Análise temporal e de perfil da abertura e fechamento das empresas no Rio Grande do Sul - 2020 à 2025 - Dados Receita Federal do Brasil (RFB)

Instalando e carregando pacotes

Carregando banco de dados

rfb_rs = read_csv2("C:/Users/t_hia/Desktop/area de trabalho/Cientista de dados SEBRAE RS/Banco de dados Empresas RFB RS/TDEmpresas_RFB_4_247_919.csv",col_names = 
c("NuCNPJ",
"NomeRazaoSocial",
"MatrizFilial",
"DtInicioAtividade",
"NomeSituacaoCadastral",
"DtSituacaoCadastral",
"NuTempoEmpresaMeses",
"NuTempoEmpresaBaixadaMeses",
"SkSubClasseCNAESegmento",
"SkPublicoAlvo",
"SkMunicipio",
"SkNaturezaJuridica",
"END_MUNICIPIO",
"END_TIPO_LOGRADOURO",
"END_LOGRADOURO",
"END_NUMERO",
"END_BAIRRO",
"END_CEP",
"END_UF",
"EMAIL_RFB",
"TELEFONE1_RFB",
"TELEFONE2_RFB",
"LATITUDE",
"LONGITUDE"                                                                                             ))

Analisando as variáveis faltantes do banco de dados de forma visual

naniar::gg_miss_var(rfb_rs)

Vendo a estrutura dos dados e os resumindo

glimpse(rfb_rs)
## Rows: 4,247,919
## Columns: 24
## $ NuCNPJ                     <chr> "00000424000407", "00001180000711", "000031…
## $ NomeRazaoSocial            <chr> "DEBRITO BRASIL COMUNICACAO LTDA", "CENTRAI…
## $ MatrizFilial               <chr> "FILIAL", "FILIAL", "FILIAL", "FILIAL", "FI…
## $ DtInicioAtividade          <date> 2010-09-27, 2013-04-25, 2006-05-09, 1966-0…
## $ NomeSituacaoCadastral      <chr> "BAIXADA", "ATIVA", "BAIXADA", "ATIVA", "BA…
## $ DtSituacaoCadastral        <date> 2023-04-11, 2013-04-25, 2021-07-12, 2018-1…
## $ NuTempoEmpresaMeses        <dbl> 151, 147, 182, 707, 221, 243, 153, 130, 227…
## $ NuTempoEmpresaBaixadaMeses <chr> "27", "NULL", "48", "NULL", "125", "12", "4…
## $ SkSubClasseCNAESegmento    <chr> "7311400", "6462000", "4731800", "4110700",…
## $ SkPublicoAlvo              <dbl> 2, 2, 2, 2, 2, 2, 2, 3, 3, 2, 2, 2, 2, 2, 2…
## $ SkMunicipio                <dbl> 4314902, 4304358, 4305108, 4314407, 4314902…
## $ SkNaturezaJuridica         <dbl> 2062, 2046, 2062, 2062, 2054, 2062, 2135, 2…
## $ END_MUNICIPIO              <chr> "PORTO ALEGRE", "CANDIOTA", "CAXIAS DO SUL"…
## $ END_TIPO_LOGRADOURO        <chr> "AVENIDA", "ESTRADA", "AVENIDA", "RUA", "AV…
## $ END_LOGRADOURO             <chr> "DIARIO DE NOTICIAS", "CIMBAGE/CIMPOR", "SA…
## $ END_NUMERO                 <chr> "200", "S/N", "3451", "713 B", "S/N", "526"…
## $ END_BAIRRO                 <chr> "CRISTAL", "KM 1,6", "SALGADO FILHO", "CENT…
## $ END_CEP                    <dbl> 90810080, 96495000, 95098420, 96020220, 900…
## $ END_UF                     <chr> "RS", "RS", "RS", "RS", "RS", "RS", "RS", "…
## $ EMAIL_RFB                  <chr> NA, "jaugustosilva@eletrobras.com", "NULL",…
## $ TELEFONE1_RFB              <chr> "5132399983", "2125146137", "1534171003", "…
## $ TELEFONE2_RFB              <chr> NA, "2125146153", "NULL", "NULL", "NULL", "…
## $ LATITUDE                   <chr> "-30,084265", "-31,552048", "-29,194837", "…
## $ LONGITUDE                  <chr> "-51,246709", "-53,677815", "-51,186785", "…

Selecionando, transformando e filtrando variáveis de interesse para a análise e recorte de interesse

rfb_rs_filt = rfb_rs %>%  select ( 
                            
                            NuCNPJ,#CNPJ,
                            NomeRazaoSocial, #RAZAO_SOCIAL, 
                            #NOME_F? tem nome fantasia?
                            MatrizFilial, #MATRIZ,
                            DtInicioAtividade,#DATA_INICIO_ATV,
                            NomeSituacaoCadastral,#SIT_CAD,
                            DtSituacaoCadastral,#DATA_SIT_CAD,
                            NuTempoEmpresaMeses, #semcorrespondencianaanalise ma
                            NuTempoEmpresaBaixadaMeses, #semcorrespondencianaanalise ma
                            SkSubClasseCNAESegmento,#CNAE_PRINC,
                            SkPublicoAlvo,#PORTE,??
                            #SkMunicipio, #code_muni
                            #CNAE_SEC, (Existe nesse banco?)
                            #MOT_SIT_CAD, (Existe nesse banco?)
                            SkNaturezaJuridica, #NATUREZA_JURIDICA,
                            END_MUNICIPIO, #MUNIC,
                            END_BAIRRO, #
                            LATITUDE,
                            LONGITUDE
                            #SIT_ESP, (Existe nesse banco?)
                            #DATA_SIT_ESP, (Existe nesse banco?)
                            
                            #CAPITAL_SOCIAL, (Existe nesse banco?)
                            
                            #OP_SIMPLES,(Existe nesse banco?)
                            #DT_OP_SIMPLES,(Existe nesse banco?)
                            #OP_MEI,(Existe nesse banco?)
                            #DT_OP_MEI,(Existe nesse banco?)
                            #DT_EX_SIMPLES,(Existe nesse banco?)
                            #DT_EX_MEI,(Existe nesse banco?)
                            #PUBLICO_SEBRAE (Nesse banco é só público sebrae?)
                            )


rfb_rs_filt = rfb_rs_filt %>% mutate( SkPublicoAlvo_rotulada = case_when( 
  
    SkPublicoAlvo == 2 ~ "EGM",
                                                                           
    SkPublicoAlvo == 3 ~ "EPP",
     
    SkPublicoAlvo == 4 ~ "ME",
     
    SkPublicoAlvo == 5 ~ "MEI"
     
                                                                  
))

rfb_rs_filt = rfb_rs_filt %>% filter(
  SkPublicoAlvo_rotulada != "EGM" ,
  DtInicioAtividade > "2020-01-01",
  DtInicioAtividade < "2025-06-23"
)

#transformando o campo CNPJ de 8 dígitos
rfb_rs_filt$NuCNPJ_8d = str_sub(rfb_rs_filt$NuCNPJ,1,8) 


rfb_rs_filt$SkSubClasseCNAESegmento_2d = as.numeric(str_sub(rfb_rs_filt$SkSubClasseCNAESegmento,1,2)) 

rfb_rs_filt = rfb_rs_filt %>% mutate(SkSubClasseCNAESegmento_2d_rotulada = case_when( 
  
     (SkSubClasseCNAESegmento_2d >= 1 & SkSubClasseCNAESegmento_2d <= 3) ~ "Agricultura, pecuária, produção florestal, pesca e aqüicultura",
                                                                           
     (SkSubClasseCNAESegmento_2d >= 5 & SkSubClasseCNAESegmento_2d <= 9) ~ "Indústrias extrativas",
     
     (SkSubClasseCNAESegmento_2d >= 10 & SkSubClasseCNAESegmento_2d <= 33) ~ "Indústrias de transformação",
     
     SkSubClasseCNAESegmento_2d == 35 ~ "Eletricidade e gás",
      
     (SkSubClasseCNAESegmento_2d >= 36 & SkSubClasseCNAESegmento_2d <= 39) ~ "Água, esgoto, atividades de gestão de resíduos e descontaminação",
      
     (SkSubClasseCNAESegmento_2d >= 41 & SkSubClasseCNAESegmento_2d <= 43) ~ "Construção",
     
     (SkSubClasseCNAESegmento_2d >= 45 & SkSubClasseCNAESegmento_2d <= 47) ~ "Comércio, reparação de veículos automotores e motocicletas",
     
     (SkSubClasseCNAESegmento_2d >= 49 & SkSubClasseCNAESegmento_2d <= 53) ~ "Transporte, armazenagem e correio",
     
     (SkSubClasseCNAESegmento_2d >= 55 & SkSubClasseCNAESegmento_2d <= 56) ~ "Alojamento e alimentação",
     
     (SkSubClasseCNAESegmento_2d >= 58 & SkSubClasseCNAESegmento_2d <= 63) ~ "Informação e comunicação",
     
