Jan Feb Mar Apr May Jun Jul Aug Sep Oct
2021 -18.45 -6.75 11.11 -4.82 1.98 -5.12 4.84 -2.33 -0.49 4.95
2022 -21.22 -0.90 6.58 4.20 -3.47 0.10 7.75 6.12 0.39 6.27
2023 -14.81 -2.00 7.29 1.47 -0.95 0.55 4.24 0.80 0.80 2.89
2024 -22.01 -1.54 8.85 -7.29 6.52 -1.80 1.65 1.00 -1.30 3.49
2025 -11.51 -4.25 6.96 1.25 2.04 1.07 2.41 2.08 -0.94 3.52
Nov Dec
2021 1.97 22.47
2022 3.80 15.19
2023 1.83 18.00
2024 7.00 12.81
2025 3.98 15.69Análise da Taxa de Variação Real do Consumo dos Lares
1 Introdução
O consumo nos lares é um indicador central para a análise do desempenho do varejo alimentar e do comportamento dos consumidores frente ao cenário macroeconômico. Sua dinâmica reflete os efeitos da inflação, da renda disponível, do mercado de trabalho e das expectativas econômicas, além de padrões sazonais que influenciam as decisões de compra ao longo do ano.
Este relatório analisa a Taxa de Variação Real do Consumo dos Lares (fonte: Associação Brasileira de Supermercados (Abras)) por meio de modelos de suavização exponencial, aplicados a uma série deflacionada pelo Índice de Preços ao Consumidor Ampliado (IPCA), de modo a capturar tendências, movimentos de curto prazo e efeitos sazonais. A base contempla todos os formatos do varejo supermercadista, que inclui lojas de vizinhança, minimercados, supermercados, hipermercados, atacarejo, superproximidade e e-commerce, oferecendo uma visão integrada do setor. A partir de janeiro de 2021, a série Consumo nos Lares substituiu o antigo Índice de Vendas, ampliando o escopo analítico e alinhando a leitura dos dados à realidade do consumo alimentar das famílias brasileiras.
2 Apresentação
A Taxa de Variação Real do Consumo dos Lares é um indicador fundamental para a análise do comportamento econômico das famílias, pois reflete alterações no poder de compra e nas condições gerais da economia ao longo do tempo. Entretanto, por se tratar de uma série temporal sujeita a flutuações de curto prazo, choques econômicos e possíveis padrões sazonais, a interpretação direta de suas variações pode levar a conclusões imprecisas sobre sua tendência e dinâmica estrutural.
Nesse contexto, torna-se necessário empregar métodos estatísticos capazes de captar o comportamento subjacente da série, reduzindo a influência de oscilações aleatórias e permitindo uma análise mais clara de suas tendências ao longo do tempo. Os Modelos de Suavização Exponencial apresentam-se como uma alternativa adequada para esse propósito, uma vez que atribuem maior peso às observações mais recentes, possibilitando uma representação mais fiel da evolução do consumo dos lares.
Dessa forma, o problema central deste estudo consiste em investigar como os Modelos de Suavização Exponencial podem contribuir para a compreensão do comportamento da Taxa de Variação Real do Consumo dos Lares, identificando tendências, padrões e possíveis movimentos futuros da série analisada.
3 Objetivo Geral
Analisar a evolução recente do consumo das famílias e os impactos do cenário macroeconômico, apresentando a sensibilidade do varejo alimentar a choques econômicos e a importância da previsibilidade da demanda para o setor supermercadista.
4 Métodos
Apesar de sua relevância, a análise direta das variações mensais do consumo pode levar a interpretações equivocadas, uma vez que a série é influenciada por oscilações de curto prazo, choques pontuais e efeitos sazonais recorrentes. Essas flutuações dificultam a identificação de movimentos estruturais e a antecipação do comportamento futuro do consumo.
Diante desse cenário, o problema central deste estudo consiste em compreender o comportamento da Taxa de Variação Real do Consumo dos Lares ao longo do tempo e identificar padrões que auxiliem na análise e previsão da série. Como solução metodológica, foram utilizadas técnicas de séries temporais, em especial os Modelos de Suavização Exponencial.
