Economia Regional em R: Indicadores de análise de especialização regional - \(QL\), \(CE\), \(KSI\), \(RDI\), \(DIV\), \(UBIQ\)

Abstract

This is an undergrad student level instruction for class use.

Licença

This work is licensed under the Creative Commons Attribution-ShareAlike 4.0 International License. To view a copy of this license, visit http://creativecommons.org/licenses/by-sa/4.0/ or send a letter to Creative Commons, PO Box 1866, Mountain View, CA 94042, USA.

License: CC BY-SA 4.0

Citação

Sugestão de citação: FIGUEIREDO, Adriano Marcos Rodrigues. Economia Regional em R: Indicadores de análise de especialização regional - \(QL\), \(CE\), \(KSI\), \(RDI\), \(DIV\), \(UBIQ\). Campo Grande-MS,Brasil: RStudio/Rpubs, 2020. (updated on Oct, 02nd, 2023) Disponível em http://rpubs.com/amrofi/regional_parte_2 e https://adrianofigueiredo.netlify.app/post/economia-regional-em-r-indicadores-de-analise-2/.

1 Introdução

Este material é uma sequência ao conteúdo da primeira parte disponível em Figueiredo (2020b). Na primeira parte foram apresentados os indicadores de desigualdade. Agora falaremos dos indicadores de especialização regional, conforme cita Monastério (2011). Outras leituras úteis além deste autor, são Coutinho (2017) e Figueiredo (2019c). Utilizaremos os pacotes REAT de Wieland (2019); e EconGeo de Balland (2017, 2019), além de algumas funções próprias. Um vídeo está disponível em https://youtu.be/iIu--ieBpLA (parte 1) e em https://youtu.be/FMXvy-Umwp0 (parte 2). Sugiro ver também a parte 3 em https://youtu.be/uAFoRrm7kJs.

2 Indicadores de Especialização Regional

O objetivo desses indicadores é resumir os padrões espaciais da atividade econômica, tentando compreender como um setor está distribuído em um local ou região, ou ainda, quais os locais mais importantes para um setor. Existem vários indicadores (\(QL\), \(CE\), \(KSI\), \(RDI\), \(DIV\), \(UBIQ\) entre outros) para uma mesma variável (por ex.: do nível de atividade, emprego, produção etc). É importante ressaltar a necessidade de se avaliar e compreender a organização dos dados nas planilhas e nas variáveis ou objetos em um software, de modo a realizar os procedimentos corretamente.

A ideia básica deste arquivo é orientar os procedimentos para o cálculo dos indicadores de análise regional a saber:

1. Quociente Locacional \(QL\)
   
2. Coeficiente de Especialização \(CE\)
   
3. Coeficiente de Especialização de Krugman \(KSI\)
   
4. Índice de Diversidade Regional \(RDI\)
   
5. Índice de Diversidade \(DIV\)
   
6. Índice de Ubiqüidade \(UBIQ\)

2.1 Organização dos dados

Para os próximos indicadores, necessita-se dos dados de emprego por setor em cada município de MS. Desta forma, chama-se a planilha já preparada com os dados da base de informações RAIS do Ministério do Trabalho e Emprego do Brasil (MTE). Um meio de obter tais informações eletronicamente é pelo pacote raisr. Outra forma é pela página da Secretaria do Trabalho do Ministério da Economia (antigo Ministério do Trabalho e Emprego - MTE) http://pdet.mte.gov.br/.

A RAIS possui os dados para o final de cada ano (dezembro), portanto, os saldos de empregados ocupados. A CAGED apresenta outro tipo de informação, a de ligados e desligados, invés do saldo de pessoas ocupadas. Utilizaremos os dados da RAIS por vínculos, por Divisão CNAE 2.0 e por município. Outras agregações podem ser testadas, a critério do usuário. O procedimento recomendado é baixar os dados primeiro, organizar e depois chamar a planilha consolidada para o site, só consegui essa extratificação para após 2006. Sugiro olhar o video ilustrativo em https://youtu.be/b93l_T3xhiA.