     (SkSubClasseCNAESegmento_2d >= 64 & SkSubClasseCNAESegmento_2d <= 66) ~ "Atividades financeiras, de seguros e serviços relacionados",
     
     SkSubClasseCNAESegmento_2d == 68  ~ "Atividades imobiliárias",
     
     (SkSubClasseCNAESegmento_2d >= 69 & SkSubClasseCNAESegmento_2d <= 75) ~  "Atividades profissionais, científicas e técnicas",
     
     (SkSubClasseCNAESegmento_2d >= 77 & SkSubClasseCNAESegmento_2d <= 82) ~  "Atividades administrativas e serviços complementares",
       
      SkSubClasseCNAESegmento_2d == 84 ~ "Administração pública, defesa e seguridade social",
      
      SkSubClasseCNAESegmento_2d == 85 ~ "Educação",
      
     (SkSubClasseCNAESegmento_2d >= 86 & SkSubClasseCNAESegmento_2d <= 88) ~ "Saúde humana e serviços sociais",
      
     (SkSubClasseCNAESegmento_2d >= 90 & SkSubClasseCNAESegmento_2d <= 93) ~ "Artes, cultura, esporte e recreação",
      
     (SkSubClasseCNAESegmento_2d >= 94 & SkSubClasseCNAESegmento_2d <= 96) ~ "Outras atividades de serviços",
      
     SkSubClasseCNAESegmento_2d == 97 ~ "Serviços domésticos", 
     
     SkSubClasseCNAESegmento_2d == 99 ~ "Organismos internacionais e outras instituições extraterritoriais"  
))


rfb_rs_filt = rfb_rs_filt %>% mutate(SkNaturezaJuridica_rotulada = case_when( 
  
     SkNaturezaJuridica == 1015 ~ "Órgão Público do Poder Executivo Federal",
                                                                           
     SkNaturezaJuridica == 2011 ~ "Empresa Pública",
     
     SkNaturezaJuridica == 2038 ~ "Sociedade de Economia Mista",
     
     SkNaturezaJuridica == 2046 ~ "Sociedade Limitada",
     
     SkNaturezaJuridica == 2062 ~ "Sociedade Anônima Aberta",
     
     SkNaturezaJuridica == 2070 ~ "Sociedade Anônima Fechada",
     
     SkNaturezaJuridica == 2305 ~ "Empresa Individual de Responsabilidade Limitada (Empresária)",
     
     SkNaturezaJuridica == 2313 ~ "Empresa Individual de Responsabilidade Limitada (Simples)",
     
     SkNaturezaJuridica == 2321 ~ "Sociedade Unipessoal de Advogados",
     
     SkNaturezaJuridica == 3999 ~ "Outras Formas de Associação",
     
     SkNaturezaJuridica == 4014 ~ "Empresa Individual Imobiliária",
     
     SkNaturezaJuridica == 4022 ~ "Segurado Especial",
     
     SkNaturezaJuridica == 4081 ~ "Contribuinte Individual",
     
      TRUE ~ "Não informada"
     
                                                                  
))

# de para: SkNaturezaJuridica

#1015 Órgão Público do Poder Executivo Federal 

#2011 Empresa Pública 

#2038 Sociedade de Economia Mista 

#2046 Sociedade Limitada 

#2062 Sociedade Anônima Aberta 

#2070 Sociedade Anônima Fechada 

#2305 Empresa Individual de Responsabilidade Limitada (Empresária) 

#2313 Empresa Individual de Responsabilidade Limitada (Simples) 

#2321 Sociedade Unipessoal de Advogados 

#3999 Outras Formas de Associação 

#4014 Empresa Individual Imobiliária 

#4022 Segurado Especial 

#4081 Contribuinte Individual

Resumo dos dados filtrados

#summarytools::view(dfSummary(rfb_rs_filt))
#summary(rfb_rs_filt)
  1. Análise temporal das aberturas de empresas

Número de empresas matrizes que iniciaram as atividades no Maranhão por mês de 2014 a 2024

rfb_rs_filt_agregado = rfb_rs_filt %>% 
  filter(MatrizFilial == "MATRIZ") %>% 
  mutate(
    mes_atividade = floor_date(DtInicioAtividade, "month"),
    ano_atividade = floor_date(DtInicioAtividade, "year")
  ) %>% 
  filter(DtInicioAtividade > "2020-01-01",
         DtInicioAtividade < "2025-06-23") %>% 
  count(mes_atividade)

grafico_linha_inicio_atividades =  
  
  rfb_rs_filt_agregado %>% 
  #mutate(mes_atividade = ano_atividade) %>% 
  filter(year(mes_atividade) > 2020,
         year(mes_atividade) < 2025) %>% 
  ggplot(aes(x = mes_atividade, y = n)) +
  geom_line(size = 1) +
  theme_minimal(14) +
  scale_x_date(breaks = scales::date_breaks("3 month"),
               labels = scales::date_format("%Y-%m")) +
  scale_y_continuous(labels = scales::label_number(big.mark = "."),breaks = seq(0,11000,34000 ) )+
  ggtitle("Quantidade de empresas que iniciaram atividade por mês 
no RS - 2020 a 2025"
        ) + 
  #scale_y_continuous(limits = c(0, 800)) +
  labs(x = "Ano de início das atividades",
       y = "Quantidade de empresas") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1),
        axis.text = element_text(size = 9),
        panel.grid.minor.x = element_blank()) 

grafico_linha_inicio_atividades

ggplotly(grafico_linha_inicio_atividades)

Plotando sazonalidades ao longo dos meses

dados_ts1 = ts(rfb_rs_filt_agregado$n,frequency=12, start=c(2020,1))

dados_ts1 %>% as_tsibble() %>% gg_season(value, labels="both")+
  labs(x="Meses",
       y="Quantidade de empresas",
       title = "Gráfico sazonal da abertura de empresas - 2020 a 2025")

Plotando médias mensais e observando sazonalidades ao longo dos meses

dados_ts1 %>% as_tsibble() %>% gg_subseries(value)+
  labs(x="Meses",
       y="Quantidade de empresas",
       title = "Gráfico das médias mensais e sazonalidade da abertura de empresas 
- 2020 a 2025")

Decomposição da série temporal em suas componentes para analisar tendência e sazonalidade

dados_ts2 = dts2(dados_ts1)
dados_ts2$date = as.Date(dados_ts2$date)

ggdecompose(dados_ts2) +
  xlab("Date")+
  ylab("Quantidade de empresas")+
  scale_x_date(date_breaks = "1 year", date_labels = "%Y-%m")+
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Análise dos Gráficos: Empresas que Iniciaram Atividades no RS (2020-2025)

1. Evolução Mensal das Empresas Abertas

O primeiro gráfico demonstra a variação mensal do número de empresas que iniciaram atividades no Rio Grande do Sul entre 2020 e 2025.

Destaca-se:

  • Forte oscilação mensal, mas com tendência geral de crescimento no período.
  • Alguns meses apresentam quedas bruscas — possíveis efeitos de sazonalidade, contexto econômico-administrativo ou datas especiais (ex: fim/início de ano).
  • Os picos frequentemente coincidem com determinados meses do ano, refletindo padrões candentes de abertura.

2. Sazonalidade ao Longo dos Anos

O segundo gráfico compara a sazonalidade mês a mês para cada ano:

  • Janeiro e fevereiro costumam ser meses fortes na abertura de empresas, sobretudo em 2025, quando há recorde.
  • Maio e dezembro apresentam recorrente redução no número de aberturas.
  • Os anos de 2023 e 2024 mostram maior estabilidade anual, enquanto 2025 começa com uma explosão de abertura, provavelmente influenciado por fatores específicos daquele ano.
  • O ano de 2020 tem menor número absoluto de aberturas em todos os meses, refletindo os impactos iniciais da pandemia.

3. Médias Mensais e Sazonalidade

O terceiro gráfico detalha, para cada mês, as médias de abertura durante o período:

  • As médias mensais reforçam a sazonalidade, indicando que agosto e outubro tendem a ser meses de maior dinamismo na abertura de empresas.
  • Abril, maio e dezembro são consistentemente mais fracos, sugerindo fatores sazonais (fiscais, clima, férias) que impactam a decisão de empreender.
  • A tendência, de modo geral, é de crescimento nas médias mensais a partir de 2023.

4. Decomposição Temporal: Tendência, Sazonalidade e Aleatoriedade

O quarto gráfico apresenta a decomposição do número de empresas:

  • Observado: O número de aberturas cresce, com oscilações anuais claras.
  • Tendência: Pode-se observar um aumento gradual e sustentado no período, especialmente a partir de 2022.
  • Sazonalidade: Os ciclos mostram quedas regulares, especialmente nos mesmos meses a cada ano, confirmando o padrão sazonal dos gráficos anteriores.
  • Componente Aleatória: Existem flutuações não explicadas exclusivamente por tendência ou sazonalidade, possivelmente ligadas a eventos específicos (ex: mudanças legais, incentivos ou choques econômicos).

