parecem ter uma influência menor do que se mostrava na figura anterior. A demanda apresenta pouca ou nenhuma influência na evolução do IPCA.

Análise do impulso resposta dos preços livres

Figura 5 – resposta dos preços livres a um choque em: Commodities, Demanda, Salários, Câmbio, IGP-M, Livres e Administrados

Fonte: Elaboração própria

54Agora analisando a resposta dos preços livres, dado um “choque” nas demais variáveis, é observado na figura 6 que as commodities juntamente com o câmbio são responsáveis por boa parte da evolução dos preços livres. Além dos elementos de inércia sempre estarem presentes de forma significativa.

Figura 6 – resposta acumulada dos preços livres a um choque em: Commodities, Demanda, Salários, Câmbio, IGP-M, livres e Administrados

Fonte: Elaboração própria

55A figura 7 apresenta às repostas dos preços livres as demais variáveis de forma acumulada, revelando com clareza que o câmbio, as commodities e a inércia, representada pela própria variável e pelo IGP-M, são os elementos fundamentais para explicar a evolução dos preços livres. Também pode ser observado que os salários e a demanda exercem pouca ou nenhuma influência.

Análise do impulso resposta dos preços administrados

Figura 7 – resposta dos preços administrados a um choque em: Commodities, Demanda, Salários, Câmbio, IGP-M, Livres e Administrados

Fonte: Elaboração própria

56Analisando agora as respostas dos preços administrados dado um “choque” nas demais variáveis. A figura 8 revela que, a evolução desses preços é pouco explicada por outras variáveis que não seja ela própria, indicando uma inércia muito evidente. Entretanto a variável câmbio também influencia, sua evolução embora em menor nível que os preços livres.

Figura 8 – resposta acumulada dos preços administrados a um choque em: Commodities, Demanda, Salários, Câmbio, IGP-M, Livres e Administrados

Fonte: Elaboração própria

57Já na análise das respostas acumuladas, que podem ser observadas na figura 9, o papel da inércia e do câmbio são mais significativos, se comparadas com as demais variáveis, as quais, parecem exercer uma pequena, quase nula, influência na evolução dos preços administrados.

Conclusão

58Esta pesquisa buscou analisar com profundidade a problemática da inflação no Brasil, ao longo da década de 2000, com o objetivo de levantar os principais elementos, causadores e aceleradores do nível de preços, com a hipótese de que outros fatores como choque de custos, componente inercial e setor externo são tão ou mais relevantes que pressões de demanda, para explicar o problema.

59A abordagem econométrica desenvolvida nesse artigo corrobora com a conclusão, ao qual, verificou que a inflação brasileira sofreu uma significativa pressão por parte dos preços administrados e dos alimentos. Não caracterizando assim uma inflação tipicamente de demanda.

60Por meio da análise da decomposição da variação, com o propósito de verificar quais os principais determinantes das variações do IPCA, dos preços livres e dos preços administrados. Foi observado que o IPCA é determinado fundamentalmente por sua própria variância, além da taxa de câmbio e em menor patamar, porém significativo, o preço das commodites.

61Os preços livres seguem a mesma lógica do índice cheio, com peso importante da inércia, câmbio e das commodities. Já os preços administrados são explicados por sua própria variação em um patamar elevadíssimo, indicando que a inércia é o componente fundamental para explicar a trajetória dessa variável, a inflação inercial ganha relevância na caracterização da inflação brasileira.

62A análise do impulso resposta do IPCA, dos preços livres e administrados, de um modo geral revela que as respostas se mostraram mais intensas e duradouras aos “choques” oriundos da própria variável, do câmbio e das commodities. Na análise da resposta acumulada, essas relações estão mais evidentes. Quanto aos preços livres a lógica segue a mesma do índice cheio, já os preços administrados, além de uma participação do câmbio importante, a própria variável é fundamental para explicar suas evoluções.

63As evidências apresentadas nesse artigo revelam que a inércia, os fatores externos e as condições de oferta se sobrepõem a demanda no sentido de determinar a inflação brasileira. Assim, a inflação se mostra pouco sensível ao nível de atividade e as medidas de política de controle baseadas exclusivamente na inflação de demanda podem se apresentar de forma ineficiente e ineficaz se comparada com medidas alternativas, que não sejam estritamente o controle da taxa de juros de curto prazo.

Topo da página

Bibliografia

ALENCAR, Bruno Kuffer . “Modelos de Previsão da Inflação: Uma Análise comparativa no curto prazo”. Dissertação de mestrado profissionalizante em economia do IBMEC. 2006.

ARAÚJO, Eliane Cristina; MODENESI, André de melo. A Importância do Setor Externo na Evolução do IPCA (1999-2010): uma análise com base em um modelo SVAR. XXXVIII Encontro Nacional de Economia. Salvador, dezembro, 2010.

BERNANKE, B. Alternative explanations of the money-income correlation. Carnegie- Rochester Conference Series on Public Policy, v. 25, p. 49-100. 1986.

BLANCHARD, O. J.; QUAH, D, The dynamic effects of aggregate demand and supply disturbances. American Economic Review, v. 79, p. 655-673. 1989.

BRAGA, Julia de Medeiros. A inflação brasileira na década de 2000 e a importância de políticas não monetárias de controle. <http://www.ipea.gov.br/sites/000/2/publicacoes/tds/td_1672.pdf>, último acesso dia 11/01/12

ENDERS, W. Applied Econometric Time Series, 1a Ed., John Wiley & Sons, 1995.

