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

Usando IA para prever o consumo de energia no Brasil com Python

Neste exemplo mostramos o poder da IA, especificadamente o uso de modelos de Machine Learning de Séries Temporais, para prever os valores da Curva de Carga Horária de Energia Elétrica do Sudeste disponibilizada pela ONS. Para realizar as previsões, além dos modelos, empregamos métodos de machine learning já conhecidos, como cross-validation, usando a biblioteca MlForecast do Python.

Controle Sintético: Lei Anti Fumo na Califórnia

O que é Controle Sintético e como podemos utilizar essa ferramenta para auxiliar no estudo da avaliação de impacto? Neste post, oferecemos uma breve introdução a esse importante método da área de inferência causal, acompanhado de um estudo de caso para uma compreensão mais aprofundada de sua aplicação. Os resultados foram obtidos por meio da implementação em Python, como parte integrante do nosso curso sobre Avaliação de Políticas Públicas utilizando esta linguagem de programação.

Previsão de crises financeiras com IA usando Python

Fazer investimentos sem analisar dados é como atirar no escuro. Ninguém quer estar numa posição errada na hora que uma nova crise estourar. Para mitigar estes riscos, modelos de probabilidade de recessão podem trazer informações relevantes para a tomada de decisão. Neste artigo mostramos uma aplicação destes modelos para a economia norte-americana, usando o ferramental de pacotes 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.