Como explorar e análisar os dados de Crédito Rural no Brasil?
Veja uma maneira prática de analisar os microdados do Sistema de Operações do Crédito Rural e do Proagro (SICOR)
TL;DR
Nesse artigo, você vai entender como funciona o Crédito Rural no Brasil, quais instituições participam desse processo de financiamento e como você pode acessar e análisar os microdados já tratados com essas informações pelo datalake público da Base dos Dados. Além disso, você confere alguns exemplos práticos de análises com os dados do Sistema de Operações do Crédito Rural e do Proagro.
O que é o crédito rural e como ele é concedido e regulado?
Antes de começarmos a falar sobre os dados, vamos fazer uma breve contextualização sobre como funciona o Crédito Rural (CR), como ele é concedido e regularizado.
Tudo começa com o Sistema Nacional de Crédito Rural (SNCR), criado em 1965 com objetivo de estimular os financiamentos de custeio e investimento rurais. O SNCR congrega o conjunto de instituições responsáveis por estruturar, regular e operacionalizar a concessão de CR no Brasil. Entenda melhor o papel de cada uma dessas instituições:
- O Ministério da Agricultura e do Abastecimento (MAPA) é um ator chave na elaboração da política de CR, sendo responsável por determinar fatores como volume de recursos públicos, condições de enquadramento dos produtores e taxas juros praticadas para cada ano safra (AS), período que se extende de 1º de julho do ano corrente a junho do ano seguinte, para o qual é planejada o exercício da política de crédito rural. Oconjunto das normas regimentais definidas pelo MAPA codificado no Manual de Crédito Rural (MCR) pode ser acessado por aqui.
- O Banco Central (BACEN) desempenha o papel de orgão regulador das normas codificadas no Manual do Crédito Rural (MCR), que devem ser respeitadas pelas Instituições financeiras públicas e privadas (IFs) durante a realização de contratações de CR. É justamente na fiscalização do BACEN das operações de CR contratadas pelas IFs que surgem os Microdados do Crédito Rural, já tratados e disponibilizados no datalake da Base dos Dados, e disponíveis em seu formato original no site do BACEN.
Para resumir, é o MAPA que estipula, o BACEN regula e as IFs concedem crédito*. A imagem abaixo sintetiza bem a composição e funcionamento do Sistema Nacional de Crédito Rural (SNCR)
De onde vêm os microdados do Crédito Rural?
Em 2013 o Banco Central anunciou a implementação de um novo sistema para o registro das contratações de crédito rural no Brasil. O anúncio explica que o Sistema de Operações do Crédito Rural e do Proagro (SICOR) substituiu o antigo Registro Comum de Operações Rurais (RECOR), incorporando a exigência de um registro contínuo e sistemático das contratações de crédito rural. Os microdados do SICOR abarcam mais de 10 anos de contratações realizadas em todo território nacional.
De janeiro de 2013 a setembro de 2022, por exemplo, foram registradas 19.65 milhões de contratos e R$ 1.66 trilhões em financiamentos de CR. Atualmente, os mais de 260 campos potencialmente preenchidos no ato da contratação das operações de crédito estão sujeitos a cerca de 1.300 validações.
Em que pesem possibilidades de inconsistência no preenchimento das contratações realizadas pelas IFs no SICOR, o volume de dados, a exigência de seu registro sistemático e as validações findam em um rico conjunto de microdados que permitem explorar, analisar e avaliar o SNCR sob diferentes perspectivas.
A imagem abaixo ajuda a compreender o panorama geral dos atores e componentes importantes do Sistema Nacional de Crédito Rural (SNCR), com destaque para as fontes de recurso e os beneficiários.
Se quiser se aprofundar mais, você pode ver mais informações do Banco Central do Brasil sobre como funciona o Crédito Rural por aqui. Feita essa breve introdução, vamos enfim começar a explorar e analisar os dados com algumas perguntas interessantes.
Analisando os microdados de Crédito Rural
Qual o volume de recursos contratados em operações de crédito rural por ano?
Vamos começar a analisar os dados de Crédito Rural observando o valor de recursos contratados de 2013 a 2022. Observe abaixo o código utilizado.