Resumo Executivo

  • O Rio Grande do Sul mostrou forte recuperação e crescimento na abertura de empresas após o choque inicial da pandemia em 2020, atingindo máximos históricos em 2025.
  • Há uma clara sazonalidade: picos nos primeiros meses do ano e redução em meses como maio e dezembro.
  • O crescimento é consistente, com médias mensais mais altas a partir de 2023, indicando ambiente mais favorável ao empreendedorismo.
  • Apesar do otimismo, o número de aberturas continua sujeito a fatores sazonais e certos eventos aleatórios que impactam meses específicos.
  • A tendência é de aceleração do ritmo de criação empresarial, com destaque para os meses de janeiro, agosto e outubro como períodos de maior dinamismo.

Esses padrões ajudam órgãos, consultores e empresários a entenderem quando e como ocorrem os movimentos de empreendedorismo no RS, podendo adequar políticas e estratégias conforme a sazonalidade identificada.

Analisando a decomposição por porte das empresas - MEI

rfb_rs_filt_agregado = rfb_rs_filt %>% 
  filter(MatrizFilial == "MATRIZ" & SkPublicoAlvo_rotulada == "MEI" ) %>% 
  mutate(
    mes_atividade = floor_date(DtInicioAtividade, "month"),
    ano_atividade = floor_date(DtInicioAtividade, "year")
  ) %>% 
  filter(DtInicioAtividade > "2020-01-01",
         DtInicioAtividade < "2025-06-23") %>% 
  count(mes_atividade)

grafico_linha_inicio_atividades =  
  
  rfb_rs_filt_agregado %>% 
  #mutate(mes_atividade = ano_atividade) %>% 
  filter(year(mes_atividade) > 2020,
         year(mes_atividade) < 2025) %>% 
  ggplot(aes(x = mes_atividade, y = n)) +
  geom_line(size = 1) +
  theme_minimal(14) +
  scale_x_date(breaks = scales::date_breaks("3 month"),
               labels = scales::date_format("%Y-%m")) +
  scale_y_continuous(labels = scales::label_number(big.mark = "."),breaks = seq(0,11000,34000 ) )+
  ggtitle("Quantidade de empresas que iniciaram atividade por mês 
no RS - 2020 a 2025"
        ) + 
  #scale_y_continuous(limits = c(0, 800)) +
  labs(x = "Ano de início das atividades",
       y = "Quantidade de empresas") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1),
        axis.text = element_text(size = 9),
        panel.grid.minor.x = element_blank()) 

grafico_linha_inicio_atividades

ggplotly(grafico_linha_inicio_atividades)

Plotando sazonalidades ao longo dos meses das MEI

dados_ts1 = ts(rfb_rs_filt_agregado$n,frequency=12, start=c(2020,1))

dados_ts1 %>% as_tsibble() %>% gg_season(value, labels="both")+
  labs(x="Meses",
       y="Quantidade de empresas",
       title = "Gráfico sazonal da abertura de empresas - 2020 a 2025")

Plotando médias mensais e observando sazonalidades ao longo dos meses das MEI

dados_ts1 %>% as_tsibble() %>% gg_subseries(value)+
  labs(x="Meses",
       y="Quantidade de empresas",
       title = "Gráfico das médias mensais e sazonalidade da abertura de empresas 
- 2020 a 2025")

Decomposição da série temporal em suas componentes para analisar tendência e sazonalidade das empresas MEI

dados_ts1 = ts(rfb_rs_filt_agregado$n,frequency=12, start=c(2020,1))
dados_ts2 = dts2(dados_ts1)
dados_ts2$date = as.Date(dados_ts2$date)

ggdecompose(dados_ts2) +
  xlab("Date")+
  ylab("Quantidade de empresas")+
  scale_x_date(date_breaks = "1 year", date_labels = "%Y-%m")+
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Análise dos Gráficos: MEIs Abertos no RS (2020–2025)

1. Evolução Mensal das Aberturas de MEIs

O primeiro gráfico mostra oscilações mensais marcantes no número de MEIs abertos no RS de 2020 a 2025, com uma tendência geral de aumento ao longo do período.

Nota-se: - Crescimento contínuo, especialmente após 2022. - Meses com aumentos abruptos indicam eventos ou incentivos específicos favorecendo o empreendedorismo em certos momentos. - Períodos de queda sugerem efeitos sazonais ou fatores externos (ex: feriados, economia, mudanças regulatórias).

2. Sazonalidade por Ano

O segundo gráfico revela o comportamento sazonal das aberturas de MEI ao longo dos anos:

  • Janeiro e fevereiro se destacam como meses de forte impulso na criação de MEIs, especialmente em 2025.
  • Maio e dezembro tendem a registrar quedas recorrentes.
  • Em 2025 há um pico excepcional em janeiro, superando os anos anteriores, sugerindo políticas ou contextos econômicos favoráveis naquele início de ano.
  • O ano de 2020 teve menos aberturas em comparação aos demais anos, possivelmente devido ao impacto inicial da pandemia.

3. Médias Mensais e Sazonalidade

O terceiro gráfico detalha as médias mensais ao longo dos anos:

  • Os meses de jan, agosto e outubro configuram picos históricos nas médias de criação de MEIs.
  • Abril, maio e dezembro mantêm-se como períodos de menor dinamismo, indicando regularidade nas oscilações sazonais.
  • As médias crescentes a partir de 2023 demonstram ambiente mais propício ao microempreendedorismo, reforçado por políticas de fomento ou cenário econômico mais favorável.

4. Decomposição de Tendência, Sazonalidade e Aleatoriedade

A decomposição temporal expõe:

  • Tendência: Aberturas de MEIs seguem ritmo ascendente, principalmente a partir de 2022.
  • Sazonalidade: Ciclos bem definidos com quedas sistemáticas nos mesmos meses de cada ano, refletindo calendários fiscais, datas comemorativas ou sazonalidade dos setores.
  • Aleatoriedade: Variações residuais são perceptíveis, conectadas a fatores pontuais não explicados por tendência ou sazonalidade pura (exemplo: mudanças legislativas, choques econômicos).

Resumo Executivo

  • O Rio Grande do Sul apresentou crescimento expressivo e sustentado na abertura de MEIs entre 2020 e 2025.
  • Evidencia-se forte sazonalidade: janeiro, agosto e outubro são meses de maior impulso, enquanto maio e dezembro apresentam retração recorrente.
  • O ano de 2025 registrou máximas históricas, com recorde em janeiro.
  • Após o impacto inicial da pandemia, as aberturas se recuperaram rapidamente, indicando resiliência e adaptabilidade do microempreendedor.
  • O contexto sugere ambiente cada vez mais favorável ao empreendedorismo individual, guiado por políticas públicas, incentivos econômicos e transformação do mercado de trabalho.
  • O padrão identificado auxilia na tomada de decisões estratégicas — tanto para órgãos públicos quanto para quem deseja empreender — ao demonstrar os melhores momentos do ano para iniciar uma MEI no estado.

Estes dados reforçam a relevância das MEIs no dinamismo econômico estadual, além de servir como termômetro da retomada e do apetite empreendedor no RS após anos de desafios.

Analisando a decomposição por porte das empresas - ME

rfb_rs_filt_agregado = rfb_rs_filt %>% 
  filter(MatrizFilial == "MATRIZ" & SkPublicoAlvo_rotulada == "ME" ) %>% 
  mutate(
    mes_atividade = floor_date(DtInicioAtividade, "month"),
    ano_atividade = floor_date(DtInicioAtividade, "year")
  ) %>% 
  filter(DtInicioAtividade > "2020-01-01",
         DtInicioAtividade < "2025-06-23") %>% 
  count(mes_atividade)

grafico_linha_inicio_atividades =  
  
  rfb_rs_filt_agregado %>% 
  #mutate(mes_atividade = ano_atividade) %>% 
  filter(year(mes_atividade) > 2020,
         year(mes_atividade) < 2025) %>% 
  ggplot(aes(x = mes_atividade, y = n)) +
  geom_line(size = 1) +
  theme_minimal(14) +
  scale_x_date(breaks = scales::date_breaks("3 month"),
               labels = scales::date_format("%Y-%m")) +
  scale_y_continuous(labels = scales::label_number(big.mark = "."),breaks = seq(0,11000,34000 ) )+
  ggtitle("Quantidade de empresas que iniciaram atividade por mês 
no RS - 2020 a 2025"
        ) + 
  #scale_y_continuous(limits = c(0, 800)) +
  labs(x = "Ano de início das atividades",
       y = "Quantidade de empresas") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1),
        axis.text = element_text(size = 9),
        panel.grid.minor.x = element_blank()) 

grafico_linha_inicio_atividades

ggplotly(grafico_linha_inicio_atividades)

Plotando sazonalidades ao longo dos meses das ME

dados_ts1 = ts(rfb_rs_filt_agregado$n,frequency=12, start=c(2020,1))

dados_ts1 %>% as_tsibble() %>% gg_season(value, labels="both")+
  labs(x="Meses",
       y="Quantidade de empresas",
       title = "Gráfico sazonal da abertura de empresas - 2020 a 2025")

