26 de outubro de 2026
bacenR: pacote em R para download e tratamento de dados do Banco Central do Brasil
Ricardo Theodoro; Walter Mesquita Filho
DOI: 10.22167/2675-6528-202603428
Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.
Resumo
Em pesquisas acadêmicas, a confiabilidade e estrutura dos dados são cruciais, mas a coleta manual de informações do Banco Central do Brasil (Bacen) pode ser demorada e complexa. O presente estudo teve como objetivo desenvolver o pacote bacenR para a linguagem R, visando facilitar o download e tratamento de dados do Bacen, incluindo balanços, balancetes, dados cadastrais de instituições financeiras, atos normativos e informações sobre carteiras de crédito. O desenvolvimento do pacote seguiu as orientações de Wickham e Bryan (2023) para criação de pacotes em R, abrangendo etapas como definição de escopo, codificação de funções, testagem, documentação e manutenção. As funções foram projetadas para baixar e organizar dados de normas, balanços e informações do IFdata. O pacote bacenR foi disponibilizado no CRAN e no GitHub, e sua versão estável foi instalada por 823 usuários. O uso demonstrou eficiência na coleta e tratamento de grandes volumes de dados com poucas linhas de código. Concluiu-se que o bacenR é uma ferramenta útil que otimiza o tempo de pesquisa ao reduzir o esforço na coleta de dados, permitindo maior dedicação à análise e democratizando o acesso a informações financeiras para pesquisadores com menor experiência em programação.
Palavras-chave: Atos normativos; Bacen; Balancete; IFdata; Instituições financeiras.
1. Introdução
A pesquisa acadêmica sobre bancos e cooperativas de crédito depende fundamentalmente do acesso a dados financeiros confiáveis, granulares e atualizados. Esses dados são essenciais para investigar a eficiência, o desempenho, o risco e a competitividade dessas instituições dentro do sistema financeiro nacional. A relevância do tema é crescente, conforme indicado pela Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES), que registrou uma expansão na quantidade de teses e dissertações anuais sobre o assunto, passando de 37 em 2010 para 64 em 2022.
Diversos estudos já evidenciaram a importância do uso de dados de fontes confiáveis para testar hipóteses e propor soluções (Bath, 2023; Olmsted, 2024; Hackman et al., 2024). Nesse contexto, o Banco Central do Brasil (Bacen) desempenha um papel estratégico ao disponibilizar publicamente uma imensa quantidade de dados. Estes abrangem desde séries históricas até estatísticas específicas de diferentes segmentos do sistema financeiro, incluindo bancos comerciais, cooperativas de crédito, financeiras não bancárias e postos de atendimento (Theodoro et al., 2021; Canassa et al., 2022; Bressan et al., 2023). Essa política de dados abertos democratiza o acesso à informação e promove avanços metodológicos em pesquisas acadêmicas, tornando possível a análise descritiva e inferencial com rigor técnico.
Contudo, apesar da ampla disponibilidade desses dados, a etapa de coleta e tratamento das informações ainda representa um desafio expressivo para pesquisadores, principalmente aqueles com pouca experiência em programação ou automação. O processo manual demanda tempo, atenção, recursos humanos e está sujeito a inconsistências, duplicidades e erros de digitação, especialmente quando se trata da unificação de múltiplas bases, tratamento de formatos distintos e atualização constante de requisitos regulatórios. A literatura especializada aponta que a etapa de preparação e limpeza de dados pode consumir até 80% do tempo de análise, tornando inviável a condução eficiente de estudos em larga escala sem ferramentas adequadas (Paton, 2019; Santos et al., 2025).
Nesse contexto, o desenvolvimento de um pacote em R especializado para baixar, tratar e organizar dados do Bacen já prontos para análise emerge como uma iniciativa com potencial relevância acadêmica e social. Tal ferramenta automatiza rotinas de coleta e transformação, e um pacote bem documentado, com manual de uso e exemplos concretos, amplia o acesso de pesquisadores com pouca experiência técnica, fomentando trabalhos inovadores e garantindo que a análise dos dados seja realizada de maneira padronizada e confiável. Isso permite que o pesquisador possa despender mais tempo analisando os dados do que coletando. Embora pacotes como BacenAPI (Icaro et al., 2025), rbcb (Freitas, 2024) e BETS (Costa et al., 2018) já existam e demonstrem a necessidade de soluções de código aberto para a pesquisa econômica e financeira nacional, eles são focados em dados como IPCA, SELIC, PIB e Débitos do Governo, e não cobrem todos os dados disponíveis pelo Bacen. Há uma lacuna para um pacote que baixe dados como os balanços das instituições financeiras, organize-os para facilitar o uso e baixe as instruções normativas emitidas pela Comissão de Valores Mobiliários (CVM) e disponibilizadas pelo Bacen.
