Análise de falências e recuperações judiciais com o R

Uma das questões mais delicadas ao longo de 2020 era evitar que (1) a população vulnerável ficasse desamparada na maior crise sanitária dos últimos 100 anos e (2) as micro e pequenas empresas falissem ou solicitassem recuperação judicial. Evitar que (2) ocorresse implicava em irrigar o mercado de crédito com dinheiro subsidiado, mitigando assim o risco de crédito associado a esse tipo de empréstimo.

Empresas falidas ou em recuperação judicial têm impacto sobre o PIB Potencial da economia, conforme exercício que fizemos em meados do ano passado. Quanto maior o número de empresas nessa condição, menor a capacidade de produção do país, logo menor será o PIB Potencial.

Isso dito, cabe nos perguntar: houve um aumento de falências e recuperações judiciais ao longo de 2020?

Para responder essa pergunta, podemos recorrer aos índices da Serasa e da Boa Vista. Os arquivos estão disponíveis nos respectivos sites dessas instituições. De posse desses dados, podemos importá-los conforme o código abaixo.


library(tidyverse)
library(readxl)
library(xts)
library(zoo)
library(timetk)
library(vars)
library(seasonal)

## Dados de Falências, RJ e concordatas SERASA
falencias = read_excel('FACONS.xls', sheet=1, skip=4) %>%
rename(date = "...1",
falencias_requeridas_total = "Total...5",
falencias_decretadas_total = "Total...9",
rj_requeridas_total = "Total...13",
rj_deferidas_total = "Total...17") %>%
filter(date > '2006-01-01') %>%
mutate(falencias_requeridas_sa = final(seas(ts(falencias_requeridas_total,
start=c(1991,01), freq=12))),
falencias_decretadas_sa = final(seas(ts(falencias_decretadas_total,
start=c(1991,01), freq=12))),
rj_requeridas_sa = final(seas(ts(rj_requeridas_total,
start=c(1991,01), freq=12))),
rj_deferidas_sa = final(seas(ts(rj_deferidas_total,
start=c(1991,01), freq=12)))) %>%
dplyr::select(date, falencias_requeridas_sa, falencias_decretadas_sa,
rj_requeridas_sa, rj_deferidas_sa) %>%
gather(variavel, valor, -date)

## Índice de Falências Boa Vista
fal_boavista = read_excel('Falências-e-Recuperações-Judiciais.xlsx',
skip=3) %>%
rename(date = "...1",
falencias_requeridas = "(média 2011 = 100)...2",
falencias_decretadas = "(média 2011 = 100)...3",
rj_pedidos = "(média 2014 = 100)...4",
rj_deferimentos = "(média 2014 = 100)...5") %>%
mutate(falencias_requeridas_sa = final(seas(ts(falencias_requeridas,
start=c(2006,01), freq=12))),
falencias_decretadas_sa = final(seas(ts(falencias_decretadas,
start=c(2006,01), freq=12))),
rj_pedidos_sa = final(seas(ts(rj_pedidos,
start=c(2006,01), freq=12))),
rj_deferimentos_sa = final(seas(ts(rj_deferimentos,
start=c(2006,01), freq=12)))) %>%
dplyr::select(date, falencias_requeridas_sa, falencias_decretadas_sa,
rj_pedidos_sa, rj_deferimentos_sa) %>%
gather(variavel, valor, -date)

Uma vez que tenhamos tratados os dados, podemos gerar os gráficos a seguir.

O índice Boa Vista de falências e recuperações judiciais indica que, de fato, houve um aumento tanto no número de pedidos quanto de deferimentos de recuperações judiciais ao longo de 2020. O número de falências, por outro lado, não parece ter descolado muito do que se observou em anos recentes.

O índice Serasa, por seu turno, também não mostra um avanço atípico no número de falências, mas captura um aumento no número de recuperações judiciais ao longo dos primeiros meses de 2020.

Os membros do Clube AM, a propósito, têm acesso aos códigos completos dos nossos Comentários e Exercícios.

_______________________

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Criando reports econômicos automáticos com IA usando Python

Imagine que você tenha uma tabela e precise gerar uma análise de dados rápida para entregar um relatório. Você poderia tentar parar tudo que está fazendo ou até mesmo fazer horas extras, mas dificilmente você entregaria o relatório mais rapidamente do que um modelo de Inteligência Artificial (IA). Neste artigo mostramos um exemplo de relatório gerado por IA para análise de inflação no Brasil, usando as ferramentas Quarto + Python para integrar a IA.

Analisando o sentimento da política monetária com IA usando Python

Análise de sentimentos é uma técnica de Processamento de Linguagem Natural (PLN) que serve para revelar o sentimento contido em um texto. Neste exercício, aplicamos esta técnica para analisar as atas das reuniões do COPOM, revelando o que os diretores de política monetária discutem nas entrelinhas. Utilizando um modelo de Inteligência Artificial através do Python, produzimos ao final um índice de 0 a 100 para sintetizar a análise histórica.

Como a IA pode auxiliar na otimização de Portfólio de Investimentos?

A construção de portfólio ótimo refere-se ao processo de alocar eficientemente capital entre um conjunto predefinido de ativos ou títulos. O campo da construção de portfólio tem sido extensivamente estudado por acadêmicos e profissionais desde a década de 1950, quando Markowitz introduziu sua inovadora abordagem de média-variância para a construção de portfólio. Diante disso, podemos melhorar o processo de alocação de peso de um investimento em um portfólio através do Aprendizado não supervisionado com a aplicação do Hierarchical Risk Parity (HRP). Neste exercício, realizamos uma introdução ao método e mostramos os resultados de um exemplo criado através do Python.

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.