Plotando médias mensais e observando sazonalidades ao longo dos meses das ME

dados_ts1 %>% as_tsibble() %>% gg_subseries(value)+
  labs(x="Meses",
       y="Quantidade de empresas",
       title = "Gráfico das médias mensais e sazonalidade da abertura de empresas 
- 2020 a 2025")

Decomposição da série temporal em suas componentes para analisar tendência e sazonalidade das empresas ME

dados_ts1 = ts(rfb_rs_filt_agregado$n,frequency=12, start=c(2020,1))
dados_ts2 = dts2(dados_ts1)
dados_ts2$date = as.Date(dados_ts2$date)

ggdecompose(dados_ts2) +
  xlab("Date")+
  ylab("Quantidade de empresas")+
  scale_x_date(date_breaks = "1 year", date_labels = "%Y-%m")+
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Análise dos Gráficos: Empresas ME Abertas no RS (2020–2025)

1. Evolução Mensal das Aberturas de ME

O primeiro gráfico revela fortes oscilações mensais no número de Microempresas (ME) abertas no Rio Grande do Sul de 2020 a 2025. Os principais destaques são: - Variação acentuada mês a mês, com diversos picos e quedas bruscas. - A tendência geral aponta para uma diminuição progressiva no número de aberturas ao longo do período, especialmente após 2022. - Em vários momentos do período há quedas pontuais relevantes, sugerindo fatores sazonais ou conjunturais afetando especificamente o ritmo de novos negócios.

2. Sazonalidade por Ano (Comparação Mensal 2020-2025)

O segundo gráfico evidencia o comportamento sazonal das aberturas de ME a cada ano: - Janeiro, março e junho historicamente apresentam maior quantidade de aberturas, porém percebe-se redução nesses picos nos últimos anos. - Abril, maio e dezembro mantêm consistentemente menores números de novas empresas abertas, indicando uma sazonalidade negativa nesses meses, possivelmente relacionada ao calendário fiscal ou à expectativa de vendas. - Notável em 2025 é a queda contínua ao longo do semestre, com o número de ME abertas reduzindo significativamente, o que pode evidenciar um desaquecimento econômico ou mudança no perfil empreendedor.

3. Médias Mensais e Sazonalidade

O terceiro gráfico detalha as médias mensais históricas: - Agosto e setembro se destacam como meses de média mais alta de aberturas de ME. - Em meses tradicionalmente fracos (abril, maio, dezembro), as médias confirmam a tendência de menor dinamismo. - Ao longo do tempo, observa-se queda nas médias em quase todos os meses, indicando ambiente menos favorável à criação de novas MEs a partir de 2023.

4. Decomposição Temporal: Tendência, Sazonalidade e Aleatoriedade

A decomposição dos dados mostra:

  • Tendência: Há uma diminuição contínua do volume de aberturas de ME, em especial após 2022, diferente do comportamento de MEIs que apresentaram crescimento no mesmo período.
  • Sazonalidade: Os ciclos sazonais permanecem evidentes, com quedas regulares nos mesmos meses a cada ano, reforçando o papel do calendário econômico e regulatório na dinâmica das MEs.
  • Componente aleatória: Flutuações de menor intensidade indicam que, fora a tendência de queda e a sazonalidade, não há choques inesperados expressivos afetando a série.

Resumo Executivo

  • O Rio Grande do Sul apresenta uma diminuição progressiva e sustentada na abertura de novas Microempresas (ME) entre 2020 e 2025.
  • Os meses de janeiro, agosto e setembro tradicionalmente concentraram maiores aberturas, enquanto abril, maio e dezembro são períodos recorrentes de baixa atividade.
  • Ao contrário das MEIs, que cresceram no período, as MEs apresentam retração, sinalizando desafios adicionais para empreendimentos de maior porte tributário e regulatório.
  • Os efeitos sazonais continuam presentes, sugerindo que decisões de abertura de ME são fortemente influenciadas por fatores externos e pelo calendário.
  • Após a pandemia e um breve período de estabilidade, a tendência geral é de desaquecimento do empreendedorismo na categoria ME, possivelmente reflexo do ambiente econômico, mudanças no crédito, aumento da informalidade ou preferência por formatos empresariais mais enxutos.

Esses padrões evidenciam a importância do acompanhamento dos indicadores para orientar políticas públicas, suporte ao empreendedorismo e compreensão dos ciclos administrativos e econômicos que impactam as Microempresas no RS.

Analisando a decomposição por porte das empresas - EPP

rfb_rs_filt_agregado = rfb_rs_filt %>% 
  filter(MatrizFilial == "MATRIZ" & SkPublicoAlvo_rotulada == "EPP" ) %>% 
  mutate(
    mes_atividade = floor_date(DtInicioAtividade, "month"),
    ano_atividade = floor_date(DtInicioAtividade, "year")
  ) %>% 
  filter(DtInicioAtividade > "2020-01-01",
         DtInicioAtividade < "2025-06-23") %>% 
  count(mes_atividade)

grafico_linha_inicio_atividades =  
  
  rfb_rs_filt_agregado %>% 
  #mutate(mes_atividade = ano_atividade) %>% 
  filter(year(mes_atividade) > 2020,
         year(mes_atividade) < 2025) %>% 
  ggplot(aes(x = mes_atividade, y = n)) +
  geom_line(size = 1) +
  theme_minimal(14) +
  scale_x_date(breaks = scales::date_breaks("3 month"),
               labels = scales::date_format("%Y-%m")) +
  scale_y_continuous(labels = scales::label_number(big.mark = "."),breaks = seq(0,11000,34000 ) )+
  ggtitle("Quantidade de empresas que iniciaram atividade por mês 
no RS - 2020 a 2025"
        ) + 
  #scale_y_continuous(limits = c(0, 800)) +
  labs(x = "Ano de início das atividades",
       y = "Quantidade de empresas") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1),
        axis.text = element_text(size = 9),
        panel.grid.minor.x = element_blank()) 

grafico_linha_inicio_atividades

ggplotly(grafico_linha_inicio_atividades)

Plotando sazonalidades ao longo dos meses das EPP

dados_ts1 = ts(rfb_rs_filt_agregado$n,frequency=12, start=c(2020,1))

dados_ts1 %>% as_tsibble() %>% gg_season(value, labels="both")+
  labs(x="Meses",
       y="Quantidade de empresas",
       title = "Gráfico sazonal da abertura de empresas - 2020 a 2025")

Plotando médias mensais e observando sazonalidades ao longo dos meses das EPP

dados_ts1 %>% as_tsibble() %>% gg_subseries(value)+
  labs(x="Meses",
       y="Quantidade de empresas",
       title = "Gráfico das médias mensais e sazonalidade da abertura de empresas 
- 2020 a 2025")

Decomposição da série temporal em suas componentes para analisar tendência e sazonalidade das empresas EPP

dados_ts1 = ts(rfb_rs_filt_agregado$n,frequency=12, start=c(2020,1))
dados_ts2 = dts2(dados_ts1)
dados_ts2$date = as.Date(dados_ts2$date)

ggdecompose(dados_ts2) +
  xlab("Date")+
  ylab("Quantidade de empresas")+
  scale_x_date(date_breaks = "1 year", date_labels = "%Y-%m")+
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Análise dos Gráficos: Empresas EPP Abertas no RS (2020–2025)

1. Evolução Mensal das Aberturas de EPP

O primeiro gráfico demonstra a evolução mensal no número de Empresas de Pequeno Porte (EPP) abertas no RS entre 2020 e 2025.

Observa-se:

  • Oscilações acentuadas, com vários picos e quedas ao longo do período.
  • A tendência predominante é relativamente estável, sem grande crescimento ou queda expressiva—indicando que a categoria EPP se manteve em patamares similares, a despeito das variações econômicas.
  • Há meses com variações mais abruptas, possivelmente associadas a períodos fiscais, regulações pontuais ou impactos de políticas de incentivo/desincentivo específicos do segmento EPP.

2. Sazonalidade Comparativa (2020-2025)

O segundo gráfico exibe a sazonalidade mês a mês ao longo dos anos:

  • Janeiro, março, agosto e outubro tendem a apresentar maiores volumes de aberturas ao longo do período, ainda que as diferenças entre os meses sejam menos acentuadas que para MEI e ME.
  • Maio e dezembro se destacam negativamente, mantendo-se entre os meses mais fracos na criação de EPP.
  • O padrão sazonal é mais discreto, mas há indícios de concentração das aberturas nos primeiros e segundos semestres, sugerindo que fatores como planejamento tributário e início de ciclos econômicos influenciam a categoria, mas de forma diluída.

3. Médias Mensais e Sazonalidade

O terceiro gráfico mostra as médias históricas mensais para EPP:

  • Agosto, setembro e outubro apresentam médias levemente maiores, indicando picos tradicionais nesse período.
  • Abril, maio e dezembro reafirmam-se como meses de menor dinamismo.
  • A média mensal se mantém praticamente constante no período, sem tendência clara de crescimento ou retração expressiva ao longo dos anos.

