Introdução
O ecossistema R brasileiro continua evoluindo rapidamente, com novos pacotes e melhorias nas ferramentas existentes tornando a análise de dados econômicos mais acessível do que nunca. Neste post, exploraremos os desenvolvimentos mais recentes em pacotes R especificamente projetados para dados econômicos brasileiros, focando em atualizações que aumentam a produtividade para economistas, pesquisadores e analistas de políticas.
O Brasil possui um sistema complexo de coleta e disseminação de dados, com múltiplas instituições oferecendo diferentes APIs e formatos. Pacotes especializados:
- Simplificam o acesso a dados de fontes oficiais
- Padronizam formatos para análise consistente
- Automatizam limpeza de dados comuns
- Fornecem documentação em português
- Incluem metadados relevantes para o contexto brasileiro
Principais Atualizações de 2024
{sidrar} - Interface SIDRA do IBGE
O pacote {sidrar} recebeu atualizações significativas para melhorar o acesso ao sistema SIDRA do IBGE:
library(sidrar)
# Nova funcionalidade: busca automática de tabelas
tabelas_pib <- search_sidra("PIB municipal")
# Acesso mais simples a dados do Censo 2022
censo_2022 <- get_sidra(
api = "/t/9514/n1/all/v/10267/p/2022/c2/all"
)Principais melhorias: - Suporte completo ao Censo 2022 - Melhor tratamento de metadados - Funções de busca aprimoradas - Cache local para consultas frequentes
{geobr} - Dados Geográficos
O pacote {geobr} expandiu sua cobertura de dados geográficos:
library(geobr)
# Novos dados disponíveis em 2024
setores_censitarios <- read_census_tract(year = 2020)
areas_protegidas <- read_conservation_units(year = 2024)Novidades: - Setores censitários atualizados - Malha de áreas metropolitanas - Dados de conservação ambiental - Melhor integração com dados do Censo
{rbcb} - Banco Central
O pacote {rbcb} para dados do Banco Central incluiu novos endpoints:
library(rbcb)
# Acesso a novos indicadores
pix_stats <- get_series(c("PIX_VOLUME" = 27810))
open_banking <- get_series(c("OPEN_BANKING" = 28000))Workflow Moderno para Dados Brasileiros
Exemplo Prático: Análise Regional de Inflação
library(tidyverse)
library(sidrar)
library(geobr)
library(rbcb)
# 1. Dados de inflação por região metropolitana
ipca_rm <- get_sidra(
api = "/t/1737/n1/all/v/2266/p/last%2012/d/v2266%205"
)
# 2. Dados geográficos das regiões metropolitanas
rm_geo <- read_metro_area(year = 2020)
# 3. Dados do IPCA nacional para comparação
ipca_nacional <- get_series(433, start_date = "2023-01-01")
# 4. Combinação e análise
analise_inflacao <- ipca_rm |>
left_join(rm_geo, by = c("codigo_metro" = "code_metro")) |>
mutate(diferenca_nacional = valor - ipca_nacional$valor)Próximos Desenvolvimentos
Pipeline de Dados Automatizado
# Exemplo de pipeline automatizado
library(targets)
# _targets.R
list(
tar_target(dados_ibge, get_sidra("...")),
tar_target(dados_bcb, get_series(...)),
tar_target(analise, processar_dados(dados_ibge, dados_bcb)),
tar_target(relatorio, gerar_relatorio(analise))
)Recursos Adicionais
Documentação e Suporte
Conclusão
O ecossistema R brasileiro está mais maduro e robusto do que nunca. As atualizações de 2024 tornam o acesso a dados oficiais mais simples e confiável, permitindo que analistas foquem na geração de insights em vez de limpeza de dados.
Próximos passos recomendados: 1. Atualize seus pacotes para as versões mais recentes. 2. Explore os novos datasets disponíveis. 3. Implemente workflows automatizados. 4. Contribua com a comunidade compartilhando seu trabalho.
Quer dominar o R para análise econômica brasileira? Explore nossos cursos especializados ou comece com nossos tutoriais gratuitos.