# settings
options(scipen = 999)
# carregar bibliotecas
library(basedosdados)
library(dplyr)
library(readr)
library(stringr)
library(DT)
library(ggplot2)
library(ggrepel)
library(RColorBrewer)
library(viridis)
# settar billing id do projeto no google
# cloud para acessar os dados no datalake da BD
set_billing_id("insira-seu-billing-id")
# aqui são definidos algums temas padrões para os gráficos
# construidos durante a análise.
tema_sem_legenda <- theme_classic() +
theme(
axis.title.x = element_text(colour = "black"),
axis.title.y = element_text(colour = "black"),
axis.text.y = element_text(
face = "bold", color = "#000000",
size = 12
),
axis.line = element_line(
colour = "black",
size = 1.5, linetype = "solid"
),
axis.text = element_text(size = 8, face = "bold"),
axis.text.x = element_text(face = "bold", color = "#000000", size = 11),
plot.title = element_text(colour = "black", face = "bold", size = 15, hjust = 0),
plot.subtitle = element_text(colour = "black", size = 12),
legend.position = "none"
)
tema_com_legenda <- theme_classic() +
theme(
axis.title.x = element_text(colour = "black"),
axis.title.y = element_text(colour = "black"),
axis.text.y = element_text(
face = "bold", color = "#000000",
size = 12
),
axis.line = element_line(
colour = "black",
size = 1.5, linetype = "solid"
),
axis.text = element_text(size = 8, face = "bold"),
axis.text.x = element_text(face = "bold", color = "#000000", size = 11),
plot.title = element_text(colour = "black", face = "bold", size = 15, hjust = 0),
plot.subtitle = element_text(colour = "black", size = 12),
legend.position = "top",
legend.text = element_text(size = 12)
)
A tabela que contém parte considerável das informações sobre as operações de crédito rural — dentre elas o valor de crédito contrato por operação — é a microdados_operacao. Para uma visão agregada, veremos o montante de CR concedido por ano, durante 2013 a 2022.
# vamos a primeira query!
# O objetivo é construir uma tabela agregada com a soma do valor das operações de crédito por ano.
# Basta selecionar a tabela de *microdados_operacao* e somar o valor total das operações por ano.
operacoes_ano <- read_sql("
SELECT
op.ano,
SUM (op.valor_parcela_credito) AS valor_total
FROM
`basedosdados.br_bcb_sicor.microdados_operacao` op
GROUP BY
op.ano
ORDER BY
op.ano
")
# Em seguida, é só elaborar o gráfico
plot1 <- operacoes_ano %>%
mutate(
valor_total = round(valor_total / 1000000000, 2),
ano = as.integer(ano)
) %>%
ggplot(aes(x = ano, y = valor_total)) +
geom_line(size = 2) +
geom_point(aes(color = "red"), size = 3) +
geom_text_repel(aes(label = valor_total),
fontface = "bold",
color = "black", size = 4,
vjust = -0.8, hjust = -1.2, segment.linetype = 6,
arrow = arrow(length = unit(0.09, "inches"))
) +
scale_x_continuous(breaks = c(2013:2022)) +
scale_y_continuous(limits = c(100, 300), breaks = seq(50, 300, 50)) +
tema_sem_legenda +
labs(
y = " ",
x = " ",
caption = "Fonte: elaborado pelo autor com Microdados do SICOR extraidos da @Basedosdados.",
title = "Valor de Crédito Rural contratado por ano, durante janeiro de 2013 a setembro de 2022",
subtitle = "Preços constantes em Bilhões (R$)"
)
Qual foi o montante de crédito cocedido por categoria de produtor?
O enquadramento do produtor rural é feito pela Instituição Financeira (IF) durante o processo de concessão de crédito (CMN nº 4.883 art 1º e Res CMN nº 4.939 art 1º). A classificação pode ser realizada a partir da Renda Bruta Agropecuária (RBA) de um dos últimos 2 anos ou pela participação do beneficiário em programas de crédito para setores específicos.
No ano safra de 2021/2022 as categorias são definidas por:
- 1.1 Pequeno Produtor (PP): RBA até 500.000 reais ou detentores da Declaração de Aptidão ao PRONAF (DAP);
- 1.2 Médio Produtor (MP): RBA maior que 500.000 até 2.400.000 reais ou aqueles enquadrados no programa de apoio ao médio produtor Rural (PRONAMP);
- 1.3 Grande Produtor (GP): RBA acima de 2.400.000 ou produtores que possuam mais de 20% de sua renda obtida de fontes indiretamente correlatas ou externas as atividades rurais.