Tendo em vista os pontos apresentados e a necessidade de preencher essa lacuna, o objetivo deste trabalho foi criar um pacote em R, nomeado bacenR, para baixar informações sobre Instruções Normativas que regem a regulação e fiscalização das instituições financeiras, os Balanços e Balancetes das mesmas, informações sobre as carteiras de crédito ativas de cada instituição e dados sobre o endereço das instituições financeiras ativas em cada período, de forma que os dados obtidos sejam facilmente tratados e organizados.
2. Material e Métodos
A pesquisa caracterizou-se como de natureza aplicada, com abordagem metodológica de desenvolvimento de um pacote de software, especificamente para a linguagem R. O objetivo central foi criar uma ferramenta, denominada bacenR, capaz de automatizar o processo de coleta, tratamento e organização de dados financeiros e regulatórios disponibilizados pelo Banco Central do Brasil (Bacen), visando facilitar a análise acadêmica e reduzir o esforço manual.
A metodologia adotada fundamentou-se nas orientações de Wickham e Bryan (2023), que descrevem sistematicamente o processo de concepção e desenvolvimento de pacotes no ambiente R. Complementarmente, utilizaram-se como referência as obras de Grolemund (2014), Marwick et al. (2018a; 2018b), Silge (2018), Wickham (2021) e Wickham et al. (2023). Esses materiais foram essenciais por abordarem princípios de boas práticas de programação, reprodutibilidade, testabilidade e legibilidade do código.
O desenvolvimento do pacote ocorreu em etapas sequenciais, conforme o modelo proposto por Wickham e Bryan (2023). As fases incluíram: 1) Configurações iniciais do ambiente de desenvolvimento; 2) Definição dos componentes do pacote, como código e dados; 3) Elaboração dos metadados, abrangendo descrição, dependências e licença; 4) Testagem rigorosa das funcionalidades; 5) Documentação detalhada; e 6) Manutenção contínua do pacote.
Como passo inicial, definiu-se o escopo do projeto, contemplando o idioma a ser utilizado, as principais funcionalidades a serem implementadas e o cronograma de execução. Em seguida, criou-se um “GitHub Project” para aprimorar a gestão do desenvolvimento, distribuir tarefas, acompanhar o progresso das implementações e planejar as próximas etapas de trabalho.
Com a estrutura organizacional estabelecida, iniciou-se a fase de codificação do pacote. As funções foram projetadas para realizar o download das normas publicadas pelo Banco Central do Brasil e suas alterações, extrair o texto integral dessas normas, obter os balanços e balancetes das instituições financeiras, e processar esses dados, preparando-os para posterior análise. As funções iniciais desenvolvidas foram `get_normative_data()`, `get_normative_txt()`, `get_balance_sheets()` e `tidy_balance_sheets()`.
Na sequência, procedeu-se à análise dos componentes estruturais do pacote, que são compostos pelo código-fonte, pelas bases de dados, pelos diretórios e pelas referências bibliográficas, a fim de assegurar sua consistência e coerência interna. Concluída essa verificação, elaboraram-se os metadados, que contemplaram a descrição detalhada do pacote, suas dependências e a definição da licença de uso. Para o funcionamento do bacenR, o ambiente R necessita estar na versão 4.1 ou superior, e pacotes como `dplyr`, `fs`, `glue`, `httr`, `janitor`, `jsonlite`, `lifecycle`, `purrr`, `readr`, `rlang`, `stringr`, `tibble`, `tidyr`, `tools`, `utils` e `xml2` foram utilizados como dependências.