Os modelos de suavização exponencial são amplamente utilizados na análise de séries temporais por sua capacidade de capturar padrões de nível, tendência e sazonalidade, atribuindo maior peso às observações mais recentes. Essa abordagem é particularmente útil em séries econômicas e de consumo, como é o caso desse estudo, nas quais o comportamento dos dados reflete ajustes contínuos às condições do ambiente macroeconômico.
O modelo de Suavização Exponencial Simples (SES) é a forma mais básica dessa metodologia e é indicado para séries que apresentam apenas um nível relativamente estável, sem tendência ou sazonalidade. Quando a série exibe uma tendência ao longo do tempo, utiliza-se o modelo de Holt, que incorpora um componente adicional para representar a evolução do crescimento ou da queda da série.
Para séries que, além da tendência, apresentam padrões sazonais recorrentes, como no caso de dados mensais de consumo, o modelo mais adequado é o modelo de Holt-Winters, que estende a formulação de Holt ao incluir um componente sazonal. Esse modelo pode ser especificado nas formas aditiva ou multiplicativa, dependendo da forma como a sazonalidade se manifesta na série, sendo a versão aditiva indicada quando a amplitude das variações sazonais se mantém aproximadamente constante ao longo do tempo.
As análises estatísticas e a modelagem da série temporal foram realizadas com o auxílio do software R, ambiente amplamente utilizado para análise de dados e aplicações estatísticas. Por meio do R, foi possível organizar e tratar os dados, realizar a análise exploratória da série e ajustar os Modelos de Suavização Exponencial empregados no estudo. A utilização desse software permitiu a aplicação de métodos consolidados da estatística, bem como a geração de gráficos e resultados que contribuíram para uma melhor compreensão do comportamento da Taxa de Variação Real do Consumo dos Lares ao longo do período analisado.
As análises estatísticas e os procedimentos de modelagem apresentados neste estudo foram desenvolvidos utilizando a linguagem R, amplamente empregada em análise de séries temporais. O uso do R possibilitou a realização de análises descritivas, visualizações gráficas, decomposição das séries e aplicação de modelos de suavização exponencial de forma eficiente e alinhada às boas práticas analíticas.
5 Análises
Os dados analisados neste estudo correspondem a observações mensais, compreendendo o período de janeiro de 2021 a 2025, constituindo uma série temporal contínua, adequada para a identificação de padrões sazonais, avaliação de movimentos de médio prazo e construção de modelos de previsão.
Ao observar os dados, é possível notar que em todos os anos o período de baixa ocorreu no mês de Janeiro e o de alta no mês de Dezembro, enquanto os demais meses mostram oscilações similares. Essas informações ficam mais evidentes ao fazermos a análise descritiva desses dados.
# A tibble: 12 × 5
mes_num mes_nome Média Mediana Desvio_Padrão
<dbl> <ord> <dbl> <dbl> <dbl>
1 1 jan -17.6 -18.4 4.42
2 2 fev -3.09 -2 2.40
3 3 mar 8.16 7.29 1.86
4 4 abr -1.04 1.25 4.81
5 5 mai 1.22 1.98 3.74
6 6 jun -1.04 0.1 2.53
7 7 jul 4.18 4.24 2.38
8 8 ago 1.53 1 3.04
9 9 set -0.308 -0.49 0.885
10 10 out 4.22 3.52 1.37
11 11 nov 3.72 3.8 2.09
12 12 dez 16.8 15.7 3.65 A análise descritiva mensal da Taxa de Variação Real do Consumo dos Lares mostra que o mês de janeiro apresenta, em média, a maior retração do consumo, com variação média de aproximadamente –17,6%, além de elevada dispersão (desvio-padrão de 4,42), caracterizando-o como o principal vale sazonal da série. Em fevereiro, observa-se uma desaceleração da queda, com média em torno de –3,1%, indicando o início da recuperação do consumo. O primeiro pico positivo ocorre em março, com crescimento médio de 8,16%, sinalizando uma retomada mais intensa após o período de ajuste do início do ano.