4. Decomposição Temporal: Tendência, Sazonalidade e Aleatoriedade

O quarto gráfico, de decomposição, revela:

  • Tendência: O número de EPP abertas mostra leve oscilação, mas sem variações estruturais notáveis para cima ou para baixo, sugerindo estabilidade no interesse por esse porte empresarial.
  • Sazonalidade: O padrão sazonal segue presente, com quedas sistemáticas em determinados meses (principalmente maio e dezembro), alinhando-se ao comportamento de outros tipos empresariais.
  • Componente aleatória: As flutuações residuais são pouco intensas, indicando relativa previsibilidade e falta de choques inesperados ou eventos disruptivos no segmento EPP ao longo do período analisado.

Resumo Executivo

  • O segmento de Empresas de Pequeno Porte (EPP) no RS mostrou grande estabilidade no ritmo de abertura de novas empresas entre 2020 e 2025, sem oscilações relevantes de tendência positiva ou negativa.
  • Os meses de janeiro, março, agosto e outubro costumam ser os mais favoráveis para abertura de EPP, enquanto abril, maio e dezembro são tradicionalmente mais fracos.
  • Não foram observados grandes choques nem mudanças estruturais de comportamento na categoria, em contraste com MEIs (crescimento) e ME (queda).
  • O padrão sugere que o perfil típico do empreendedor EPP é mais resistente a variações de cenários conjunturais, possivelmente por envolver empreendimentos de maior planejamento e estrutura.
  • A sazonalidade, apesar de presente, exerce menor impacto relativo, tornando o segmento EPP mais estável e previsível ao longo do ano.

Esse panorama serve de referência para políticas públicas, planejamento tributário e estratégico de novos empreendimentos de porte EPP, permitindo uma alocação mais eficiente de recursos e esforços em períodos tradicionalmente mais propícios à criação desse tipo de empresa no estado.

  1. Análise temporal do fechamento das empresas

Número de empresas matrizes que encerraram as atividades no Maranhão por trimestre de 2020 a 2025

rfb_rs_filt_agregado = rfb_rs_filt %>% 
  filter(MatrizFilial == "MATRIZ" & NomeSituacaoCadastral == "BAIXADA" ) %>% 
  mutate(
    mes_atividade = floor_date(DtInicioAtividade, "month"),
    ano_atividade = floor_date(DtInicioAtividade, "year")
  ) %>% 
  filter(DtInicioAtividade > "2020-01-01",
         DtInicioAtividade < "2025-06-23") %>% 
  count(mes_atividade)

grafico_linha_inicio_atividades =  
  
  rfb_rs_filt_agregado %>% 
  #mutate(mes_atividade = ano_atividade) %>% 
  filter(year(mes_atividade) > 2020,
         year(mes_atividade) < 2025) %>% 
  ggplot(aes(x = mes_atividade, y = n)) +
  geom_line(size = 1) +
  theme_minimal(14) +
  scale_x_date(breaks = scales::date_breaks("3 month"),
               labels = scales::date_format("%Y-%m")) +
  scale_y_continuous(labels = scales::label_number(big.mark = "."),breaks = seq(0,11000,34000 ) )+
  ggtitle("Quantidade de empresas que encerraram atividade por mês 
no RS - 2020 a 2025"
        ) + 
  #scale_y_continuous(limits = c(0, 800)) +
  labs(x = "Ano de encerramento das atividades",
       y = "Quantidade de empresas") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1),
        axis.text = element_text(size = 9),
        panel.grid.minor.x = element_blank()) 

grafico_linha_inicio_atividades

ggplotly(grafico_linha_inicio_atividades)

Plotando sazonalidades ao longo dos meses

dados_ts1 = ts(rfb_rs_filt_agregado$n,frequency=12, start=c(2020,1))

dados_ts1 %>% as_tsibble() %>% gg_season(value, labels="both")+
  labs(x="Meses",
       y="Quantidade de empresas",
       title = "Gráfico sazonal do fechamento de empresas - 2020 a 2025")

Plotando médias mensais e observando sazonalidades ao longo dos meses

dados_ts1 %>% as_tsibble() %>% gg_subseries(value)+
  labs(x="Meses",
       y="Quantidade de empresas",
       title = "Gráfico das médias mensais e sazonalidade do fechamento de empresas 
- 2020 a 2025")

Decomposição da série temporal em suas componentes para analisar tendência e sazonalidade

dados_ts1 = ts(rfb_rs_filt_agregado$n,frequency=12, start=c(2020,1))
dados_ts2 = dts2(dados_ts1)
dados_ts2$date = as.Date(dados_ts2$date)

ggdecompose(dados_ts2) +
  xlab("Date")+
  ylab("Quantidade de empresas")+
  scale_x_date(date_breaks = "1 year", date_labels = "%Y-%m")+
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Análise dos Gráficos: Encerramento de Empresas no RS (2020–2025)

1. Evolução Mensal dos Encerramentos

O gráfico de evolução mensal destaca:

  • Forte oscilação no número de empresas encerradas, com picos expressivos em determinados meses, especialmente entre 2020 e 2021, período crítico da pandemia da Covid-19.
  • O ano de 2020 registrou máximas históricas de encerramento, refletindo diretamente o impacto das restrições econômicas e da queda da atividade empresarial.
  • Nos anos seguintes, observa-se uma queda gradual de encerramentos, indicativo de recuperação, ainda que com algumas recaídas em meses de ajuste fiscal e mudanças regulatórias.

2. Sazonalidade ao Longo dos Anos

Na comparação sazonal anual:

  • Os meses de abril, maio e dezembro concentram maiores números de encerramentos, sugerindo relação direta com obrigações tributárias, fechamento de ciclos contábeis e decisões de encerramento pós-festas.
  • Janeiro e fevereiro apresentam volumes consistentemente mais baixos, talvez pelo período das férias e menor atividade econômica.
  • Em 2024 e 2025, oscilações adicionais são percebidas em função de eventos climáticos extremos e das enchentes, que ampliaram o número de baixas especialmente nas regiões mais afetadas do estado.

3. Médias Mensais e Comportamento dos Encerramentos

Secondo o gráfico de médias mensais: - Os meses tradicionalmente críticos (maio e dezembro) têm as médias mais elevadas de encerramento. - Embora haja redução das médias em relação ao pico pandêmico, o patamar de encerramentos ainda é elevado em comparação a períodos pré-pandemia, demonstrando efeitos prolongados da crise e dificuldades de recuperação estável para pequenas empresas.

4. Decomposição: Tendência, Sazonalidade e Aleatoriedade

A decomposição temporal revela:

  • Tendência: Queda acentuada no número de encerramentos após o auge da pandemia, mas sem retorno aos níveis históricos anteriores.
  • Sazonalidade: Padrão cíclico evidente, com concentrações de encerramentos em determinados meses do ano.
  • Componente Aleatória: Destacam-se picos fora do esperado em 2024, em resposta a eventos climáticos extremos, e uma leve instabilidade adicional em 2025, possivelmente relacionada ao ajuste pós-recuperação e novos ambientes regulatórios.

Resumo Executivo

  • O Rio Grande do Sul vivenciou oleada de encerramentos de empresas em 2020–2021, causada principalmente pela crise pandêmica, seguida por uma lenta redução dos encerramentos nos anos subsequentes.
  • A sazonalidade permanece intensa, com maior concentração de encerramentos em meses de obrigações fiscais e eventos excepcionais como as enchentes de 2024.
  • Apesar da diminuição recente, o estado não recuperou a estabilidade pré-pandêmica no ritmo de baixas empresariais, sugerindo desafios estruturais persistentes na manutenção dos negócios.
  • Micro e pequenas empresas continuam sendo as mais afetadas, muitas vezes fragilizadas por falta de capitalização, acesso a crédito e capacitação.
  • O padrão visualizado orienta o planejamento de políticas públicas de suporte e acompanhamento, visando mitigar novas ondas de encerramento e fortalecer o ambiente de negócios no RS.

