Introdução: O asfalto fala sobre o PIB
Se você quer entender para onde a economia brasileira está indo antes que os dados oficiais do PIB sejam divulgados, olhe para as estradas. No Brasil, uma nação continental onde a malha ferroviária é limitada, o transporte rodoviário não é apenas um modal logístico; é o sistema circulatório do país. Estima-se que mais de 60% de toda a carga transportada e a vasta maioria dos passageiros circulem sobre rodas.
O Índice ABCR (Associação Brasileira de Concessionárias de Rodovias) funciona, portanto, como um poderoso indicador antecedente. Enquanto o PIB olha para o retrovisor (o que já aconteceu), o fluxo de pedágios nos dá o pulso da atividade econômica quase em tempo real. Se os caminhões param, a indústria parou semanas antes. Se os carros de passeio somem, a renda das famílias foi impactada.
Neste artigo, vamos transformar dados brutos em inteligência de mercado. Você aprenderá a:
- Automatizar a coleta de dados de fontes governamentais/associativas com Python.
- Domar planilhas complexas (MultiIndex) usando Pandas avançado.
- Visualizar ciclos econômicos (Recessão de 2015, Pandemia e Recuperação) através de gráficos profissionais.
Parte 1: Coleta e Preparação dos Dados (ETL)
Dados do mundo real raramente vêm prontos para análise. O arquivo da ABCR é rico, mas formatado para leitura humana (Excel), não para leitura de máquina. Vamos construir um pipeline de ETL (Extract, Transform, Load) robusto.
Fonte dos dados: Associação Brasileira de Concessionárias de Rodovias
1.1 Configuração do Ambiente
Para começar, precisamos de um ambiente Python equipado com as bibliotecas padrão da indústria para manipulação de dados (pandas) e requisições HTTP (requests).
pip install pandas requests seaborn openpyxl beautifulsoup4
Importamos as bibliotecas e definimos o estilo visual dos gráficos logo no início para garantir consistência estética.
import pandas as pd
import requests
import matplotlib.pyplot as plt
import seaborn as sns
from bs4 import BeautifulSoup
# Configuração estética do Seaborn para gráficos mais limpos
sns.set_style("whitegrid")
1.2 Extração (Download Automatizado)
Uma boa prática em Ciência de Dados é a reprodutibilidade. Ao invés de baixar o Excel manualmente e salvá-lo em uma pasta, escrevemos um script que busca a versão mais recente diretamente da fonte. Isso garante que, se a ABCR atualizar os dados, basta rodar o código novamente.
page_url = "https://melhoresrodovias.org.br/indice-abcr/"
with requests.Session() as session:
page = session.get(page_url)
soup = BeautifulSoup(page.content, "html.parser")
# Encontramos o link do arquivo Excel na página
for link in soup.find_all("a", href=True):
if link["href"].lower().endswith(".xlsx"):
break
else:
raise ValueError("Link para o arquivo Excel não encontrado na página.")
url = link['href']
r = session.get(url)
# Salvamos o binário do Excel localmente
with open("abcr.xlsx", "wb") as f:
f.write(r.content)
1.3 Leitura e Limpeza (O Desafio do MultiIndex)
Aqui encontramos o primeiro obstáculo técnico: o Excel da ABCR utiliza três linhas para formar o cabeçalho (Região > Tipo de Série > Tipo de Veículo). O pandas lida com isso através do header=[0, 1, 2], criando um MultiIndex nas colunas.
Além disso, planilhas formatadas para impressão costumam ter colunas vazias para espaçamento visual. Identificamos e removemos essas colunas para limpar o dataset.