3 Quociente Locacional \(QL\)

O Quociente Locacional (QL) é uma medida que dá a informação de qual o setor mais representado no município (região de análise) quando comparado com o mesmo setor no estado (região de referência). Foi elaborado inicialmente por Haig (1928) e vem sendo muito utilizado em várias análises regionais e de localização industrial. Também chamado de Índice de Revealed Comparative Advantage (RCA – ou Vantagem comparativa revelada, VCR) seguindo Ballasa (1965), ou índice de Hoover-Balassa.

A expressão básica é:

\[ QL_{ki}=\left( {\frac{{\frac{{{E_{ki}}}}{E_i}}}{{\frac{{{E_k}}}{E}}}} \right) \] em que: \({E_{ki}}\) é o emprego no setor \(k\) na localidade de análise \(i\); \({E_i}\) é o emprego total na localidade de análise \(i\); \({E_k}\) é o emprego no setor \(k\) da localidade de referência; e \(E\) é o emprego total da localidade de referência. A ideia é saber se na localidade de análise, a proporção do emprego do setor é maior ou menor que esta proporção no local de referência. Assim, se o resultado for maior que hum \(\left( {QL_{ki}}\gt 1\right)\), então diz-se que a localidade de análise é relativamente mais especializada nesse setor que a localidade de refência. De outro lado, valores menores que a unidade \(\left( {QL_{ki}}\lt 1\right)\) indicam que a localidade analisada tem representação menor deste setor do que a representação deste na localidade de referência. A função REAT:::locq pode ser utilizada para realizar este cálculo de QL, mas só permite para um local e não para uma série. Desta forma, elaborou-se uma função QL para realizar o cálculo do setor e para todas as localidades de modo automatizado. Segue a função QL(e_ki, e_i, e_k, e) a ser utilizada, em que: e_ki é o emprego no setor \(k\) no município \(i\); e_i é o emprego total no município \(i\); e_k é o emprego no setor \(k\) do MS; e e é o emprego total do MS.

#chamar os dados para o QL, IHH, PR e ICN
#E<-sum(ei)  # ei é o emprego total da regiao i, E é o emprego total MS
#Ek<-sum(eki)   # Ek é o emprego total MS do setor k
QL <-
  function (e_ki, e_i, e_k, e) {
    
    #if (e_ki > e_i) { return (NA) }
    
    #if (e_k > e) { return (NA) }
    
    #if (e_i > e) { return (NA) }
    
    s_ki <- e_ki/e_i
    
    s_i <- e_k/e  
    
    LQ <- s_ki/s_i
    
    return(LQ)
  }
# chamar dados de emprego
library(readxl)
dadosemprego <- read_excel("emprego.xlsx", sheet = "2006")
#View(dadosemprego)
# attach(dadosemprego)

ei<-rowSums(as.matrix(dadosemprego[,2:88]))
E<-colSums (dadosemprego[,89], dims = 1)
ei<-dadosemprego[,89]  
# ei é o emprego total da regiao i, 
# E é o emprego total MS
# Ek é o emprego total MS do setor k
Ek<- t(colSums(dadosemprego[,2:88], dims = 1))

# teste - divisao 1
ql.ms<-QL(dadosemprego$`ADMINISTRAÇÃO PÚBLICA, DEFESA E SEGURIDADE SOCIAL`,
          ei, Ek[1,1], E)
ql.ms

# agora tentar automatizar para todas as colunas
# QL <- function (e_ki, e_i, e_k, e)
QL.MS.2006<-dadosemprego$Munic
for (k in 1:87){
    # retirando linha 80 e coluna 1
      dadosemp2<-dadosemprego[1:79,k+1]
      QL.2006<-QL(dadosemp2, ei, Ek[1,k], E)
      QL.MS.2006<-cbind(QL.MS.2006,QL.2006)
}
QL.MS.2006[,1:3] # pedi para sair apenas duas divisoes

O mesmo procedimento é mais facilmente obtido com uso do pacote EconGeo de Balland (2019). Outra opção é calcular no Excel. Maiores detalhes podem ser obtidos em Figueiredo (2020c) Agora vamos recalcular para 2006 e 2016, com dados da RAIS no mesmo formato.