Analisando a decomposição por porte das empresas - MEI

rfb_rs_filt_agregado = rfb_rs_filt %>% 
  filter(MatrizFilial == "MATRIZ" & NomeSituacaoCadastral == "BAIXADA" & SkPublicoAlvo_rotulada == "MEI" ) %>% 
  mutate(
    mes_atividade = floor_date(DtInicioAtividade, "month"),
    ano_atividade = floor_date(DtInicioAtividade, "year")
  ) %>% 
  filter(DtInicioAtividade > "2020-01-01",
         DtInicioAtividade < "2025-06-23") %>% 
  count(mes_atividade)

grafico_linha_inicio_atividades =  
  
  rfb_rs_filt_agregado %>% 
  #mutate(mes_atividade = ano_atividade) %>% 
  filter(year(mes_atividade) > 2020,
         year(mes_atividade) < 2025) %>% 
  ggplot(aes(x = mes_atividade, y = n)) +
  geom_line(size = 1) +
  theme_minimal(14) +
  scale_x_date(breaks = scales::date_breaks("3 month"),
               labels = scales::date_format("%Y-%m")) +
  scale_y_continuous(labels = scales::label_number(big.mark = "."),breaks = seq(0,11000,34000 ) )+
  ggtitle("Quantidade de empresas que encerraram atividade por mês 
no RS - 2020 a 2025"
        ) + 
  #scale_y_continuous(limits = c(0, 800)) +
  labs(x = "Ano de encerramento das atividades",
       y = "Quantidade de empresas") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1),
        axis.text = element_text(size = 9),
        panel.grid.minor.x = element_blank()) 

grafico_linha_inicio_atividades

ggplotly(grafico_linha_inicio_atividades)

Plotando sazonalidades ao longo dos meses

dados_ts1 = ts(rfb_rs_filt_agregado$n,frequency=12, start=c(2020,1))

dados_ts1 %>% as_tsibble() %>% gg_season(value, labels="both")+
  labs(x="Meses",
       y="Quantidade de empresas",
       title = "Gráfico sazonal do fechamento de empresas - 2020 a 2025")

Plotando médias mensais e observando sazonalidades ao longo dos meses

dados_ts1 %>% as_tsibble() %>% gg_subseries(value)+
  labs(x="Meses",
       y="Quantidade de empresas",
       title = "Gráfico das médias mensais e sazonalidade do fechamento de empresas 
- 2020 a 2025")

Decomposição da série temporal em suas componentes para analisar tendência e sazonalidade

dados_ts1 = ts(rfb_rs_filt_agregado$n,frequency=12, start=c(2020,1))
dados_ts2 = dts2(dados_ts1)
dados_ts2$date = as.Date(dados_ts2$date)

ggdecompose(dados_ts2) +
  xlab("Date")+
  ylab("Quantidade de empresas")+
  scale_x_date(date_breaks = "1 year", date_labels = "%Y-%m")+
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Análise dos Gráficos: Encerramento de MEIs no RS (2020–2025)

1. Evolução Mensal dos Encerramentos de MEI

O primeiro gráfico mostra oscilações mensais consideráveis no número de MEIs encerradas no Rio Grande do Sul entre 2020 e 2025.

Os principais destaques são:

  • Aumento expressivo nos encerramentos logo após o início da pandemia em 2020 e em parte de 2021, refletindo o impacto direto da crise sanitária e econômica.
  • Após esse pico inicial, os encerramentos apresentam flutuações frequentes, mas com tendência geral de estabilização a partir de 2023.
  • Existem meses com altas sazonais, indicando momentos críticos no calendário fiscal ou ligados a fatores conjunturais.

2. Sazonalidade Mensal ao Longo dos Anos

O segundo gráfico evidencia padrões sazonais:

  • Março, maio e dezembro destacam-se como meses com maior número de encerramentos de MEIs, apontando para associação com obrigações fiscais, encerramento de ciclos e motivos sazonais.
  • Os anos de 2020 e 2021 registram números mais altos e maior variação ao longo dos meses, possivelmente por conta das incertezas econômicas e adaptações do mercado.
  • Nos anos mais recentes, as oscilações se tornam menos intensas, sugerindo um novo patamar de estabilização após o auge da crise.

3. Médias Mensais e Sazonalidade

O terceiro gráfico traz as médias mensais para cada ano:

  • Maio e dezembro registram médias mais altas de encerramentos, corroborando os elementos sazonais vistos anteriormente.
  • Janeiro, fevereiro e julho costumam registrar médias mais baixas, coincidindo com períodos de menor atividade econômica.
  • A média anual de encerramentos diminui progressivamente após 2021, com pequenas altas pontuais.

4. Decomposição Temporal: Tendência, Sazonalidade e Aleatoriedade

No último gráfico, a decomposição dos dados mostra:

  • Tendência: Após o pico pós-pandemia, há uma redução e posterior estabilidade do número de MEIs fechadas, indicando uma recuperação e adaptação do segmento.
  • Sazonalidade: Há picos sistemáticos em determinados meses do ano, confirmando ciclos regulares de encerramentos.
  • Componente Aleatória: Persistem variações residuais, relacionadas a eventos imprevistos ou circunstâncias econômicas e climáticas pontuais.

Resumo Executivo

  • O período de 2020 a 2021 foi marcado por altos índices de encerramento de MEIs, reflexo da pandemia e da crise econômica.
  • A partir de 2022, observa-se queda e posterior estabilização no número de baixas, indicando recuperação e adaptação do microempreendedorismo no estado.
  • Maio e dezembro consolidam-se como os meses críticos para encerramentos, acompanhando o calendário fiscal e o fechamento de ciclos.
  • O padrão observado demonstra resiliência da categoria MEI, com melhor estabilidade após o impacto inicial da crise.
  • A análise reforça a importância de acompanhamento contínuo e apoio ao setor, especialmente em períodos críticos do ano e diante de eventos inesperados.

Esses dados orientam gestores públicos, consultores e microempreendedores sobre os desafios e as oportunidades na manutenção e resiliência dos MEIs no RS após um cenário de grande instabilidade.

Analisando a decomposição por porte das empresas - ME

rfb_rs_filt_agregado = rfb_rs_filt %>% 
  filter(MatrizFilial == "MATRIZ" & NomeSituacaoCadastral == "BAIXADA" & SkPublicoAlvo_rotulada == "ME" ) %>% 
  mutate(
    mes_atividade = floor_date(DtInicioAtividade, "month"),
    ano_atividade = floor_date(DtInicioAtividade, "year")
  ) %>% 
  filter(DtInicioAtividade > "2020-01-01",
         DtInicioAtividade < "2025-06-23") %>% 
  count(mes_atividade)

grafico_linha_inicio_atividades =  
  
  rfb_rs_filt_agregado %>% 
  #mutate(mes_atividade = ano_atividade) %>% 
  filter(year(mes_atividade) > 2020,
         year(mes_atividade) < 2025) %>% 
  ggplot(aes(x = mes_atividade, y = n)) +
  geom_line(size = 1) +
  theme_minimal(14) +
  scale_x_date(breaks = scales::date_breaks("3 month"),
               labels = scales::date_format("%Y-%m")) +
  scale_y_continuous(labels = scales::label_number(big.mark = "."),breaks = seq(0,11000,34000 ) )+
  ggtitle("Quantidade de empresas que encerraram atividade por mês 
no RS - 2020 a 2025"
        ) + 
  #scale_y_continuous(limits = c(0, 800)) +
  labs(x = "Ano de encerramento das atividades",
       y = "Quantidade de empresas") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1),
        axis.text = element_text(size = 9),
        panel.grid.minor.x = element_blank()) 

grafico_linha_inicio_atividades

ggplotly(grafico_linha_inicio_atividades)

Plotando sazonalidades ao longo dos meses

dados_ts1 = ts(rfb_rs_filt_agregado$n,frequency=12, start=c(2020,1))

dados_ts1 %>% as_tsibble() %>% gg_season(value, labels="both")+
  labs(x="Meses",
       y="Quantidade de empresas",
       title = "Gráfico sazonal do fechamento de empresas - 2020 a 2025")

Plotando médias mensais e observando sazonalidades ao longo dos meses

dados_ts1 %>% as_tsibble() %>% gg_subseries(value)+
  labs(x="Meses",
       y="Quantidade de empresas",
       title = "Gráfico das médias mensais e sazonalidade do fechamento de empresas 
- 2020 a 2025")

Decomposição da série temporal em suas componentes para analisar tendência e sazonalidade

dados_ts1 = ts(rfb_rs_filt_agregado$n,frequency=12, start=c(2020,1))
dados_ts2 = dts2(dados_ts1)
dados_ts2$date = as.Date(dados_ts2$date)

ggdecompose(dados_ts2) +
  xlab("Date")+
  ylab("Quantidade de empresas")+
  scale_x_date(date_breaks = "1 year", date_labels = "%Y-%m")+
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Análise dos Gráficos: Encerramento de Microempresas (ME) no RS (2020–2025)

1. Evolução Mensal dos Encerramentos de ME

O primeiro gráfico evidencia:

  • Oscilações (altos e baixos) marcantes mês a mês nos encerramentos de MEs.
  • Picos mais expressivos em 2020 e 2021, com tendência de queda a partir de 2022.
  • Após o cenário crítico da pandemia, observa-se um declínio constante no número de fechamentos.
  • Nos anos mais recentes, 2024 e 2025, os encerramentos seguem em níveis mais baixos e aparentemente estáveis, sugerindo uma maior resiliência desse tipo empresarial.

2. Sazonalidade Mensal ao Longo dos Anos

O gráfico sazonal detalha:

  • Maio e dezembro aparecem consistentemente como meses de maior encerramento, refletindo a influência do calendário fiscal e de decisões corporativas pós-ciclos anuais.
  • Janeiro, fevereiro e março apresentam sempre menores índices, possivelmente pelo efeito de férias, recesso e menor atividade administrativa no começo do ano.
  • Nos anos de pico (2020–2021), o volume e os picos sazonais são bem mais pronunciados do que nas etapas seguintes, denotando o peso da crise inicial da pandemia.