# Lendo o Excel considerando as 3 primeiras linhas como cabeçalho
df = pd.read_excel("abcr.xlsx", sheet_name="(C) Original", header=[0, 1, 2])
# Removendo colunas desnecessárias ou vazias que costumam vir no Excel
# Nota: Os índices 4, 8 e 12 foram identificados como colunas de
# separação visual na planilha original
df = df.drop(df.columns[[4, 8, 12]], axis=1)
# Visualizando as primeiras linhas brutas
print(df)
Unnamed: 0_level_0 Brasil São Paulo Paraná Rio de Janeiro
Unnamed: 0_level_1 Série original - número índice (1999=100) Série original - número índice (1999=100) Série original - número índice (1999=100) Série original - número índice (1999=100)
Unnamed: 0_level_2 LEVES PESADOS TOTAL LEVES PESADOS TOTAL LEVES PESADOS TOTAL LEVES PESADOS TOTAL
0 1999-01-01 117.667781 94.286208 112.442880 115.621665 94.890700 111.018130 130.072273 86.140365 114.250698 110.267077 97.993420 108.365801
1 1999-02-01 98.318947 87.925361 95.996372 95.448095 88.485682 93.902016 101.926359 83.961737 95.456605 94.939069 87.793056 93.832101
2 1999-03-01 95.978647 107.940122 98.651586 96.015216 105.960890 98.223760 91.598440 121.605998 102.405319 97.140236 104.606781 98.296856
3 1999-04-01 97.189397 98.208155 97.417051 98.430869 96.956850 98.103547 96.803426 104.235705 99.480076 95.995827 96.133878 96.017212
4 1999-05-01 96.210717 101.902630 97.482645 96.439384 100.699425 97.385372 93.308385 107.684536 98.485792 98.608305 99.795485 98.792208
... ... ... ... ... ... ... ... ... ... ... ... ... ...
318 2025-07-01 177.311849 192.256577 180.314271 186.122331 215.642656 191.224171 NaN NaN NaN 152.988028 132.366085 149.488096
319 2025-08-01 170.162716 185.721481 173.101433 179.384779 208.330825 185.034465 NaN NaN NaN 146.991010 128.481189 143.668028
320 2025-09-01 167.518556 187.960590 171.665193 177.253170 211.821681 184.307209 NaN NaN NaN 144.688899 131.376640 142.344628
321 2025-10-01 174.046107 194.365095 178.231547 184.076411 218.695524 190.148474 NaN NaN NaN 149.144289 137.821869 147.357760
322 2025-11-01 172.052619 177.412981 172.641473 179.587214 197.913388 182.622317 NaN NaN NaN 146.540789 128.506901 143.385660
323 rows × 13 columns
Saída (Resumida): Observe como a estrutura hierárquica é complexa. Temos “Brasil” no nível 0, “Série Original” no nível 1 e “LEVES/PESADOS” no nível 2.
Para facilitar o trabalho, vamos renomear as colunas e achatá-las, garantindo que a coluna de datas seja tratada corretamente.
# Ajustando os nomes para garantir consistência
new_columns = list(df.columns)
new_columns[0] = ("Data", "", "") # A primeira coluna é a data
df.columns = pd.MultiIndex.from_tuples(new_columns)
df
1.4 Transformação: De “Wide” para “Long” (Tidy Data)
Para criar visualizações com bibliotecas modernas como o seaborn (ou Tableau/PowerBI), o formato “Wide” (uma coluna para cada variável) é ruim. Precisamos do formato “Long” (Tidy Data), onde:
- Cada coluna é uma variável (Data, Local, Tipo, Valor).
- Cada linha é uma observação única.
Usamos a função .stack() para “empilhar” os níveis das colunas transformar essa matriz larga em uma lista longa e vertical.
data_col = ('Data', '', '')
if data_col not in df.columns:
data_col = next((c for c in df.columns if c[0] == 'Data'), None)
df = df.set_index(data_col).stack(list(range(df.columns.nlevels))).reset_index()
df.columns = ['Data', 'Local', 'Variável', 'Tipo', 'Valor']
print(df)
Data Local Variável Tipo Valor
0 1999-01-01 Brasil Série original - número índice (1999=100) LEVES 117.667781
1 1999-01-01 Brasil Série original - número índice (1999=100) PESADOS 94.286208
2 1999-01-01 Brasil Série original - número índice (1999=100) TOTAL 112.442880
3 1999-01-01 Paraná Série original - número índice (1999=100) LEVES 130.072273
4 1999-01-01 Paraná Série original - número índice (1999=100) PESADOS 86.140365
... ... ... ... ... ...