• Para 2006:

library(EconGeo)
library(readxl)
dadosemprego <- read_excel("emprego.xlsx", sheet = "2006")
nomes <- read_excel("emprego.xlsx", sheet = "nomes")
mat_0 <- as.matrix(dadosemprego[1:79, 2:88])  # 2006
rownames(mat_0) <- (dadosemprego$Munic)
class(mat_0) <- "numeric"
# considerando T0 para 20006 e T1 para 2016
QL_T0 <- EconGeo::rca(mat_0)
QL_T0 <- cbind(nomes, QL_T0)
# salvar data.frames para csv com write.csv() ou para excel
# writexl::write_xlsx(QL_T0,'qlms2006.xlsx')

• Para 2016:

require(EconGeo)
library(readxl)
dadosemprego_1 <- read_excel("emprego.xlsx", sheet = "2016")
mat_1 <- as.matrix(dadosemprego_1[1:79, 2:88])  # 2016
rownames(mat_1) <- (dadosemprego_1$Munic)
class(mat_1) <- "numeric"
# considerando T0 para 20006 e T1 para 2016
QL_T1 <- EconGeo::rca(mat_1)
QL_T1 <- cbind(nomes, QL_T1)
# salvar data.frames para csv com write.csv() ou para excel
# writexl::write_xlsx(QL_T1,'qlms2016.xlsx')

3.1 Mapa de QL para 2016

Para ver como elaborar mapas, ver Figueiredo (2019a;2020a). Utilizarei o pacote geobr para obter os arquivos básicos de mapas (shapes). Posso verificar que para MS, especificarei 50 e para o ano de 2016. Posso baixar os dados (shapes) para os municípios de Mato Grosso do Sul fazendo uso da função read_municipality(code_muni=50, year=2016) em:

library(geobr)
options(timeout = 4e+06)
all_mun_ms <- read_municipality(code_muni = 50, year = 2016)

Downloading: 2 kB     
Downloading: 2 kB     
Downloading: 10 kB     
Downloading: 10 kB     
Downloading: 18 kB     
Downloading: 18 kB     
Downloading: 26 kB     
Downloading: 26 kB     
Downloading: 26 kB     
Downloading: 26 kB     
Downloading: 34 kB     
Downloading: 34 kB     
Downloading: 43 kB     
Downloading: 43 kB     
Downloading: 51 kB     
Downloading: 51 kB     
Downloading: 59 kB     
Downloading: 59 kB     
Downloading: 59 kB     
Downloading: 59 kB     
Downloading: 67 kB     
Downloading: 67 kB     
Downloading: 67 kB     
Downloading: 67 kB     
Downloading: 67 kB     
Downloading: 67 kB     
Downloading: 75 kB     
Downloading: 75 kB     
Downloading: 75 kB     
Downloading: 75 kB     
Downloading: 83 kB     
Downloading: 83 kB     
Downloading: 91 kB     
Downloading: 91 kB     
Downloading: 99 kB     
Downloading: 99 kB     
Downloading: 110 kB     
Downloading: 110 kB     
Downloading: 110 kB     
Downloading: 110 kB     
Downloading: 120 kB     
Downloading: 120 kB     
Downloading: 120 kB     
Downloading: 120 kB     
Downloading: 130 kB     
Downloading: 130 kB     
Downloading: 140 kB     
Downloading: 140 kB     
Downloading: 150 kB     
Downloading: 150 kB     
Downloading: 160 kB     
Downloading: 160 kB     
Downloading: 160 kB     
Downloading: 160 kB     
Downloading: 170 kB     
Downloading: 170 kB     
Downloading: 180 kB     
Downloading: 180 kB     
Downloading: 190 kB     
Downloading: 190 kB     
Downloading: 200 kB     
Downloading: 200 kB     
Downloading: 200 kB     
Downloading: 200 kB     
Downloading: 220 kB     
Downloading: 220 kB     
Downloading: 220 kB     
Downloading: 220 kB     
Downloading: 230 kB     
Downloading: 230 kB     
Downloading: 240 kB     
Downloading: 240 kB     
Downloading: 240 kB     
Downloading: 240 kB     
Downloading: 250 kB     
Downloading: 250 kB     
Downloading: 260 kB     
Downloading: 260 kB     
Downloading: 270 kB     
Downloading: 270 kB     
Downloading: 280 kB     
Downloading: 280 kB     
Downloading: 290 kB     
Downloading: 290 kB     
Downloading: 300 kB     
Downloading: 300 kB     
Downloading: 300 kB     
Downloading: 300 kB     
Downloading: 310 kB     
Downloading: 310 kB     
Downloading: 330 kB     
Downloading: 330 kB     
Downloading: 330 kB     
Downloading: 330 kB     
Downloading: 340 kB     
Downloading: 340 kB     
Downloading: 360 kB     
Downloading: 360 kB     
Downloading: 360 kB     
Downloading: 360 kB     
Downloading: 370 kB     
Downloading: 370 kB     
Downloading: 380 kB     
Downloading: 380 kB     
Downloading: 390 kB     
Downloading: 390 kB     
Downloading: 400 kB     
Downloading: 400 kB     
Downloading: 410 kB     
Downloading: 410 kB     
Downloading: 410 kB     
Downloading: 410 kB     
Downloading: 430 kB     
Downloading: 430 kB     
Downloading: 440 kB     
Downloading: 440 kB     
Downloading: 450 kB     
Downloading: 450 kB     
Downloading: 460 kB     
Downloading: 460 kB     
Downloading: 470 kB     
Downloading: 470 kB     
Downloading: 480 kB     
Downloading: 480 kB     
Downloading: 490 kB     
Downloading: 490 kB     
Downloading: 500 kB     
Downloading: 500 kB     
Downloading: 510 kB     
Downloading: 510 kB     
Downloading: 530 kB     
Downloading: 530 kB     
Downloading: 540 kB     
Downloading: 540 kB     
Downloading: 540 kB     
Downloading: 540 kB     
Downloading: 550 kB     
Downloading: 550 kB     
Downloading: 550 kB     
Downloading: 550 kB     