Com a estrutura final consolidada, iniciou-se a fase de testes. Cada função foi submetida a testes individuais com a utilização dos pacotes `testthat` e `devtools`, empregando diferentes parâmetros para verificar a robustez e o comportamento do código. Os erros identificados foram corrigidos iterativamente, implicando ajustes tanto na codificação quanto na documentação e nas dependências declaradas. Após a aprovação em todos os testes, incluindo o “R CMD CHECK” executado por meio da integração com o “GitHub”, iniciou-se o processo de documentação formal, com a ajuda do pacote `usethis`. Todas as funções foram descritas detalhadamente, com a exposição de seus objetivos, parâmetros, resultados esperados e respectivas fontes de dados, de modo a garantir total transparência e compreensibilidade ao usuário final.
Com o pacote finalizado, procedeu-se à sua disponibilização no “GitHub”, acompanhada de um arquivo README.md contendo instruções para instalação, explicação sobre o funcionamento e exemplos de uso das funções implementadas. A versão lançada, denominada bacenR v0.1.0, foi classificada como versão beta. Para ampliar a fase de validação, o pacote foi divulgado em redes sociais, permitindo a coleta de feedbacks para identificar falhas, propor melhorias e definir novas funcionalidades a serem incorporadas.
Após a coleta de feedbacks, as funções foram ajustadas e novas funcionalidades foram adicionadas, seguindo a necessidade dos usuários. Estas novas funções possuíam o objetivo de coletar dados do IFdata sobre as carteiras de crédito ativas das instituições financeiras e o endereço das instituições autorizadas. As funções adicionadas foram `get_ifdata_reports()`, `get_ifdata_registry()`, `get_institutions()` e `tidy_institutions()`. Após uma série de testes e melhorias, já na versão 0.3.1, o pacote foi submetido à avaliação do “Comprehensive R Archive Network” (CRAN), repositório oficial da linguagem R, sob a licença “General Public License” 3 (GPL-3.0). Para a submissão, foi criado um arquivo “vignettes” com a descrição do pacote e exemplos de uso, além de um README.md no GitHub, que contém uma breve apresentação do pacote, sugestões de pacotes semelhantes, instruções de instalação, usos básicos, lista de tarefas futuras, informações sobre o autor, como citar e como apoiar, e um guia para contribuições.
3. Resultados e Discussão
A fase inicial do desenvolvimento do pacote bacenR concentrou-se na criação de um ambiente organizado no “GitHub Projects”, conforme as boas práticas de gestão de projetos de software. Este ambiente foi estruturado para gerenciar as “issues” (tarefas ou problemas) que surgiam durante o processo de codificação e documentação. A organização permitiu que tanto os desenvolvedores quanto potenciais colaboradores pudessem acompanhar o progresso das funcionalidades, verificar quais tarefas estavam em andamento ou concluídas, e identificar lacunas para novas contribuições. Essa abordagem colaborativa é fundamental para projetos de código aberto, incentivando a participação da comunidade e aprimorando a robustez da ferramenta.
No “GitHub Projects”, as tarefas foram categorizadas por “Status” em “Todo” (a fazer), “In Progress” (em progresso) e “Done” (feito), facilitando o acompanhamento visual do fluxo de trabalho. Além disso, foram incorporadas características de gerenciamento de equipe, como “Priority” (prioridade), “Size” (tamanho), “Estimate” (tempo estimado), “Start date” (data de início) e “End date” (data final). Essas métricas não apenas auxiliaram o mantenedor na gestão do desenvolvimento, mas também serviram como um guia para a coordenação de uma equipe de contribuidores, promovendo transparência e eficiência no ciclo de vida do pacote.
A escolha do idioma inglês para o pacote foi estratégica, visando maximizar o alcance global da ferramenta e atrair uma base de usuários e colaboradores mais ampla. Contudo, para garantir a acessibilidade a usuários brasileiros, as mensagens de erro e algumas instruções foram traduzidas para o português. Os parâmetros de cada função também foram descritos em português, o que facilita a compreensão e o uso do pacote por pesquisadores e profissionais no Brasil, alinhando-se ao objetivo de democratizar o acesso aos dados do Banco Central do Brasil.