3730 2025-11-01 Rio de Janeiro Série original - número índice (1999=100) PESADOS 128.506901
3731 2025-11-01 Rio de Janeiro Série original - número índice (1999=100) TOTAL 143.385660
3732 2025-11-01 São Paulo Série original - número índice (1999=100) LEVES 179.587214
3733 2025-11-01 São Paulo Série original - número índice (1999=100) PESADOS 197.913388
3734 2025-11-01 São Paulo Série original - número índice (1999=100) TOTAL 182.622317
3735 rows × 5 columns
Agora temos um dataset limpo, padronizado e pronto para alimentar qualquer modelo de Machine Learning ou dashboard.
Parte 2: Análise Exploratória e Suavização
2.1 O Ruído da Sazonalidade
Dados de tráfego são extremamente voláteis. Feriados como Carnaval ou Natal, e até o número de dias úteis no mês, causam picos e vales abruptos. Ao plotarmos os dados brutos, vemos muito “ruído” e pouca “tendência”.
# Configuração estética dos gráficos
plt.rcParams.update(
{
"font.size": 22,
"font.family": "Times New Roman",
"axes.facecolor": "#FFFFFF",
"figure.facecolor": "#FFFFFF",
"font.weight": "normal",
},
)
f, ax = plt.subplots(figsize=(16, 10))
sns.lineplot(x="Data", y="Valor", hue="Local", data=df[df["Tipo"] == "TOTAL"])
plt.savefig("abcr-0.png", dpi=120, bbox_inches="tight")
Figura 1: A série bruta mostra a dificuldade de leitura devido à volatilidade mensal.
2.2 Revelando a Tendência (Média Móvel)
Para limpar esse ruído e enxergar a direção real da economia, aplicamos uma Média Móvel de 12 meses. Essa técnica estatística suaviza a curva, anulando os efeitos sazonais (comparando o ciclo anual completo) e destacando a tendência estrutural.
# Pivotamos novamente para calcular a média móvel (rolling mean)
df2 = df.pivot_table(index=["Data"], columns=["Local", "Tipo"], values="Valor")
df2 = df2.rolling(12, center=False).mean() # Janela de 12 meses
# Voltamos para o formato Long para plotagem
df2 = df2.reset_index().melt(id_vars=[("Data", '')], value_name="Valor")
df2 = df2[~df2["Valor"].isna()] # Removemos os NaNs gerados pela janela móvel
df2.columns = ['Data', 'Local', 'Tipo', 'Valor']
print(df2)
Data Local Tipo Valor
11 1999-12-01 Brasil LEVES 100.000000
12 2000-01-01 Brasil LEVES 99.806610
13 2000-02-01 Brasil LEVES 99.474390
14 2000-03-01 Brasil LEVES 99.946861
15 2000-04-01 Brasil LEVES 100.135661
... ... ... ... ...
3871 2025-07-01 São Paulo TOTAL 181.186747
3872 2025-08-01 São Paulo TOTAL 181.498007
3873 2025-09-01 São Paulo TOTAL 181.856594
3874 2025-10-01 São Paulo TOTAL 182.433105
3875 2025-11-01 São Paulo TOTAL 182.721460
3603 rows × 4 columns
Parte 3: Insights Visuais e História Econômica
Com os dados tratados, os gráficos deixam de ser riscos aleatórios e passam a contar a história recente do Brasil.