Com a tabela abaixo mostra o valor contratado por categoria durante o período
# A categoria do produtor esta mapeada no *dicionario*. Optei por fazer um *join*
# da tabela de microdados com o dicionário, mas seria perfeitamente
# possível atribuir os valores usando a expressão *case when*.
operacoes <- read_sql("
SELECT
dic.valor,
SUM (op.valor_parcela_credito) AS valor_total
FROM
`basedosdados.br_bcb_sicor.microdados_operacao` op
INNER JOIN
`basedosdados.br_bcb_sicor.dicionario` dic
ON
op.id_categoria_emitente = dic.chave
AND dic.nome_coluna = 'id_categoria_emitente'
GROUP BY
dic.valor
ORDER BY
valor_total
")
# formatar a tabela para ficar apresentável
operacoes <- operacoes %>%
filter(valor_total > 3000000000) %>%
mutate(
percentual = paste0("%", round(valor_total * 100 / sum(valor_total), 2)),
valor_total = paste0("R$ ", round(valor_total / 1000000000, 2))
) %>%
datatable(
extensions = "Buttons",
options = list(
dom = "Blfrtip",
buttons = c("copy", "csv", "print"),
lengthMenu = list(
c(10, 25, 50, -1),
c(10, 25, 50, "All")
)
)
)
operacoes
Tabela com o valor contratado por categoria durante o período:
| valor | valor_total | percentual |
|---|---|---|
| Pequeno Produtor Rural | R$ 350.12 | % 19.8 |
| Médio Produtor Rural | R$ 642.34 | % 36.32 |
| Grande Produtor Rural | R$ 775.99 | % 43.88 |
A nível nacional uma fatia considerável do valor total (43,88%) é abocanhada por Grandes Produtores Rurais, seguidos pelos Médios (36,22%) e pelos pequenos (19,8%).
A figura abaixo mostra o valor absoluto em crédito contratado para cada categoria durante o período:
# Esta query é bastante similar a anterior, com a diferença de que os valores
# foram somados por ano.
operacoes_ano_st <- read_sql("
SELECT
op.ano,
dic.valor,
SUM (op.valor_parcela_credito) AS valor_total
FROM
`basedosdados.br_bcb_sicor.microdados_operacao` op
INNER JOIN
`basedosdados.br_bcb_sicor.dicionario` dic
ON
op.id_categoria_emitente = dic.chave
AND dic.nome_coluna = 'id_categoria_emitente'
GROUP BY
op.ano,
dic.valor
ORDER BY
valor_total
")
# gráfico
plot2 <- operacoes_ano_st %>%
filter(valor_total > 3000000000) %>%
mutate(
ano = as.integer(ano),
valor_total = valor_total
) %>%
ggplot(aes(x = ano, y = valor_total / 1000000000, fill = valor)) +
geom_col(position = "stack") +
geom_text(aes(label = round(valor_total / 1000000000, 2)),
position = position_stack(vjust = .5),
size = 5
) +
scale_x_continuous(breaks = c(2013:2022)) +
scale_fill_manual(values = c("#DADAEB", "#9E9AC8", "#6A51A3"), name = " ") +
tema_com_legenda +
labs(
y = " ", x = " ", caption = "Fonte: elaborado pelo autor com Microdados do SICOR extraidos da @Basedosdados.",
title = "Valor de Crédito Rural contratado por categoria de beneficiário,\n durante janeiro de 2013 a setembro de 2022",
subtitle = "Preços constantes em Bilhões (R$)"
)
plot2
De modo geral, a demanda por crédito é influência pela taxa SELIC — a taxa de juros básica da econômia. Juros mais altos tendêm a reduzir a demanda, enquanto juros mais baixos tendêm a aumentá-la. Em 2020 a SELIC permaneceu em patamares historicamente baixos, a um valor médio de 2,0% ao ano (a.a.). Já em 2021, apesar do aumento de 7,25% ao longo do ano, a SELIC esteve abaixo de 7.75% até dezembro, o que pode explicar em parte o crescimento expressivo observado em 2020 e sobretudo em 2021.