GIAMBIAGI, Fabio. A POLÍTICA FISCAL DO GOVERNO LULA EM PERSPECTIVA HISTÓRICA: QUAL É O LIMITE PARA O AUMENTO DO GASTO PÚBLICO? planejamento e políticas públicas, ppp, n. 27, jun./dez. 2004

IBGE (2012) Intituto brasileiro de geografia e estatística. Censo 2010 disponível em: http://www.ibge.gov.br/home/estatistica/populacao/censo2010/rendimentos_preliminares/rendimentos_preliminares_tab_pdf.shtm.

LEEPER, E., SIMS, C., ZHA, T., What does monetary policy do?. Brookings Papers on Economic Activity, n. 2, p. 1-63. 1996.

MODENESI, André de Melo; FERRARI-FILHO, Fernando. Choque de oferta, indexação e política monetária: breves considerações sobre a aceleração inflacionária recente. Economina & Tecnologia, Ano 07, vol.26-Julho/Setembro de 2011

PIRES, Manoel Carlos de Castro. A dívida pública e a eficácia da política monetária no brasil, 2008. Disponível em:

<http://www.tesouro.fazenda.gov.br/premio_TN/XIIIpremio/divida/MHafdpXIIIPTN/A_Divida_publica_Eficacia_Politica_Monetario_Brasil.pdf>. Último acesso em 19 de janeiro de 2012.

SIMS, C., Are forecasting models usable for policy analysis? Federal Reserve Bank of Minneapolis Quarterly Review, Winter, p. 1-16. 1986.

SIMS, Christopher. Macroeconomics and reality, Econometrica, v.48, 1980.

Topo da página

Notas

1 Texto primeiramente publicado em língua inglesa na Revista Economia Ensaios, com o propósito de difundir o conhecimento, principalmente para os acadêmicos iniciantes, a equipe editorial autorizou a esta publicação similar do texto em língua portuguesa.

Topo da página

Índice das ilustrações

URL http://journals.openedition.org/espacoeconomia/docannexe/image/9999/img-1.jpg
Ficheiro image/jpeg, 10k
URL http://journals.openedition.org/espacoeconomia/docannexe/image/9999/img-2.jpg
Ficheiro image/jpeg, 13k
Créditos Fonte: Elaboração própria
URL http://journals.openedition.org/espacoeconomia/docannexe/image/9999/img-4.png
Ficheiro image/png, 25k
Créditos Fonte: Elaboração própria
URL http://journals.openedition.org/espacoeconomia/docannexe/image/9999/img-6.png
Ficheiro image/png, 26k
Créditos Fonte: Elaboração própria
URL http://journals.openedition.org/espacoeconomia/docannexe/image/9999/img-8.png
Ficheiro image/png, 50k
Créditos Fonte: Elaboração própria
URL http://journals.openedition.org/espacoeconomia/docannexe/image/9999/img-10.png
Ficheiro image/png, 47k
Créditos Fonte: Elaboração própria
URL http://journals.openedition.org/espacoeconomia/docannexe/image/9999/img-12.png
Ficheiro image/png, 56k
Créditos Fonte: Elaboração própria
URL http://journals.openedition.org/espacoeconomia/docannexe/image/9999/img-14.png
Ficheiro image/png, 42k
Créditos Fonte: Elaboração própria
URL http://journals.openedition.org/espacoeconomia/docannexe/image/9999/img-16.png
Ficheiro image/png, 43k
Créditos Fonte: Elaboração própria
URL http://journals.openedition.org/espacoeconomia/docannexe/image/9999/img-18.png
Ficheiro image/png, 42k
Topo da página

Para citar este artigo

Referência eletrónica

Mateus Boldrine Abrita e Eliane Cristina de Araujo Sbardellati, « Nível de preços no território brasileiro: uma análise empírica de seus determinantes », Espaço e Economia [Online], 16 | 2019, posto online no dia 04 janeiro 2020, consultado o 26 janeiro 2020. URL : http://journals.openedition.org/espacoeconomia/9999 ; DOI : 10.4000/espacoeconomia.9999

Topo da página

Autores

Mateus Boldrine Abrita

Economista pela UFMS (2010), mestrado em Ciências Econômicas pela UEM (2012) e Doutorado em Economia pela UFRGS. Professor da Universidade Estadual de Mato Grosso do Sul. mateusabrita@uems.br.

Eliane Cristina de Araujo Sbardellati

Economista pela Universidade Estadual de Maringá (2002), mestrado em Economia na Universidade Estadual de Maringá (2004) com intercâmbio na Technische universität Ilmenau (Alemanha) e doutorado em Economia na Universidade Federal do Rio de Janeiro (2009). Pós-doutorado em Economia pela Universidade de Cambridge, Reino Unido (2018 -2019), com bolsa de pós-doutorado no exterior do CNPQ. Professora Associada da Universidade Estadual de Maringá e bolsista produtividade em pesquisa do CNPQ. elianedearaujo@gmail.com

Topo da página

Direitos de autor

© NuPEE

Topo da página
  • Logo Latindex
  • Logo Diadorim
  • Logo Periodicos CAPES
  • Logo ROAD
  • Logo Crossref
  • Logo Núcleo de Pesquisa Espaço e Economia
  • OpenEdition Journals