3.1 Análise Regional: A Disparidade do Desenvolvimento
O gráfico a seguir ilustra a média móvel por região. Ele é um retrato fiel das desigualdades regionais e da resiliência econômica de cada estado.
f, ax = plt.subplots(figsize=(16, 16))
sns.lineplot(
x="Data",
y="Valor",
hue="Local",
data=df2[df2["Tipo"] == "TOTAL"],
linewidth=3,
)
f.suptitle(
"Fluxo de veículos em\npraças pedagiadas",
fontsize=80,
fontweight="bold",
horizontalalignment="left",
x=0.025,
y=0.975,
)
ax.set_title(
"Média móvel de 12 meses do índice ABCR por região",
fontsize=30,
style="italic",
horizontalalignment="right",
x=1,
y=1,
)
ax.set_ylabel("Índice (1999=100)")
ax.set_position([0.075, 0.125, 0.9, 0.65])
plt.figtext(x=0.025, y=0.025, s="Fonte: ABCR")
plt.savefig("abcr-1.png", dpi=120)
Figura 2: Análise Regional da atividade econômica via tráfego.
O que os dados nos dizem:
- A “Década Perdida” (2014-2016): Observe a inclinação negativa acentuada em todas as curvas a partir de 2014. Isso reflete a grave recessão econômica brasileira. Nenhuma região escapou ilesa.
- O “Crash” da COVID-19 (2020): A queda vertical é o impacto imediato dos lockdowns. Diferente da recessão de 2015, que foi uma erosão lenta, 2020 foi um choque súbito de oferta e demanda.
- A Recuperação Assimétrica:
- São Paulo (Vermelho): É a locomotiva. Recuperou-se em “V” e já supera largamente os níveis pré-crise. A diversificação econômica (indústria + serviços + agro) blinda o estado.
- Rio de Janeiro (Verde): A linha verde conta uma história de estagnação. O estado luta para retomar os níveis de tráfego de uma década atrás, refletindo crises fiscais estaduais e menor dinamismo industrial.
- Paraná (Laranja): A volatilidade ascendente reflete a força do Agronegócio. As safras recordes impulsionam o fluxo de caminhões, garantindo uma tendência de alta robusta.
3.2 Termômetro de Consumo vs. Produção (Leves vs. Pesados)
Ao separar o tráfego por tipo de veículo (consolidado Brasil), temos uma proxy perfeita para Renda das Famílias (Leves) vs. Produção Industrial/Agro (Pesados).
f, ax = plt.subplots(figsize=(16, 16))
sns.lineplot(
x="Data",
y="Valor",
hue="Tipo",
data=df2[df2["Local"] == "Brasil"],
linewidth=3,
)
f.suptitle(
"Fluxo de veículos em\npraças pedagiadas",
fontsize=80,
fontweight="bold",
horizontalalignment="left",
x=0.025,
y=0.975,
)
ax.set_title(
"Média móvel de 12 meses do índice ABCR por tipo de veículo",
fontsize=30,
style="italic",
horizontalalignment="right",
x=1,
y=1,
)
ax.set_ylabel("Índice (1999=100)")
ax.set_position([0.075, 0.125, 0.9, 0.65])
plt.figtext(x=0.025, y=0.025, s="Fonte: ABCR")
plt.savefig("abcr-2.png", dpi=120)
Figura 3: O descolamento entre produção e consumo.
Análise Econômica:
- Veículos Pesados (Linha Laranja - Produção): É o setor mais resiliente. Note que, mesmo na pandemia, a queda foi menor e a recuperação foi fulminante. O Brasil precisava continuar transportando soja, milho e bens essenciais. É o motor que puxa o índice para cima.
- Veículos Leves (Linha Azul - Consumo): É altamente sensível à renda e ao desemprego. Sofreu o maior impacto durante o isolamento social e sua recuperação é mais lenta. O fato de a linha azul estar abaixo da laranja nos últimos anos indica que a produção (PIB) está crescendo mais rápido que a capacidade de consumo (bem-estar) das famílias, ou que houve uma mudança estrutural no comportamento de transporte (home office, preço dos combustíveis).