Quais são os produtos mais financiados em termos de valor de crédito por categoria de beneficiário?
Os dados gerais sobre a operação de crédito estão concentrados na tabela de microdados_operacao. Nela, consta um código do empreendimento que está sendo financiado. Em outras palavras, o empreendimento é uma concatenação de códigos que qualificam a operação de crédito. Por exemplo, suponhamos que o código 1 identifique atividades agrícolas, o 2222 Pequenos Produtores Rurais e o 323 a Açaí. Nesse exemplo hipotético, o código do empreendimento seria 1222323.
O conjunto de códigos de empreendimento existentes esta descrito na tabela empreendimento.
produtos_emitentes <- read_sql("
SELECT
op.id_categoria_emitente,
emp.produto,
SUM(op.valor_parcela_credito) AS valor_total
FROM
`basedosdados.br_bcb_sicor.microdados_operacao` op
INNER JOIN
`basedosdados.br_bcb_sicor.empreendimento` emp
ON
op.id_empreendimento = emp.id_empreendimento
GROUP BY
op.id_categoria_emitente,
emp.produto
")
# gráfico
plot3 <- produtos_emitentes %>%
group_by(id_categoria_emitente) %>%
mutate(rank_produtos_emitentes = rank(-valor_total)) %>%
filter(rank_produtos_emitentes <= 3 &
(id_categoria_emitente %in% c(2222, 3333, 4444))) %>%
mutate(nome_emitente = if_else(id_categoria_emitente == 2222,
"Pequeno Produtor Rural",
if_else(id_categoria_emitente == 3333,
"Médio Produtor Rural",
"Grande Produtor Rural"
)
)) %>%
ggplot(aes(x = nome_emitente, y = valor_total / 1000000000, fill = produto)) +
geom_col(
aes(
group = rank_produtos_emitentes
),
position = "dodge"
) +
geom_text(
aes(
label = paste0(round(valor_total / 1000000000, 2), " BI"),
group = rank_produtos_emitentes
),
position = position_dodge(.9),
vjust = -.2, hjust = .5, size = 6
) +
scale_fill_manual(values = c("#482677FF", "#33638DFF", "#20A387FF", "95D840FF"), name = " ") +
tema_com_legenda +
labs(
y = " ",
x = " ",
caption = "Fonte: elaborado pelo autor com Microdados do SICOR extraidos da @Basedosdados.",
title = "Top 3 produtos financiados por categoria de beneficiário durante janeiro de 2013 \n a setembro de 2022",
subtitle = "Preços constantes em Bilhões (R$)"
)
plot3
É bastante perceptível o alto grau de homogeinização dos produtos com maior valor de crédito contratado. A soja aparece como o principal para os GP e MP seguida dos Bovinos. Para os PP a situação se inverte, o financiamento a Bovinos aparece como principal, seguido do milho e da soja.
É interessante ressaltar que existem muitos atributos que qualificam os produtos financiados. É gado para corte ou produção de leite? A modalidade de criação é extensiva ou intensiva? O Gado é financiado junto com a soja? Um pedacito da beleza dos microdados do CR está justamente nas possibilidades de agregações. O BACEN divulga estatísticas agregadas sobre a concessão de crédito rural que invibilizam diversas opções de análise. São exemplos de perguntas que podem ser respondidas manejando os microdados. Em particular as tabelas de empreendimentos e microdados_operacao, também utilizadas na query acima.
Quais bancos financiam quais categorias de produtores rurais?
Enfim, chegamos a um ponto interessante: entender a relação entre os bancos e as categorias de produtores rurais com financiamento. A planilha intitulada bancos é divulgada pelo BACEN, se refere ao conjunto de IFs, seus postos e agências em atividade no mês de referência. Essa é uma base bastante útil quando se trabalha com IFs, pois permite identificar os CNPJs, a localização geográfica das agências e demais atributos.