3. Médias Mensais e Sazonalidade

O gráfico das médias mensais reforça características sazonais:

  • Maio e dezembro têm médias mais elevadas de baixas, indicando marcos críticos para o encerramento de ME.
  • Abril e agosto também apresentam médias superiores em alguns anos, sinalizando momentos de ajuste ou encerramento estratégico.
  • Ao longo do período, a média mensal de empresas baixadas declina, com as maiores quedas concentradas nos anos logo após a crise.

4. Decomposição Temporal: Tendência, Sazonalidade e Aleatoriedade

A decomposição dos dados revela:

  • Tendência: Queda acentuada no número de encerramentos após os anos iniciais da pandemia, sugerindo recuperação econômica e adaptação por parte das MEs.
  • Sazonalidade: Padrões cíclicos evidentes, com repetição anual dos meses críticos de encerramento.
  • Aleatoriedade: Flutuações residuais são visíveis, mas nenhuma “onda de choque” extraordinária recente, indicando recuperação da estabilidade no segmento.

Resumo Geral

  • O número de Microempresas que encerram atividades no RS foi intensamente afetado pela pandemia, com picos em 2020 e 2021.
  • A partir de 2022, observa-se redução e estabilização gradativa do ritmo de encerramentos.
  • Há forte sazonalidade: maio e dezembro são os meses mais críticos para as baixas de ME, alinhados a compromissos fiscais e contábeis.
  • A tendência de declínio nos encerramentos, junto à estabilização das médias mensais, indica uma possível recuperação e resiliência do microempreendedorismo formal no estado.
  • No período mais recente, eventos aleatórios ou sazonais já não afetam de modo tão intenso, e o segmento ME demonstra mais previsibilidade e maturidade pós-crise.

Essas dinâmicas subsidiam tanto políticas públicas quanto estratégias de gestão para enfrentamento de sazonalidades e manutenção da saúde dos empreendimentos locais.

Analisando a decomposição por porte das empresas - EPP

rfb_rs_filt_agregado = rfb_rs_filt %>% 
  filter(MatrizFilial == "MATRIZ" & NomeSituacaoCadastral == "BAIXADA" & SkPublicoAlvo_rotulada == "EPP" ) %>% 
  mutate(
    mes_atividade = floor_date(DtInicioAtividade, "month"),
    ano_atividade = floor_date(DtInicioAtividade, "year")
  ) %>% 
  filter(DtInicioAtividade > "2020-01-01",
         DtInicioAtividade < "2025-06-23") %>% 
  count(mes_atividade)

grafico_linha_inicio_atividades =  
  
  rfb_rs_filt_agregado %>% 
  #mutate(mes_atividade = ano_atividade) %>% 
  filter(year(mes_atividade) > 2020,
         year(mes_atividade) < 2025) %>% 
  ggplot(aes(x = mes_atividade, y = n)) +
  geom_line(size = 1) +
  theme_minimal(14) +
  scale_x_date(breaks = scales::date_breaks("3 month"),
               labels = scales::date_format("%Y-%m")) +
  scale_y_continuous(labels = scales::label_number(big.mark = "."),breaks = seq(0,11000,34000 ) )+
  ggtitle("Quantidade de empresas que encerraram atividade por mês 
no RS - 2020 a 2025"
        ) + 
  #scale_y_continuous(limits = c(0, 800)) +
  labs(x = "Ano de fechamento das atividades",
       y = "Quantidade de empresas") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1),
        axis.text = element_text(size = 9),
        panel.grid.minor.x = element_blank()) 

grafico_linha_inicio_atividades

ggplotly(grafico_linha_inicio_atividades)

Plotando sazonalidades ao longo dos meses

dados_ts1 = ts(rfb_rs_filt_agregado$n,frequency=12, start=c(2020,1))

dados_ts1 %>% as_tsibble() %>% gg_season(value, labels="both")+
  labs(x="Meses",
       y="Quantidade de empresas",
       title = "Gráfico sazonal do fechamento de empresas - 2020 a 2025")

Plotando médias mensais e observando sazonalidades ao longo dos meses

dados_ts1 %>% as_tsibble() %>% gg_subseries(value)+
  labs(x="Meses",
       y="Quantidade de empresas",
       title = "Gráfico das médias mensais e sazonalidade do fechamento de empresas 
- 2020 a 2025")

Decomposição da série temporal em suas componentes para analisar tendência e sazonalidade

dados_ts1 = ts(rfb_rs_filt_agregado$n,frequency=12, start=c(2020,1))
dados_ts2 = dts2(dados_ts1)
dados_ts2$date = as.Date(dados_ts2$date)

ggdecompose(dados_ts2) +
  xlab("Date")+
  ylab("Quantidade de empresas")+
  scale_x_date(date_breaks = "1 year", date_labels = "%Y-%m")+
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Análise dos Gráficos: Encerramento de Empresas EPP no RS (2020–2025)

1. Evolução Mensal dos Encerramentos de EPP

O gráfico de evolução mensal mostra:

  • Oscilações marcantes na quantidade de Empresas de Pequeno Porte (EPP) que encerraram atividades entre 2020 e 2025.
  • Picos acentuados em 2020 e 2021, período crítico da pandemia, destacando o impacto imediato das restrições econômicas sobre negócios desse porte.
  • Entre 2022 e 2025, observa-se um movimento de estabilização, com volumes mensais reduzidos e sem tendências de alta ou queda acentuadas.
  • Não há sinalização de forte retomada dos fechamentos após a crise sanitária, mas a manutenção de patamares elevados sugere desafios persistentes para a sobrevivência de EPPs.

2. Sazonalidade Mensal ao Longo dos Anos

Ao comparar meses ao longo dos anos:

  • Maio e dezembro são períodos de destaque negativo, tradicionalmente associados ao fechamento de empresas, muito possivelmente por fatores ligados ao calendário fiscal e balanços de fim de exercício.
  • Janeiro e fevereiro apresentaram, em geral, quantidades inferiores de encerramentos, indicando temporada menos intensa para fechamento de EPPs.
  • O padrão sazonal é menos intenso que em MEIs e MEs, mas ainda perceptível, principalmente em anos de maior instabilidade.

3. Médias Mensais e Sazonalidade

O gráfico das médias mensais reforça que:

  • Maio e dezembro concentram as maiores médias de encerramentos de EPP, novamente ressaltando influências tributárias e administrativas.
  • Outros meses como março e agosto, em menor grau, também apresentam leve aumento.
  • A média mensal após 2022 mostra estabilidade, sem grandes quedas ou elevações, indicando que esse porte empresarial conseguiu preservar relativa previsibilidade mesmo em cenário de incerteza.

4. Decomposição Temporal: Tendência, Sazonalidade e Aleatoriedade

A decomposição temporal revela:

  • Tendência: Após o auge da pandemia, há estabilização no fechamento de EPPs, diferente do padrão mais volátil dos microempreendimentos. Isso pode refletir maior resiliência estrutural do segmento ou políticas de apoio mais efetivas voltadas a esse porte.
  • Sazonalidade: Existem ciclos regulares que se repetem, principalmente em meses tradicionalmente críticos, mas sem grandes choques recentes.
  • Componente aleatória: Os desvios não explicados pela tendência e sazonalidade são discretos, mostrando baixa influência de eventos excepcionais após o período pandêmico.

Resumo Executivo

  • O segmento de Empresas de Pequeno Porte (EPP) no RS registrou altos índices de encerramento nos anos iniciais da pandemia, com forte oscilação mensal.
  • Entre 2022 e 2025, o ritmo de fechamentos se manteve estável, em patamar ainda significativo, mas sem choques excepcionais.
  • Maio e dezembro permanecem como meses-chave para encerramentos, revelando os impactos do calendário fiscal e obrigações administrativas sobre a decisão de encerramento.
  • O padrão indica resiliência moderada das EPPs em relação à crise, resistindo melhor do que microempresas, mas sob desafios estruturais de manutenção e competitividade.
  • As tendências dos gráficos sugerem atenção a políticas públicas e estratégias de gestão voltadas para evitar aumentos sazonais e para a sustentabilidade das EPPs no longo prazo.

Esses resultados reforçam a necessidade de acompanhamento contínuo e de suporte específico para pequenas empresas, especialmente nos meses críticos e diante de contextos econômicos adversos.