Conclusão
Através de poucas linhas de código Python, transformamos uma planilha burocrática em um painel econômico vibrante. A análise do Índice ABCR nos mostra que a recuperação econômica brasileira recente é liderada pelo setor produtivo (caminhões/agro) e fortemente concentrada em polos específicos como São Paulo e o Sul do país.
Para o cientista de dados ou economista, fica a lição: os dados mais valiosos muitas vezes estão escondidos em formatos não amigáveis. A habilidade de limpar e estruturar esses dados (ETL) é tão importante quanto a capacidade de gerar gráficos bonitos.
Referências
ASSOCIAÇÃO BRASILEIRA DE CONCESSIONÁRIAS DE RODOVIAS. Índice ABCR – apresentação, metodologia e séries históricas. São Paulo, 2025. Disponível em: https://melhoresrodovias.org.br/indice-abcr/. Acesso em: 28 dez. 2025.
ASSOCIAÇÃO BRASILEIRA DE CONCESSIONÁRIAS DE RODOVIAS. ABCR em movimento 2024: relatório anual. São Paulo, 2024. Disponível em: https://melhoresrodovias.org.br/wp-content/uploads/2025/07/ABCR-em-movimento-2024.pdf. Acesso em: 28 dez. 2025.
CONFEDERAÇÃO NACIONAL DO TRANSPORTE. Pesquisa CNT de Rodovias 2023. Brasília, 2023. Disponível em: https://www.cnt.org.br/agencia-cnt/pesquisa-cnt-de-rodovias-2023-refora-a-importancia-de-maior-investimento-na-malha-rodoviria. Acesso em: 28 dez. 2025.
CONFEDERAÇÃO NACIONAL DO TRANSPORTE. Transporte rodoviário ainda responde por mais de 60% da carga no país. Brasília, 2025. Disponível em: https://www.terra.com.br/mobilidade/transporte-rodoviario-ainda-responde-por-mais-de-60-da-carga-no-pais. Acesso em: 28 dez. 2025.
PGL BRASIL. O transporte rodoviário no Brasil e tendências no setor. 2025. Disponível em: https://pglbr.com.br/o-transporte-rodoviario-no-brasil-e-tendencias-no-setor/. Acesso em: 28 dez. 2025.
R. S. TRANSPORTES. 60% da carga no Brasil é transportada pelo modal rodoviário. s.l., s.d. Disponível em: https://www.rstransportes.com/blog/60-da-carga-no-brasil-e-transportada-pelo-modal-rodoviario/. Acesso em: 28 dez. 2025.
ASSOCIAÇÃO BRASILEIRA DE CONCESSIONÁRIAS DE RODOVIAS. Novos caminhos para concessões de rodovias no Brasil: Índice ABCR, o termômetro da economia. Brasília: Poder360, 2018. Disponível em: https://static.poder360.com.br/2018/09/abcr_relatorio_novos_caminhos-1.pdf. Acesso em: 28 dez. 2025.
ECONODADOS. Séries históricas do Índice ABCR (fluxo de veículos em praças pedagiadas – Brasil, Leves, Pesados, Total, 1999=100). 2025. Disponível em: https://web.macrodados.com/tabela.dll/in?pg=1&cod=818. Acesso em: 28 dez. 2025.
IMTRAFF. Modelos de projeção de variação de tráfego rodoviário a partir do Índice ABCR. São Paulo, 2021. Disponível em: https://www.imtraff.com.br/wp-content/uploads/2021/10/Artigo-Previsao-TAXA-DE-CRESCIMENTO-DE-TRAFEGO.pdf. Acesso em: 28 dez. 2025.
MATO GROSSO DO SUL. Secretaria de Estado de Governo e Gestão Estratégica. MODELAGEM TÉCNICA – Produto 1: estudos de tráfego. Campo Grande, 2025. Disponível em: https://www.epe.segov.ms.gov.br/wp-content/uploads/2025/01/Produto-1-Estudos-de-trafego-1.pdf. Acesso em: 28 dez. 2025.