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

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.

Prevendo múltiplas séries usando IA no Python

Como podemos realizar previsões para várias séries temporais simultaneamente? Para abordar essa questão, empregamos a biblioteca MLForecastdo Python. Esta biblioteca disponibiliza uma variedade de modelos e funcionalidades para realizar previsões em séries temporais utilizando técnicas de aprendizado de máquina. Demonstramos sua aplicação ao prever as curvas de energia horária em quatro regiões distintas do Brasil.

Esse exercício é uma continuação do exercício “Usando IA para prever o consumo de energia no Brasil com 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.