# ler csv com relação de nomes de bancos e cnpjs
bancos <- read_csv2("C:/Users/gabri/Downloads/202105AGENCIAS/202105AGENCIAS.csv") %>%
mutate(
cnpj_instituicao_financeira = as.character(CNPJ),
cnpj_instituicao_financeira = gsub("\\.", "", cnpj_instituicao_financeira)
) %>%
select(cnpj_instituicao_financeira,
nome_instituicao_financeira = `NOME INSTITUIÇÃO`
) %>%
unique()
# Esta query agregada o valor de crédito rural concedido por Instituição Financeira
# para cada categoria de produtor rural
top3_ifs_prod <- read_sql("
SELECT
op.id_categoria_emitente,
op.cnpj_basico_instituicao_financeira as cnpj_instituicao_financeira,
SUM (op.valor_parcela_credito) AS valor_total
FROM
`basedosdados.br_bcb_sicor.microdados_operacao` op
GROUP BY
op.cnpj_basico_instituicao_financeira,
op.id_categoria_emitente
")
# elborar gráfico
plot4 <- top3_ifs_prod %>%
group_by(id_categoria_emitente) %>%
mutate(
rank_produtos_emitentes = rank(-valor_total),
nome_emitente = if_else(id_categoria_emitente == 2222,
"Pequeno Produtor Rural",
if_else(id_categoria_emitente == 3333,
"Médio Produtor Rural",
"Grande Produtor Rural"
)
)
) %>%
filter(rank_produtos_emitentes <= 3 &
(id_categoria_emitente %in% c(2222, 3333, 4444))) %>%
inner_join(bancos,
by = c("cnpj_instituicao_financeira")
) %>%
ggplot(aes(x = nome_emitente, y = valor_total / 1000000000, fill = nome_instituicao_financeira)) +
geom_col(
aes(
group = rank_produtos_emitentes
),
position = "dodge"
) +
geom_text(
aes(
group = rank_produtos_emitentes,
label = paste0(round(valor_total / 1000000000, 2), " BI")
),
position = position_dodge(.9),
vjust = -.2, size = 6
) +
scale_fill_viridis(discrete = TRUE, name = "") +
tema_com_legenda +
labs(
y = " ",
x = " ",
caption = "Fonte: elaborado pelo autor com Microdados do SICOR extraidos da @Basedosdados.",
title = "Top 3 Instituições financeiras por categoria de beneficiário durante janeiro de 2013\n a setembro de 2022",
subtitle = "Preços constantes em Bilhões (R$)"
)
plot4
O papel dos bancos públicos na concessão de crédito rural torna-se nítido, com o Banco do Brasil (BB) como maior credor para todas as categorias. Ademais disso, para os PP as 3 IFs com maior valor contratado são públicas. Para os MP foi identificado o banco do Bradesco em segundo lugar. Por fim, apesar do BB aperecer como maior credor os GP tem como financiadores importantes dois grandes bancos privados: Itaú e Bradesco.
Quais são os maiores credores do CR?
# Esta query é similar a anterior, com a diferença de que o valor das operações
# de crédito foi agregado para as intituições financeiras, durante todo o período de
# cobertura da base
credito_banco <- read_sql("
SELECT
op.cnpj_basico_instituicao_financeira as cnpj_instituicao_financeira,
SUM (op.valor_parcela_credito) AS valor_total
FROM
`basedosdados.br_bcb_sicor.microdados_operacao` op
GROUP BY
op.cnpj_basico_instituicao_financeira
")
# alterar o nome BANCO para reduzir o tamanho e facilitar a visualização
bancos <- bancos %>%
mutate(nome_instituicao_financeira = str_replace_all(nome_instituicao_financeira, "BANCO", "B."))
# criar veotor com cores
cores <- rep("palegreen2", 8)
# construir gráfico
plot5 <- credito_banco %>%
mutate(rank_produtos_emitentes = rank(-valor_total)) %>%
filter(rank_produtos_emitentes <= 8) %>%
inner_join(bancos,
by = c("cnpj_instituicao_financeira")
) %>%
ggplot(aes(
x = reorder(
nome_instituicao_financeira,
-valor_total / 1000000000
),
y = valor_total / 1000000000,
fill = nome_instituicao_financeira
)) +
geom_col() +
coord_flip() +
geom_text(aes(label = round(valor_total / 1000000000, 2)),
size = 5,
hjust = 0.4
) +
scale_fill_manual(values = cores) +
theme_classic() +
tema_sem_legenda +
labs(
y = " ", x = " ", caption = "Fonte: elaborado pelo autor com Microdados do SICOR extraidos da @Basedosdados.",
title = "Top 8 Instituições financeiras por valor financiado \n durante janeiro de 2013 a setembro de 2022",
subtitle = "Preços constantes em Bilhões (R$)"
)
plot5
Quais programas de crédito tem maior valor de recursos contratado?