Nos meses intermediários, entre abril e setembro, o consumo apresenta oscilações moderadas e valores próximos de zero, com médias variando entre –1,04% e 4,18%, refletindo um período de relativa estabilidade. A partir de outubro, verifica-se uma nova aceleração do consumo, com médias positivas em outubro (4,22%) e novembro (3,72%), culminando no principal pico sazonal em dezembro, que registra a maior variação média do ano, cerca de 16,83%, acompanhada de elevada variabilidade (desvio-padrão de 3,65). A proximidade entre médias e medianas ao longo de todos os meses sugere que esses comportamentos não são influenciados por valores extremos, mas representam um padrão estrutural do consumo das famílias, reforçando a adequação do uso de Modelos de Suavização Exponencial com componente sazonal para a análise e previsão da série. Segue abaixo o gráfico da Variação da Taxa de Consumo nos Lares.
Diante desse comportamento irregular e sazonal, a análise direta dos valores mensais pode gerar interpretações equivocadas sobre a real evolução do consumo. Oscilações pontuais podem refletir apenas movimentos típicos do calendário ou ajustes temporários, e não mudanças permanentes no padrão de consumo das famílias.
Mesmo observando a sazonalidade nos dados, é importante analisar a influência de fatores econômicos, como o Índice Nacional de Preços ao Consumidor Amplo (IPCA), especificamente para alimentos e bebidas, que é o tema central desse estudo.
O gráfico evidencia comportamentos bastante distintos entre a Taxa de Variação Real do Consumo dos Lares (linha laranja) e o IPCA (linha azul). Enquanto o consumo apresenta alta volatilidade, com amplitudes expressivas, picos positivos superiores a 20% e quedas acentuadas abaixo de –20%, o IPCA oscila de forma muito mais estável, concentrando-se em torno de valores próximos de zero, com variações mensais relativamente pequenas.Isso sugere que o IPCA pode ser utilizado como uma variável explicativa complementar, mas não suficiente, para explicar a dinâmica do consumo no curto prazo. Assim, para fins de previsão e tomada de decisão, a modelagem da Taxa de Consumo deve priorizar sua própria estrutura temporal.
O gráfico acima evidencia a presença de sazonalidade mensal bem definida na Taxa de Consumo em todos os anos analisados, com valores negativos recorrentes em janeiro, recuperação a partir de fevereiro, picos em março e um crescimento mais acentuado no último trimestre, especialmente em dezembro. Quanto à tendência, não se identifica um movimento crescente ou decrescente consistente no período analisado, indicando que o comportamento da série é predominantemente influenciado pela sazonalidade.
Os subgráficos sazonais permitem uma leitura mais detalhada do comportamento do consumo ao longo do ano, ao comparar diretamente os mesmos meses em anos distintos. Observa-se que janeiro concentra sistematicamente os menores valores da série, evidenciando um ajuste negativo recorrente no início do ano, enquanto dezembro se destaca como o mês de maior expansão do consumo. Em meses como março, julho e outubro, predominam variações positivas, embora com intensidades distintas entre os anos, ao passo que os meses intermediários apresentam flutuações mais contidas e próximas da média geral. A consistência desses padrões entre os subgráficos reforça que as oscilações observadas não são aleatórias, mas refletem um comportamento sazonal estruturado, o que respalda a adoção de modelos que incorporem explicitamente a sazonalidade para descrever e prever a dinâmica do consumo das famílias.
A decomposição aditiva é indicada quando a amplitude da sazonalidade permanece aproximadamente constante, o que já foi observado na série.
Do ponto de vista estatístico, a decomposição clássica aditiva da Taxa de Variação Real do Consumo dos Lares evidencia de forma clara a estrutura subjacente da série temporal, ao separar o comportamento observado nos componentes tendência, sazonalidade e ruído (componente aleatório). A tendência mostra movimentos de médio prazo, com crescimento inicial, desaceleração em 2023 e recuperação gradual a partir de 2024, sem um comportamento monotônico persistente ao longo de todo o período. A sazonalidade é estável e recorrente. Por fim, o componente aleatório (residual) concentra variações de curta duração, sem padrão sistemático identificável, oscilando em torno de zero. A ausência de estrutura visível nesse componente sugere que a maior parte da variabilidade da série foi adequadamente capturada pelos componentes de tendência e sazonalidade. Em termos estatísticos, isso indica um bom ajuste da decomposição aditiva e reforça que o comportamento do consumo é predominantemente explicado por fatores sazonais.