As primeiras funções desenvolvidas, na versão 0.1.0 do pacote, incluíram `get_normative_data()`, `get_normative_txt()`, `get_balance_sheets()` e `tidy_balance_sheets()`. A função `get_normative_data()` foi projetada para baixar atos normativos do Bacen, permitindo a busca por termos específicos e dentro de uma janela de datas. Complementarmente, a função `get_normative_txt()` possibilitou a extração do texto integral desses atos normativos a partir do `data.frame` gerado pela função anterior, fornecendo acesso detalhado ao conteúdo regulatório.
Para dados financeiros, a função `get_balance_sheets()` foi implementada para baixar balanços e balancetes de instituições financeiras, com opções de filtragem por ano, mês e tipo de documento. Em seguida, a função `tidy_balance_sheets()` foi desenvolvida para processar e organizar os balanços baixados, preparando-os para análise. A documentação interna de cada função, acessível diretamente no ambiente R, descreve o objetivo, a fonte de coleta de dados, os parâmetros necessários e exemplos de uso, garantindo clareza e facilidade para o usuário.
A licença adotada para o pacote foi a “General Public License” 3 [GPL-3.0], que assegura a liberdade de uso e distribuição do pacote e suas funções em outros programas, desde que a distribuição desses também seja livre. Após a conclusão dos testes e a garantia de conformidade com as boas práticas de desenvolvimento em R, o pacote foi disponibilizado no “GitHub”. Um arquivo README.md foi criado para acompanhar o pacote, fornecendo uma apresentação concisa, instruções de instalação, exemplos de uso básico e informações sobre como contribuir.
A versão 0.1.0, classificada como beta, foi amplamente divulgada em redes sociais como LinkedIn, Twitter/X e Instagram, gerando um engajamento significativo. As postagens obtiveram uma média de 150 curtidas e 3.000 impressões ou visualizações, indicando um notável interesse do público acadêmico e profissional pelo acesso facilitado a esses dados. Essa disseminação inicial foi crucial para coletar feedbacks valiosos dos usuários, que contribuíram para a identificação de falhas, sugestões de melhorias e proposição de novas funcionalidades, demonstrando a relevância do pacote para a comunidade.
Em resposta aos feedbacks recebidos, a versão 0.3.0 do pacote foi aprimorada com a adição de quatro novas funções. Foram incluídas `get_ifdata_reports()` para baixar dados de relatórios institucionais do IFdata, `get_ifdata_registry()` para obter dados de registro das instituições no IFdata, `get_institutions()` para baixar dados cadastrais das instituições autorizadas pelo Bacen e `tidy_institutions()` para tratar e organizar esses dados cadastrais. Com essas adições, a versão final do pacote passou a contar com um total de oito funções dedicadas à coleta e tratamento de dados, expandindo significativamente sua capacidade de acesso a informações financeiras.
Após uma série de testes e melhorias contínuas, o pacote bacenR, na versão 0.3.1, foi submetido à avaliação do “Comprehensive R Archive Network” (CRAN), o repositório oficial da linguagem R. A aceitação do pacote no CRAN representa um marco importante, conferindo-lhe maior visibilidade e credibilidade na comunidade científica e técnica. Para sua publicação formal, foi criado um “vignettes”, um documento que oferece uma descrição detalhada do pacote e exemplos práticos de uso, complementando o README.md do GitHub e facilitando a adoção por novos usuários.
A instalação da versão estável do pacote bacenR é realizada por meio do comando `install.packages(“bacenR”)` no ambiente R, conforme instruído no README.md atualizado. Essa distinção entre a versão estável do CRAN e a versão em desenvolvimento disponível no GitHub é importante para os usuários, garantindo que possam escolher a versão mais adequada às suas necessidades. A estrutura de diretórios do pacote, incluindo arquivos de código-fonte, documentação, testes e vignettes, reflete as boas práticas de desenvolvimento de pacotes em R, assegurando sua organização e manutenção.
get_balance_sheets() e tidy_balance_sheets()
As funções `get_balance_sheets()` e `tidy_balance_sheets()` foram projetadas para simplificar o acesso e a organização dos balanços e balancetes das instituições financeiras. A função `get_balance_sheets()` permite baixar dados especificando tipos de instituições (como “BANCOS”, “COOPERATIVAS”, “CONSORCIOS”), meses (de 1 a 12), e um intervalo de anos (primeiro e último ano). O usuário também pode definir um diretório de saída e optar por sobrescrever arquivos existentes. Por exemplo, é possível baixar os balanços de todas as cooperativas de crédito referentes a dezembro de 2023.
