Crédito Livre vs. Crédito Direcionado no Brasil

O crédito direcionado, aquele que é administrado por bancos públicos e possui subsídios importantes envolvidos na sua intermediação, ainda é bastante relevante no mercado de crédito brasileiro. Para ilustrar, como ensinamos em nosso Curso de Análise de Conjuntura usando o R, vamos coletar os dados referentes a crédito diretamente do Banco Central com o R.

Para isso, nós utilizamos o pacote rbcb, como abaixo.


library(rbcb)
library(tidyverse)
library(zoo)
library(scales)

series = list('livres'= 20542,
'direcionado' = 20593)

data = get_series(series) %>%
reduce(inner_join) %>%
mutate(total = livres + direcionado,
'Crédito Livre' = livres/total*100,
'Crédito Direcionado' = direcionado/total*100) %>%
select(date, 'Crédito Livre', 'Crédito Direcionado') %>%
gather(variavel, valor, -date)

No código acima, nós estamos basicamente pegando os dados do crédito livre, aquele que é intermediado sem subsídios e o crédito direcionado que falamos acima. A partir das séries coletadas, nós podemos criar as taxas de crédito livre e de crédito direcionado a partir do estoque total de crédito. Com efeito, podemos gerar o gráfico abaixo.

A despeito da mudança na estrutura da taxa de juros que regula os empréstimos do BNDES, parte importante do estoque de crédito direcionado, o mesmo ainda responde por mais de 40% do total de crédito no Brasil.

__________________

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Tratamento e transformação de séries temporais macroeconômicas para modelagem

"Garbage in, garbage out" é a regra de ouro na previsão macroeconômica. Antes de aplicar qualquer modelo de IA ou econometria para prever indicadores como o IPCA ou o PIB, existe um trabalho crucial de tratamento de dados. Neste post, abrimos os bastidores do nosso dashboard de previsões e mostramos o passo a passo para transformar dados brutos de múltiplas fontes (como BCB, IBGE e FRED) em séries prontas para modelagem. Veja como lidamos com diferentes frequências, aplicamos transformações e usamos metadados para criar um pipeline de dados robusto e automatizado.

Como planejar um pipeline de previsão macroeconômica: da coleta ao dashboard

Montar um pipeline de previsão macroeconômica não é apenas uma tarefa técnica — é um exercício de integração entre dados, modelos e automação. Neste post, apresento uma visão geral de como estruturar esse processo de ponta a ponta, da coleta de dados até a construção de um dashboard interativo, que exibe previsões automatizadas de inflação, câmbio, PIB e taxa Selic.

Coletando e integrando dados do BCB, IBGE e IPEA de forma automatizada

Quem trabalha com modelagem e previsão macroeconômica sabe o quanto é demorado reunir dados de diferentes fontes — Banco Central, IBGE, IPEA, FRED, IFI... Cada um com sua API, formato, frequência e estrutura. Esse gargalo de coleta e padronização consome tempo que poderia estar sendo usado na análise, nos modelos ou na comunicação dos resultados.

Foi exatamente por isso que criamos uma rotina de coleta automatizada, que busca, trata e organiza séries temporais econômicas diretamente das APIs oficiais, pronta para ser integrada a pipelines de previsão, dashboards ou agentes de IA econometristas.

Boletim AM

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

Boletim AM

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

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.