Os desembolsos do BNDES vão para o R

Tem sido notável, reconheço, o esforço do BNDES em elevar a transparência de suas ações, depois de tantas críticas sofridas ao longo dos últimos anos. Um reflexo desse esforço tem sido visto na disponibilização on-line dos recursos desembolsados pelo banco. Um problema, entretanto, dos dados disponibilizados pelo banco está no formato das planilhas. Abaixo, coloco um print do arquivo .xls dos desembolsos.

bndes

A planilha traz os desembolsos mensais realizados pelo banco de acordo com o Cadastro Nacional de Atividade Econômica. O problema da planilha é que ela traz o dado mensal e o acumulado por ano, bem como pula uma linha para começar outro ano. Se você quiser, por exemplo, obter a série temporal mensal, terá que deletar o acumulado por ano e a linha em branco, para começar a trabalhar. Se você usar essa planilha todos os meses, portanto, terá um trabalho considerável para tratar os dados, não é mesmo?

Se você for usuário do R, entretanto, a gente pode melhorar isso. Você pode baixar a planilha que está lá no BNDES diretamente para o R, tratar os dados e disponibilizá-los para suas análises. Como? O código abaixo faz isso.

temp <- tempfile()

download.file('http://www.bndes.gov.br/SiteBNDES/export/sites/default/bndes_pt/Galerias/Arquivos/empresa/estatisticas/Int2_1D_m_setorCNAE.xls',
 destfile=temp, mode='wb')

data <- loadWorkbook(temp)

data <- readWorksheet(data, sheet = 1, header = TRUE, 
 startRow = 5)[,49]

desembolso <- data[-c(13,14,27,28,41,42,55,56,69,70,83,84,
 97,98,111,112,125,126,139,140,153,154,
 167,168,181,182,195,196,209,210,221)]

desembolso <- ts(desembolso, start=c(2000,1), freq=12)

O nosso código acima faz o download da planilha do BNDES, carrega e lê ela dentro do R, retira as linhas que não interessam e transforma em série temporal. Há, claro, outras formas de fazer isso [bem mais rápidas], mas para quem está começando, é um código satisfatório. O resultado do código é a série abaixo:

grafico01

Com efeito, agora você pode verificar, por exemplo, o efeito dos desembolsos do BNDES sobre a taxa de investimento, sobre o crescimento, etc. Ah, sim, para carregar e ler, estou usando o pacote XLConnect. Quando tiver tempo, publico um exercício aqui com essa série. Os resultados não são muito animadores, adianto... 🙁

________________________________

Esse é um exemplo de exercício que você aprende a fazer em nosso Curso de Introdução ao R. Saiba mais, aqui

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Criando operações SQL com IA Generativa no R com querychat

No universo da análise de dados, a velocidade para obter respostas é um diferencial competitivo. Frequentemente, uma simples pergunta de negócio — “Qual foi nosso produto mais vendido no último trimestre na região Nordeste?” — inicia um processo que envolve abrir o RStudio, escrever código dplyr ou SQL, executar e, finalmente, obter a resposta. E se pudéssemos simplesmente perguntar isso aos nossos dados em português, diretamente no nosso dashboard Shiny?

Dashboard Financeiro com IA e Shiny Python: Análise de Dados Abertos da CVM

Este artigo apresenta um tutorial completo sobre como construir uma ferramenta de análise financeira de ponta. Utilizando Shiny for Python, demonstramos a automação da coleta de dados das Demonstrações Financeiras Padronizadas (DFP) da CVM e o tratamento dessas informações com Pandas. O ponto alto do projeto é a integração da IA Generativa do Google Gemini, que atua como um assistente de análise, interpretando os dados filtrados pelo usuário e fornecendo insights contábeis e financeiros em tempo real. O resultado é um dashboard dinâmico que democratiza a análise de dados complexos e acelera a tomada de decisão.

Econometria, ML ou IA para previsão da PMS?

Prever a Pesquisa Mensal de Serviços (PMS/IBGE) é um desafio por natureza: trata-se de uma série mensal, sujeita a volatilidade e choques que vão de fatores sazonais a mudanças estruturais no setor. Para enfrentar esse problema, realizamos um exercício de comparação entre três abordagens de modelagem: econometria tradicional (ARIMA), machine learning (XGBoost) e inteligência artificial (TimeGPT).

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.