Após o download, a função `tidy_balance_sheets()` entra em ação para processar e organizar esses dados. Ela transforma os balanços brutos em um formato mais amigável para análise, onde cada linha representa uma observação e cada coluna uma informação específica. No exemplo prático, os balanços de cooperativas de crédito para dezembro de 2023, filtrados pelo código 4010, foram baixados e organizados, resultando em um `tibble` com 800 linhas e 145 colunas, contendo informações detalhadas como CNPJ, nome da instituição e diversos indicadores financeiros. É importante notar que os valores não são ajustados por inflação.
get_institutions() e tidy_institutions()
As funções `get_institutions()` e `tidy_institutions()` facilitam a obtenção e organização de dados cadastrais de instituições financeiras. A função `get_institutions()` permite baixar informações sobre diversos tipos de instituições financeiras cadastradas no Bacen, como conglomerados, bancos, cooperativas e sociedades. Os parâmetros incluem a especificação do tipo de instituição, datas de início e fim no formato “YYYYMM”, um diretório de saída, e opções para remover arquivos ZIP após a extração e exibir mensagens de progresso.
Após o download, a função `tidy_institutions()` organiza os dados cadastrais para uso analítico. No exemplo de uso, ao baixar dados de cooperativas para novembro e dezembro de 2023, a função retorna variáveis como CNPJ, nome da instituição, endereço, município, UF, classe, critério de associação, telefone e e-mail. Essa organização padronizada é crucial para pesquisas que envolvem a análise da estrutura e localização das instituições financeiras, permitindo comparações e mapeamentos geográficos de forma eficiente.
get_normative_data() e get_normative_txt()
As funções `get_normative_data()` e `get_normative_txt()` oferecem um acesso simplificado às normas emitidas pelo Banco Central do Brasil. A função `get_normative_data()` requer apenas os termos de busca desejados e um intervalo de datas de início e fim para realizar a pesquisa e o download dos atos normativos. Os resultados incluem variáveis como título, tipo de norma, número, assunto, data de publicação e informações sobre normas vinculadas e atualizações.
A função `get_normative_txt()` complementa a anterior, permitindo o download do texto integral dos atos normativos encontrados. Embora essas funções facilitem o acesso a um vasto repositório de regulamentações, é fundamental observar que o download de textos pode ser um processo demorado. O Bacen impõe limites de acesso, e a abrangência de um período muito extenso ou o uso de muitos termos simultaneamente pode resultar em erros. Recomenda-se, portanto, reduzir o período de abrangência em caso de falhas, otimizando a coleta de dados regulatórios.
get_ifdata_reports e get_ifdata_registry
Por fim, as funções `get_ifdata_reports()` e `get_ifdata_registry()` foram desenvolvidas para acessar dados do IFdata, que incluem relatórios e registros de instituições. A função `get_ifdata_reports()` permite baixar relatórios institucionais especificando o ano, mês, tipo de instituição (como conglomerados prudenciais, financeiros ou instituições individuais) e o tipo de relatório (resumo, ativo, passivo, demonstração de resultado, informações de capital, carteira de crédito ativa por indexador, risco, região geográfica, clientes, modalidade de pessoa física e jurídica, porte do tomador, movimentação de câmbio). A função oferece uma ampla gama de opções para análises financeiras detalhadas.
A função `get_ifdata_registry()` permite baixar dados de registro das instituições presentes no IFdata, fornecendo informações cadastrais adicionais. No exemplo de uso, ao baixar relatórios e registros para dezembro de 2024, a função `get_ifdata_reports()` retornou 8.532 registros com variáveis como tipo de instituição, código da instituição, nome do relatório e saldo, enquanto `get_ifdata_registry()` retornou 5.752 registros com código da instituição, data, nome da instituição, município e situação. É importante notar que, para interpretar algumas colunas, é necessário consultar um dicionário disponível no site do IFdata, uma funcionalidade que será integrada ao pacote em futuras atualizações. Um exemplo prático demonstrou a capacidade de obter 10 anos de dados sobre carteiras de crédito com poucas linhas de código, evidenciando a eficiência da ferramenta.
