Desembolsos do BNDES com o R: Grandes vs. MPMEs

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

Em palestra recente na UFMS, um aluno citou um documento intitulado Livro Verde para justificar o fato do BNDES emprestar mais para Micro, Pequenas e Médias Empresas (MPMEs) do que para Grandes Empresas. Disse na oportunidade que isso não era verdade, que os dados dizem justamente o contrário. Só hoje, porém, em uma manhã de sábado nublada no RJ, consegui parar para mostrar a evidência disso. Os dados utilizados são públicos, disponibilizados na página do Banco, em Transparência e depois em Central de Downloads - ver aqui. Como de hábito, importo os dados com o código abaixo, utilizando o \mathbf{R}:


## Carregar pacotes
library(XLConnect)
library(xts)
library(reshape2)
library(scales)
library(ggplot2)

## Importar e tratar dados
temp = tempfile()
download.file('http://bit.ly/2FOGP5Y', destfile=temp, mode='wb')
bndes = loadWorkbook(temp)
rm(temp)
bndes = readWorksheet(bndes, sheet=1, startRow=5,
 startCol=4, header=T)[,-5]
colnames(bndes) = c('micro', 'pequena', 'media', 'grande', 'total')
bndes = bndes[complete.cases(bndes),]
bndes <- bndes[-c(13,13*2, 13*3, 13*4, 13*5, 13*6, 13*7, 13*8,
 13*9,13*10, 13*11, 13*12, 13*13, 13*14, 13*15, 
 13*16, 13*17,nrow(bndes)),]

O código acima importa e trata os dados de desembolsos do BNDES por porte da empresa. Abaixo, eu somo os desembolsos das MPMEs e divido pelo total de desembolsos, de modo a obter a participação mensal das mesmas. Faço o mesmo para as grandes empresas.


## Criar variáveis

mpme = rowSums(bndes[,1:3])/bndes[,5]*100
grande = (bndes[,4])/bndes[,5]*100

Por fim, crio um gráfico de área de modo a ilustrar a participação de cada grupo no total de desembolsos.


## Criar gráfico

dates = seq(as.Date('2001-01-01'), as.Date('2018-01-01'), 
 by='1 month')

df = data.frame(mpme=mpme, grande=grande)
df = xts(df, order.by=dates)
df = data.frame(time=index(df), melt(as.data.frame(df)))

ggplot(df, aes(x = time, y = value)) + 
 geom_area(aes(colour = variable, fill = variable))+
 xlab('')+ylab('Participação Percentual')+
 labs(title='Desembolsos do BNDES: Grandes vs. MPME',
 caption='Fonte: analisemacro.com.br com dados do BNDES')+
 theme(legend.position = 'bottom',
 legend.title=element_blank())+
 scale_x_date(breaks = date_breaks("1 years"),
 labels = date_format("%Y"))

E o gráfico...

Pronto: a evidência do que eu afirmei na palestra está aí... 🙂

[/et_pb_text][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/11/cursosaplicados.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/" url_new_window="off" use_overlay="off" animation="off" sticky="off" align="left" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"]

 

[/et_pb_image][/et_pb_column][/et_pb_row][/et_pb_section]

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.