  1. Análise do perfil das empresas baixadas

Quantidade de empresas baixadas por porte - 2020 a 2025

rfb_rs_filt_agregado_porte = rfb_rs_filt %>% 
  filter(MatrizFilial == "MATRIZ" & NomeSituacaoCadastral == "BAIXADA" & 
         DtInicioAtividade > "2020-01-01",
         DtInicioAtividade < "2025-06-23")  %>% count(SkPublicoAlvo_rotulada) %>% arrange(desc(n)) 
rfb_rs_filt_agregado_porte$SkPublicoAlvo_rotulada_ord = factor(rfb_rs_filt_agregado_porte$SkPublicoAlvo_rotulada, levels =c("ME","EPP","MEI")
)

ggplot(rfb_rs_filt_agregado_porte, aes(x = SkPublicoAlvo_rotulada_ord, y = n)) +
  geom_bar(aes(fill = SkPublicoAlvo_rotulada_ord),stat = "identity", show.legend = F) +
  xlab("Ano") + 
  ylab("Quantidade de empresas") +
  theme(axis.text.y = element_blank())+
  #scale_y_continuous(labels = scales::dollar_format(prefix="R$",big.mark = "."))+
  ggtitle("Quantidade de empresas baixadas por porte - 2020 a 2025") + 
  geom_text(aes(label = prettyNum(paste(round(n, 2),"(",round(n/sum(n)*100, 2),"% )"),big.mark = ".")), vjust=-0.2, color="black") +
  scale_fill_brewer(palette="BrBG")

Top 5 Quantidade de empresas baixadas por CNAE - 2020 a 2025

rfb_rs_filt_agregado_cnae = rfb_rs_filt %>% 
  filter(MatrizFilial == "MATRIZ" & NomeSituacaoCadastral == "BAIXADA" & 
         DtInicioAtividade > "2020-01-01",
         DtInicioAtividade < "2025-06-23")  %>% count(SkSubClasseCNAESegmento_2d_rotulada) %>% arrange(desc(n)) %>% head(5)


rfb_rs_filt_agregado_cnae$SkSubClasseCNAESegmento_2d_rotulada_ord = factor(rfb_rs_filt_agregado_cnae$SkSubClasseCNAESegmento_2d_rotulada, levels =c("Comércio, reparação de veículos automotores e motocicletas","Transporte, armazenagem e correio", "Alojamento e alimentação","Indústrias de transformação","Atividades profissionais, científicas e técnicas")
)

ggplot(rfb_rs_filt_agregado_cnae, aes(x = SkSubClasseCNAESegmento_2d_rotulada_ord, y = n)) +
  geom_bar(aes(fill = SkSubClasseCNAESegmento_2d_rotulada_ord),stat = "identity", show.legend = F) +
  xlab("Ano") + 
  ylab("Quantidade de empresas") +
  #theme(axis.text.y = element_blank())+
  #scale_y_continuous(labels = scales::dollar_format(prefix="R$",big.mark = "."))+
  ggtitle("Top 5 Quantidade de empresas baixadas 
por CNAE - 2020 a 2025") + 
  geom_text(aes(label = prettyNum(paste(round(n, 2),"\n(",round(n/sum(n)*100, 2),"% )"),big.mark = ".")), vjust=-0.2, color="black",size=2.5) +
  scale_fill_brewer(palette="BrBG")+
  coord_flip()

Tempo de baixa das empresas no Rio grande do sul - 2020 a 2025

rfb_rs_filt_agregado_meses = rfb_rs_filt %>% 
  filter(MatrizFilial == "MATRIZ" & NomeSituacaoCadastral == "BAIXADA" & NuTempoEmpresaBaixadaMeses != "NULL" &
         DtInicioAtividade > "2020-01-01",
         DtInicioAtividade < "2025-06-23")  
#%>% count(NuTempoEmpresaBaixadaMeses ) 
#%>% arrange(desc(n)) 

rfb_rs_filt_agregado_meses$NuTempoEmpresaBaixadaMeses_num = as.numeric(rfb_rs_filt_agregado_meses$NuTempoEmpresaBaixadaMeses)

quartis <- quantile(rfb_rs_filt_agregado_meses$NuTempoEmpresaBaixadaMeses_num, probs = c(0.25, 0.5, 0.75), na.rm = TRUE)
q1_n <- sum(rfb_rs_filt_agregado_meses$NuTempoEmpresaBaixadaMeses_num <= quartis[1], na.rm=TRUE)
q2_n <- sum(rfb_rs_filt_agregado_meses$NuTempoEmpresaBaixadaMeses_num <= quartis[2], na.rm=TRUE)
q3_n <- sum(rfb_rs_filt_agregado_meses$NuTempoEmpresaBaixadaMeses_num <= quartis[3], na.rm=TRUE)


counts <- hist(rfb_rs_filt_agregado_meses$NuTempoEmpresaBaixadaMeses_num, breaks=30, plot=FALSE)$counts
y_max <- max(counts)

# Adicione um 'buffer' acima das barras
y_text <- y_max * 1.05   # 5% acima da barra mais alta


grafico_hist = ggplot(rfb_rs_filt_agregado_meses,aes(x=NuTempoEmpresaBaixadaMeses_num)) + 
  geom_histogram(bins =30)+
    geom_vline(xintercept = quartis, linetype="dashed", color=c("blue","green","red")) +
  
  scale_x_continuous(
    breaks = sort(unique(c(pretty(rfb_rs_filt_agregado_meses$NuTempoEmpresaBaixadaMeses_num), quartis))),
    labels = function(x) ifelse(x %in% round(quartis,2), paste0("Q", match(x, round(quartis,2))), as.character(x))
  ) +
  ggtitle("Gráfico histograma do tempo de baixa das empresas no RS - 2020 a 2025")+
  xlab("Tempo de baixa (Meses)") +
  ylab("Quantidade de empresas") +
  scale_fill_brewer(palette="BrBG")+
  theme() +
  annotate("text", x=quartis[1], y=y_text, label=paste(prettyNum(q1_n, big.mark = ".")," empresas até",quartis[1]), angle = 90, vjust=-1,hjust=1, color="blue", size = 4) +
  annotate("text", x=quartis[2], y=y_text, label=paste(prettyNum(q2_n, big.mark = "."), " empresas até",quartis[2]), angle = 90, vjust=-1,,hjust=1, color="green",size = 4) +
  annotate("text", x=quartis[3], y=y_text, label=paste(prettyNum(q3_n, big.mark = ".")," empresas até",quartis[3]), angle = 90, vjust=-1,,hjust=1, color="red",size = 4)

grafico_hist

Análise do Perfil das Empresas Baixadas no RS (2020–2025)

1. Perfil por Porte Empresarial

  • O grande destaque é o predomínio absoluto das Microempresas (ME) no grupo de empresas baixadas, representando aproximadamente 98,5% dos encerramentos.
  • Empresas de Pequeno Porte (EPP) respondem por apenas 1,4% do total, enquanto o número de Microempreendedores Individuais (MEI) encerrados é residual, com 0,06%.
  • Isso indica que o fechamento de empresas no período atingiu majoritariamente o segmento das microempresas, refletindo uma vulnerabilidade elevada desse porte em relação às condições econômicas adversas ou à dificuldade de sustentação dos negócios após a abertura.

2. Setores Mais Afetados (CNAE)

Entre as empresas baixadas, os cinco principais setores econômicos conforme o CNAE foram:

Setor Empresas Baixadas % do total
Comércio; reparação de veículos automotores/motocicletas 84.776 38,55%
Transporte, armazenagem e correio 39.910 18,15%
Alojamento e alimentação 32.238 14,66%
Indústrias de transformação 32.036 14,57%
Atividades profissionais, científicas e técnicas 30.977 14,08%
  • Comércio lidera com grande margem, seguido por setores intensivos em serviços e logística.
  • Os setores de alojamento, alimentação, transporte e atividades profissionais/técnicas também tiveram altas taxas de encerramento.
  • Isso evidencia que o ciclo de encerramento impactou negócios mais dependentes do varejo, circulação de bens e serviços presenciais—segmentos também mais sensíveis a crises econômicas, mudanças de consumo e efeitos da pandemia.

3. Tempo de Vida das Empresas Encerradas

A distribuição do tempo de existência até a baixa mostra:

  • 94.537 empresas foram encerradas com até 10 meses de funcionamento, demonstrando grande vulnerabilidade inicial e possível falta de maturidade ou planejamento.
  • 177.473 empresas fecharam com até 20 meses de atividade, indicando que mais de metade das baixas ocorre em até 1 ano e meio de operação.
  • 266.656 empresas chegaram ao encerramento com até 34 meses, ou seja, quase 3 anos de vida. Boa parte dos negócios não ultrapassou esse marco inicial.
  • O histograma evidencia perdas relevantes ao longo de todo o período de vida, mas aponta para uma concentração expressiva dos encerramentos em fases iniciais da jornada empresarial.

Interpretação

  • A elevada mortalidade precoce demonstra desafios estruturais comuns ao ambiente empreendedor, como baixa capitalização, dificuldade de acesso ao mercado, gestão ineficaz ou contexto adverso recente.
  • A persistência das baixas mesmo entre empresas mais maduras indica outros desafios, como mudanças tecnológicas, concorrência, e variações macroeconômicas.

Conclusão

  • O fechamento de empresas no RS entre 2020 e 2025 afetou principalmente microempresas ligadas ao comércio e serviços, com grande percentual de negócios encerrados antes de completar 2 anos de existência.
  • Os setores mais afetados são exatamente aqueles mais vulneráveis à conjuntura econômica e a choques setoriais.
  • O padrão evidencia a necessidade de políticas de apoio direcionadas a microempresas, especialmente nos primeiros anos de vida, bem como de iniciativas para a diversificação e fortalecimento do ecossistema empreendedor gaúcho.