Tutorial de uso
A disponibilização do pacote bacenR no CRAN em 08/03/2026 e sua subsequente utilização demonstraram um interesse significativo da comunidade. Até 09/04/2026, o pacote registrou 823 downloads, o que evidencia sua relevância e aceitação entre os usuários. Para ampliar ainda mais a acessibilidade, especialmente para aqueles com menor familiaridade em programação R, foi criado e divulgado um vídeo tutorial no YouTube em 28/03/2026. Este tutorial, que apresentava o pacote e suas funções, acumulou 288 visualizações até 09/04/2026, reforçando a demanda por ferramentas que simplifiquem a coleta de dados e otimizem o tempo de pesquisa.
Possibilidades de pesquisas
O pacote bacenR abre um leque vasto de possibilidades para pesquisas e análises de dados no setor financeiro. Com as funções disponíveis, é possível investigar questões complexas, como a distribuição geográfica dos maiores bancos e cooperativas de crédito, identificando quais cidades e estados apresentam maior concentração de filiais bancárias ou novas instituições. A ferramenta permite analisar a relação entre diferentes tipos de instituições em nível municipal, a idade média das instituições, e padrões de crescimento em termos de número de filiais, ativos ou volume de operações ao longo do tempo, tanto em quartis específicos quanto em regiões determinadas.
Além disso, o bacenR possibilita a comparação de carteiras de crédito entre bancos e cooperativas, identificando similaridades e diferenças que podem variar por região ou idade da instituição. A integração de dados normativos permite investigar como marcos regulatórios específicos podem influenciar esses dados. Essas análises são cruciais para formuladores de políticas públicas, pois fornecem subsídios para direcionar a regulação a locais e instituições que mais necessitam de intervenção, garantindo o desenvolvimento sustentável do sistema financeiro nacional e a proteção do consumidor.
O desenvolvimento do pacote bacenR demonstrou ser uma ferramenta de grande utilidade, permitindo que pesquisadores e profissionais coletem e tratem uma vasta gama de dados do Banco Central do Brasil com poucas linhas de código. Essa eficiência se traduz em uma significativa economia de tempo, que pode ser redirecionado da coleta para a análise e interpretação dos resultados. A recepção positiva nas redes sociais e o número de instalações do pacote confirmam o interesse da comunidade, especialmente daqueles com menor experiência em programação, na democratização do acesso a informações financeiras.
4. Conclusão
O presente estudo buscou desenvolver o pacote bacenR para a linguagem R, com o propósito de otimizar o acesso, download e tratamento de dados do Banco Central do Brasil, incluindo balanços, balancetes, informações cadastrais de instituições financeiras, atos normativos e dados sobre carteiras de crédito. Verificou-se que o desenvolvimento do pacote seguiu as boas práticas de criação de pacotes em R, resultando na implementação de oito funções principais que permitiram a coleta e organização de vastos volumes de dados com poucas linhas de código. Observou-se a eficiência da ferramenta na automação de rotinas de coleta e tratamento, o que se traduziu em uma significativa economia de tempo para pesquisadores. A disponibilização do bacenR no CRAN e no GitHub, juntamente com a divulgação em redes sociais e um tutorial em vídeo, gerou um engajamento expressivo, com 823 instalações da versão estável, evidenciando a relevância e a aceitação da ferramenta pela comunidade acadêmica e profissional. Essa contribuição reside na democratização do acesso a informações financeiras complexas, permitindo que pesquisadores, mesmo com menor experiência em programação, dediquem mais tempo à análise e interpretação dos resultados.
Apesar da robustez alcançada, identificou-se que o processo de download de textos normativos pode ser demorado devido a limites de acesso impostos pelo Bacen, sugerindo a necessidade de otimização para períodos muito extensos. Constatou-se também que a interpretação de algumas colunas dos dados do IFdata requer a consulta a um dicionário externo, e os valores dos balanços não são ajustados por inflação, o que representa limitações atuais. Para estudos futuros, recomenda-se aprimorar as mensagens de erro e avisos do pacote, integrar um dicionário nativo para os dados do IFdata e desenvolver novas funções para expandir a coleta de informações. Adicionalmente, a criação de uma interface em Shiny poderia simplificar ainda mais o uso do pacote para usuários sem conhecimento de programação. O bacenR, ao facilitar o acesso a dados granulares, abre um vasto leque de possibilidades para investigações sobre a distribuição geográfica de instituições financeiras, a comparação de carteiras de crédito e o impacto de marcos regulatórios, fornecendo subsídios valiosos para políticas públicas e o desenvolvimento do sistema financeiro nacional.