Os programas de crédito têm relação direta com a política de CR do MAPA. A cada ano safra, é reservado um montante de recursos a taxas de juros subsidiadas para atender setores específicos do meio rural. Um exemplo importante é o Programa de Fortalecimento da Agricultura Familiar (PRONAF).
prog <- read_sql("
SELECT
dic.valor,
SUM (op.valor_parcela_credito) AS valor_total
FROM
`basedosdados.br_bcb_sicor.microdados_operacao` op
INNER JOIN
`basedosdados.br_bcb_sicor.dicionario` dic
ON
op.id_programa = dic.chave
AND dic.nome_coluna = 'id_programa'
GROUP BY
dic.valor
")
# criar veotor com cores
cores <- rep("skyblue1", 8)
# elaborar gráfico
plot6 <- prog %>%
mutate(rank_programa = rank(-valor_total)) %>%
filter(rank_programa <= 8) %>%
# renomear programas para construir visualização
mutate(valor = if_else(valor == "Funcafé (Programa De Defesa Da Economia Cafeeira)",
"Funcafé",
if_else(valor == "Psi-Rural - Programa De Sustentação Do Investimento",
"Psi-Rural",
if_else(valor == "Abc - Programa Para Redução Da Emissão De Gases De Efeito Estufa Na Agropecuária",
"Abc",
if_else(valor == "Pronaf - Programa Nacional De Fortalecimento Da Agricultura Familiar",
"Pronaf",
if_else(valor == "Pca - Programa Para Construção E Ampliação De Armazéns",
"Pca",
if_else(valor == "Moderfrota - Programa De Modernização Da Frota De Tratores Agrícolas E Impl Assoc E Colheitadeiras",
"Moderfrota",
if_else(valor == "Pronamp - Programa Nacional De Apoio Ao Médio Produtor Rural",
"Pronamp",
"FVPE"
)
)
)
)
)
)
)) %>%
ggplot(aes(
x = reorder(
valor,
-valor_total
),
y = valor_total / 1000000000
)) +
geom_col(aes(fill = valor)) +
geom_text(
aes(
label = round(valor_total / 1000000000, 2)
),
size = 5,
hjust = 0.3
) +
coord_flip() +
scale_fill_manual(values = cores) +
theme_classic() +
tema_sem_legenda +
labs(
y = " ", x = " ", caption = "Fonte: elaborado pelo autor com Microdados do SICOR extraidos da @Basedosdados.",
title = "Top 8 Programas de Crédito por valor financiado durante \n janeiro de 2013 a setembro de 2022",
subtitle = "Preços constantes em Bilhões (R$)"
)
plot6
Descrição das siglas dos programas:
- Funcafé: Funcafé (Programa De Defesa Da Economia Cafeeira
- Psi-Rural: Programa De Sustentação Do Investimento
- Abc: Programa Para Redução Da Emissão De Gases De Efeito Estufa Na Agropecuária
- Pronaf: Programa Nacional De Fortalecimento Da Agricultura Familiar
- Pca: Programa Para Construção E Ampliação De Armazéns
- Moderfrota: Programa De Modernização Da Frota De Tratores Agrícolas E Impl Assoc E Colheitadeiras
- Pronamp: Programa Nacional De Apoio Ao Médio Produtor Rural
- FVPE: Financiamento Sem Vínculo A Programa Específico
Vale observar que a modalidade predominante em termos de valor absoluto contratado é a dos financiamentos sem vínculo a um programa específico.
Esses são alguns exemplos de possíveis análises com os microdados do Sistema de Operações do Crédito Rural e do Proagro. Vale ressaltar que você pode utilizar o datalake da Base dos Dados e o conjunto de Diretórios Brasileiros para cruzar diferentes indicadores como esses para criar suas análises e visualizações. Explore esses dados você também e compartilhe conosco o que descobriu!
Notou algo errado ou tem uma sugestão?
Contribua com a BD editando este artigo via pull request no nosso GitHub.Base dos Dados