Analisando a decomposição clássica multiplicativa, vemos que a tendência revela movimentos de médio prazo semelhantes aos observados na decomposição aditiva, o componente sazonal apresenta padrão mensal recorrente e estável, e o componente aleatório concentra oscilações irregulares em torno da unidade, sem estrutura sistemática. A similaridade entre os resultados obtidos nas decomposições multiplicativa e aditiva sugere que, embora a sazonalidade seja relevante, sua intensidade não depende fortemente do nível da série.
Em séries onde a sazonalidade é proporcional ao nível, ou seja, quanto maior o consumo, maior a oscilação sazonal, espera-se que a decomposição multiplicativa apresente resultados substancialmente diferentes da aditiva. No entanto, neste caso, a proximidade entre os componentes sazonais obtidos nos dois modelos sugere que as variações sazonais não se intensificam de forma significativa quando o consumo aumenta, nem se reduzem proporcionalmente quando ele diminui. Assim, a sazonalidade atua como um efeito estrutural relativamente estável, reforçando que modelos aditivos e métodos de suavização exponencial com sazonalidade aditiva, são adequados para representar e prever o comportamento da série.
Considerando as características identificadas nas análises anteriores, foram avaliados modelos de Suavização Exponencial.
Para avaliar o desempenho dos modelos de previsão e identificar a abordagem mais adequada, a série temporal foi particionada em dois subconjuntos: amostra de treinamento e amostra de teste. A amostra de treinamento compreende as observações até dezembro de 2024, enquanto a amostra de teste é formada pelos 12 meses subsequentes, utilizados exclusivamente para validação preditiva dos modelos ajustados.
# A mable: 1 x 2
ETS_Aditivo ETS_Multiplicativo
<model> <model>
1 <ETS(A,A,A)> <ETS(M,A,M)># A tibble: 2 × 10
.model .type ME RMSE MAE MPE MAPE MASE RMSSE ACF1
<chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 ETS_Aditivo Test 3.03 4.11 3.17 95.9 145. NaN NaN -0.396
2 ETS_Multiplicativo Test -64.3 168. 64.3 35.6 902. NaN NaN -0.0142A comparação entre os modelos ETS aditivo e ETS multiplicativo evidencia diferenças claras de desempenho preditivo. O modelo ETS aditivo (ETS(A,A,A)) apresenta erros mais controlados, com ME de 3,03, indicando leve superestimação, e valores moderados de RMSE (4,11) e MAE (3,17), o que sugere um bom ajuste à dinâmica da série, apesar dos elevados erros percentuais (MAPE de 145,33%), explicáveis pela presença de valores próximos de zero e oscilações acentuadas. Em contraste, o ETS multiplicativo (ETS(M,A,M)) demonstra desempenho substancialmente inferior, com forte viés de subestimação (ME de −64,28), erros absolutos e quadráticos extremamente elevados (RMSE de 168,01 e MAE de 64,28) e um MAPE de 902,17%, indicando incapacidade de capturar adequadamente o comportamento da série. Esses resultados sugerem que a sazonalidade não varia proporcionalmente ao nível da série, violando o pressuposto central do modelo multiplicativo, o que reforça a superioridade estatística do modelo ETS aditivo para fins de previsão neste estudo.
O gráfico de previsão obtido pelo modelo aditivo indica que a série apresenta elevada volatilidade, com oscilações abruptas entre valores negativos e positivos ao longo do período observado. A linha preta representa os valores reais observados da taxa de variação do consumo, enquanto a azul indica o valor médio previsto pelo modelo. A faixa azul escura indica onde o modelo espera que o valor real caia com 80% de probabilidade, e a faixa mais clara representa o intervalo de maior incerteza.
Os intervalos de confiança de 80% e 95% revelam que a incerteza é relativamente menor no curto prazo, mas aumenta progressivamente à medida que o horizonte de previsão se estende, refletindo a variabilidade histórica da série e a possibilidade de novos choques. Assim, embora o modelo capture adequadamente a dinâmica de curto prazo e a tendência média de recuperação, as previsões de médio e longo prazo devem ser interpretadas com cautela devido à ampliação da variância do erro.