Referências Bibliográficas
Bath, 2023 [Referência completa não encontrada no documento original]
Bressan, V. G. F., Souza, G. H. D., Santos, M. H. S., & Braga, M. J. (2023). Cooperativas de crédito e competitividade no mercado financeiro brasileiro: uma análise das taxas de juros. Revista De Gestão E Organizações Cooperativas, 10(19), e68474. https://doi.org/10.5902/2359043268474
Canassa, B. J., Zancan, F., & de Moura Costa, D. R. (2022). Quadro Social e Ciclo de Vida de Cooperativas: Evidências em Cooperativas de Crédito Brasileiras. Contabilidade Gestão E Governança, 25(1), 43–59. https://doi.org/10.51341/1984-3925_2022v25n1a3
Costa Ferreira P, Speranza T, Costa J (2018). BETS: Brazilian Economic Time Series. https://doi.org/10.32614/CRAN.package.BETS
Freitas W (2024). rbcb: R Interface to Brazilian Central Bank Web Services. https://doi:10.32614/CRAN.package.rbcb
Grolemund, G. (2014). Hands-On Programming with R: Write Your Own Functions and Simulations. O’Reilly Media.
Hackman, L., Mack, P., & Ménard, H. (2024). Behind every good research there are data: What are they and their importance to forensic science. Forensic Science International: Synergy, 8, 100456. https://doi.org/10.1016/j.fsisyn.2024.100456
Icaro P, Sousa L, Ferreira da Silva F (2025). BacenAPI: Data Collection from the Central Bank of Brazil. https://doi.org/10.32614/CRAN.package.BacenAPI
Marwick, B., Boettiger, C., and Mullen, L. (2018a). “Packaging Data Analytical Work Reproducibly Using r (and Friends).” The American Statistician 72 (1): 80–88. https://doi.org/10.1080/00031305.2017.1375986.
Marwick, B., Boettiger, C., and Mullen, L. (2018b). “Packaging Data Analytical Work Reproducibly Using r (and Friends).” PeerJ Preprints 6 (March): e3192v2. https://doi.org/10.7287/peerj.preprints.3192v2.
Olmsted, J. (2024). Research reliability and validity: Why do they matter? Journal of Dental Hygiene, 98(6), 53–57.
Paton, N. (2019). Automating Data Preparation: Can We? Should We? Must We? In Proceedings of the 21st International Workshop on Design, Optimization, Languages and Analytical Processing of Big Data http://ceur-ws.org/Vol-2324/Paper00-InvTalk2-NPaton.pdf
Santos, A. G. V., Alves, J. J. M., Pinto, D. S. A., & Ferreira, P. C. A. (2025). A Importância Da Limpeza E Qualidade Na Análise De Dados: O Papel De Ferramentas Como O Power Bi. Revista Foco, 18(11), e10458. https://doi.org/10.54751/revistafoco.v18n11-083
Silge, J., Nash, J. C. and Graves, S. (2018). “Navigating the R Package Universe.” The R Journal 10 (2): 558-63. https://doi.org/10.32614/RJ-2018-058.
Theodoro, R., Bonacim, C. A. G., & de Moura Costa, D. R. (2021). Identificação de Ações Discricionárias do Gestor em Cooperativas de Crédito: Uma aplicação da Lei de Benford. Contabilidade Gestão E Governança, 24(3), 331-348. https://doi.org/10.51341/1984-3925_2021v24n3a5
Wickham, H. (2021). Mastering Shiny: Build Interactive Apps, Reports, and Dashboards Powered by R. O’Reilly Media.
Wickham, H., & Bryan, J. (2023). R Packages: Organize, Test, Document, and Share Your Code. O’Reilly Media.
Wickham, H., Cetinkaya-Rundel, M., & Grolemund, G. (2023). R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. O’Reilly Media.
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

