Carregando o arquivo CSV com uma função do pacote readr

empresas <- read_delim("C:/Users/Arthur Martins/Downloads/empresasativender.csv",
                       delim=";")

Exibindo as 30 primeiras linhas do dataset sem formatação em uma tabela utilizando os pacotes knitr e kableExtra.

  kable(head(empresas, 30))%>%
  kable_styling(bootstrap_options = "striped", full_width = FALSE, font_size = 12) %>%
  scroll_box(width = "100%", height = "500px")

Retirando linhas duplicadas levando em consideração o CNPJ da empresa

empresas <- empresas %>% distinct(cnpj, .keep_all = TRUE)

Removendo colunas que não serão necessárias para ánalise, tendo em vista que algumas já suprirão sua falta, ou até por ser somente preenchida por NA’s.

empresas <- empresas %>%
  select(
    -cod_logradouro, 
    -cod_bairro, 
    -numero_residencia, 
    -numero_lote, 
    -situacao_empresa, 
    -data_encerramento, 
    -cod_grupo, 
    -atividade_principal, 
    -atividade_vig_sanitaria, 
    -atividade_predominante, 
    -incomodo, 
    -latitude, 
    -longitude
  )

Renomeando colunas para uma melhor legibilidade

empresas <- empresas %>%
  rename(
    CNPJ = cnpj,
    Razao_Social = razao_social,
    Nome_Fantasia = nome_fantasia,
    Logradouro = nome_logradouro,
    Bairro = nome_bairro,
    Data_Abertura = data_abertura_empresa,
    Nome_Grupo = nome_grupo,
    CNAE = cnae,
    Descricao_Atividade = desc_atividade,
  )

Convertendo a coluna de data para o formato Date

empresas <- empresas %>%
  mutate(Data_Abertura = as.Date(Data_Abertura, format = "%Y-%m-%d"))

Visualizando nova formatação dos dados

Abertura de empresas durante o ano de 1990 até 2024/08

O aumento na abertura de empresas em Recife após 2014, e especialmente o drástico aumento vísivel no ano de 2020, é um reflexo de uma combinação de fatores econômicos, tecnológicos e sociais. O suporte institucional ao empreendedorismo, as mudanças no mercado de trabalho, a digitalização e as oportunidades geradas pela pandemia são todos fatores que contribuíram para esse crescimento. Analisar essas tendências pode fornecer insights valiosos sobre o futuro econômico da cidade e as áreas de crescimento potencial.

# Filtrar os dados para incluir apenas anos a partir de 2000
empresas_filtradas <- empresas %>%
  filter(as.numeric(format(Data_Abertura, "%Y")) >= 1990) %>%
  mutate(Ano_Abertura = as.numeric(format(Data_Abertura, "%Y")))

# Contar o número de empresas por ano
empresas_por_ano <- empresas_filtradas %>%
  group_by(Ano_Abertura) %>%
  summarize(Numero_Empresas = n(), .groups = 'drop')

# Plotar número de empresas por ano
grafico_ano <- ggplot(empresas_por_ano, aes(x = Ano_Abertura, y = Numero_Empresas)) +
  geom_line(color = "blue") +
  geom_point(color = "red") +
  labs(title = "Número de Empresas por Ano (2000 em diante)",
       x = "Ano de Abertura",
       y = "Número de Empresas") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1),
        plot.title = element_text(size = 16, face = "bold"),
        axis.title = element_text(size = 14),
        axis.text = element_text(size = 12))

Setores que mais cresceram

Somado ao notório aumento de abertura de empresas, podemos analisar também quais setores se destacaram mais nesse período. Logo, ao olharmos o gráfico vemos que o setor de atividades varejistas está em primeiro lugar. Esse crescimento foi impulsionado pela popularização do comércio eletrônico, especialmente durante a pandemia de COVID-19, que acelerou a transição para as compras digitais. Além disso, o setor de saúde também cresceu significativamente, refletindo a alta demanda por serviços médicos e farmácias durante e após a crise sanitária. Essas tendências mostram como a cidade se adaptou rapidamente às novas necessidades de consumo e saúde no período.