Observando agora um modelo sem tendência:
# A mable: 1 x 2
ETS_Aditivo ETS_Multiplicativo
<model> <model>
1 <ETS(A,N,A)> <ETS(M,N,M)># A tibble: 2 × 10
.model .type ME RMSE MAE MPE MAPE MASE RMSSE ACF1
<chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 ETS_Aditivo Test 0.556 3.01 2.23 42.6 79.5 NaN NaN -0.252
2 ETS_Multiplicativo Test 56.1 162. 57.5 -923. 1242. NaN NaN -0.124Focando no modelo sem tendência, o ETS aditivo ainda mantém desempenho aceitável, com erros moderados e estabilidade maior que o multiplicativo, sugerindo que a série possui forte componente sazonal, mas a tendência contribui para melhorar a qualidade do ajuste. A retirada da tendência implica assumir que o nível médio da série é constante ao longo do tempo, o que pode não ser totalmente verdadeiro, já que a decomposição anterior indicava movimentos de médio prazo. Assim, o modelo sem tendência pode ser útil para análises mais simplificadas ou séries estacionárias, mas para fins preditivos ele tende a ser menos robusto do que a versão que incorpora tendência.
Os intervalos de confiança são semelhantes em amplitude nos dois casos, o que indica incerteza comparável, porém, a principal diferença está na interpretação econômica: enquanto o modelo com tendência sugere continuidade de um movimento estrutural, o modelo sem tendência assume que o consumo oscila em torno de um nível médio constante.
Após a validação dos modelos de suavização exponencial e a seleção da especificação mais adequada, foi realizado o ajuste final utilizando toda a série histórica disponível. Essa abordagem permite gerar previsões mais robustas, uma vez que incorpora todas as informações observadas ao longo do período analisado. A partir desse ajuste, foram estimados os valores esperados para os 12 meses subsequentes, com o objetivo de identificar o comportamento provável da Taxa de Variação Real do Consumo dos Lares no curto prazo, bem como avaliar o grau de incerteza associado às projeções.
O gráfico de previsão indica que a série deve manter um comportamento predominantemente sazonal nos próximos 12 meses, com oscilações entre períodos de retração e expansão do consumo. Observa-se inicialmente uma queda acentuada no início do horizonte de previsão, coerente com o padrão histórico de retração observado nos meses iniciais do ano, especialmente em janeiro.
Na sequência, a trajetória prevista indica uma recuperação gradual ao longo dos meses intermediários, com valores próximos de zero e variações moderadas, refletindo um período de maior estabilidade relativa no consumo das famílias. À medida que o horizonte avança, nota-se uma tendência de aceleração do consumo, culminando em valores positivos mais elevados no final do período projetado, o que está alinhado com o comportamento sazonal típico observado historicamente, marcado pelo aumento do consumo no último trimestre do ano.
Os intervalos de confiança de 80% e 95% mostram que a incerteza associada às previsões cresce progressivamente ao longo do horizonte temporal, evidenciando a maior variabilidade esperada em previsões de médio prazo. Ainda assim, a manutenção do padrão sazonal dentro desses intervalos sugere que a dinâmica histórica da série continua sendo o principal determinante das projeções futuras.
6 Conclusão
Os resultados obtidos estão diretamente alinhados ao tema do estudo, que busca compreender e antecipar o comportamento da Taxa de Variação Real do Consumo dos Lares como um indicador relevante da dinâmica econômica. A identificação de forte sazonalidade anual e elevada volatilidade mensal evidencia que o consumo das famílias responde de forma sensível a fatores recorrentes do calendário econômico, como períodos de maior gasto no fim do ano e retrações no início, além de choques conjunturais de curto prazo. Nesse contexto, a decomposição da série e o melhor desempenho do modelo ETS aditivo demonstram que técnicas de séries temporais são adequadas para capturar esses padrões e gerar previsões mais consistentes, contribuindo para o planejamento econômico e para a tomada de decisão estratégica em setores dependentes do nível de consumo.