# Filtrar empresas entre 2015 e agosto de 2024
empresas_2014_2024 <- empresas %>%
  filter(Data_Abertura >= as.Date("2014-01-01") & Data_Abertura <= as.Date("2024-08-31"))

# Agrupar por setor e contar o número de empresas em cada setor
crescimento_setores <- empresas_2014_2024 %>%
  group_by(Nome_Grupo) %>%
  summarize(Numero_Empresas = n()) %>%
  arrange(desc(Numero_Empresas))  # Ordenar do maior para o menor

# Exibir os 10 setores que mais cresceram
crescimento_setores_top10 <- crescimento_setores %>%
  slice_head(n = 10)

# Plotar o crescimento dos setores
grafico_setores <- ggplot(crescimento_setores_top10, aes(x = reorder(Nome_Grupo, Numero_Empresas), y = Numero_Empresas)) +
  geom_bar(stat = "identity", fill = "lightblue") +
  coord_flip() +
  labs(title = "Top 10 Setores 2014 ~ 2024",
       x = "Setores",
       y = "Número de Empresas") +
  theme_minimal()

Distribuição das empresas por Bairro

Os bairros Boa Viagem, Pina e Boa Vista destacam-se como os locais com a maior concentração de empresas no Recife, cada um com suas características que explicam essa alta concentração:

• Boa Viagem: Conhecido por sua praia e infraestrutura moderna, atrai empresas de comércio, serviços e turismo. Sua localização estratégica e proximidade ao aeroporto reforçam seu papel como um hub econômico.

• Pina: Combinando áreas residenciais e comerciais, o Pina tem visto um aumento no número de empresas em comércio e serviços, impulsionado pela revitalização urbana e sua proximidade ao Porto do Recife.

• Boa Vista: Um bairro tradicional com uma alta presença de varejo, serviços e comércio, beneficiado pela sua acessibilidade e infraestrutura essencial.

# Contar o número de empresas por bairro
empresas_por_bairro <- empresas_2014_2024 %>%
  group_by(Bairro) %>%
  summarize(Numero_Empresas = n()) %>%
  arrange(desc(Numero_Empresas))

# Selecionar os 10 bairros com mais empresas para visualização
top_bairros <- head(empresas_por_bairro, 10)
# Criar o gráfico de pizza
grafico_bairro <- ggplot(top_bairros, aes(x = reorder(Bairro, Numero_Empresas), y = Numero_Empresas)) +
  geom_bar(stat = "identity", fill = "skyblue") +
  coord_flip() +  # Inverte os eixos para melhor visualização dos bairros
  labs(title = "Top 10 Bairros com Mais Empresas no Recife (2014-2024)",
       x = "Bairro",
       y = "Número de Empresas") +
  theme_minimal() 

Evolução ao Longo do Tempo

O gráfico do número de empresas ao longo do tempo revela um aumento significativo na abertura de empresas a partir de 2010, com um pico notável em 2020. Esse crescimento pode ser atribuído a uma combinação de fatores, incluindo iniciativas de apoio ao empreendedorismo, a recuperação econômica após crises, e a transformação digital que incentivou novos negócios, especialmente em setores como tecnologia e comércio eletrônico.

Crescimento por Setores

A análise dos setores que mais cresceram mostra que outras atividades varejistas, saúde, e construção civil lideram o crescimento. A ascensão dessas áreas pode ser explicada pelo aumento da demanda por serviços essenciais, o crescimento populacional e a expansão de projetos de infraestrutura e construção. Esse crescimento sugere um dinamismo econômico robusto e uma adaptação às necessidades emergentes da população.

Distribuição Geográfica

A distribuição das empresas revela que Boa Viagem, Pina, e Boa Vista são os bairros com maior concentração de empresas. Boa Viagem se destaca como um centro econômico devido à sua infraestrutura desenvolvida e localização estratégica, enquanto Pina e Boa Vista também desempenham papéis importantes, refletindo a expansão econômica e a demanda comercial nessas áreas.

Importância da Análise

A compreensão dessas tendências é crucial para identificar áreas de crescimento econômico e para o planejamento estratégico de novos empreendimentos. O aumento no número de empresas e a concentração em bairros específicos oferecem insights valiosos para investidores, planejadores urbanos e formuladores de políticas. Esse conhecimento pode guiar decisões sobre alocação de recursos, desenvolvimento de infraestrutura e apoio a setores emergentes.

Em resumo, a análise do panorama empresarial do Recife destaca uma cidade em expansão com setores dinâmicos e uma concentração de empresas em áreas estratégicas, refletindo um cenário de crescimento econômico e oportunidades emergentes.

Implicações

Esses insights ajudam investidores e planejadores urbanos a identificar áreas de crescimento e demanda, orientando decisões de investimento e desenvolvimento urbano.

Limitações e Melhorias

Limitações:

Dados limitados a aspectos empresariais básicos. Análise focada em período recente.

Melhorias:

Incorporar dados financeiros e de desempenho. Estender a análise para períodos mais longos. Reintegrar dados geográficos para análises espaciais mais detalhadas.