Agora vou construir uma variável para ser plotada no mapa. Farei com o QL da divisão ‘Agricultura, pecuária e serviços relacionados’, 2016, a qual foi colocada dentro do objeto QL_T1_AGR. Preciso ter os meus dados em uma planilha em que uma das colunas será o código do município da mesma forma que consta em code_muni no objeto all_mun_ms. Recomendo fazer a associação entre os dados por meio do código, menos sujeito a erros de digitação que para os nomes dos municípios. Juntarei os datasets pela condição de que o code_muni do objeto all_mun_ms é igual ao code_muni do objeto QL_T1 todo.

library(dplyr)
library(ggplot2)
library(sf)
QL_T1_AGR <- QL_T1$`AGRICULTURA, PECUÁRIA E SERVIÇOS RELACIONADOS`
dataset_T1 = left_join(all_mun_ms, QL_T1, by = c(code_muni = "code_muni"))
max(dataset_T1$`AGRICULTURA, PECUÁRIA E SERVIÇOS RELACIONADOS`)

[1] 6.14

min(dataset_T1$`AGRICULTURA, PECUÁRIA E SERVIÇOS RELACIONADOS`)

[1] 0.05

No mapa abaixo tem-se o QL da divisão Agricultura, pecuária e serviços relacionados em 2016, para Mato Grosso do Sul. É possível identificar que dez (10) entre os 79 municípios têm QL menores que 1 (\(QL\lt1\)). São eles: Campo Grande, Dourados, Três Lagoas, Coronel Sapucaia, Mundo Novo, Ladário, Bataguassu, Japorã, Angélica, Fátima do Sul.

library(ggplot2)
library("ggspatial")
ggplot() + geom_sf(data = dataset_T1, aes(fill = `AGRICULTURA, PECUÁRIA E SERVIÇOS RELACIONADOS`),
    color = "black", size = 0.15) + labs(title = "QL 2016 dos Municípios de MS para AGRIC",
    caption = "Fonte: Elaboração própria", size = 8) + scale_fill_distiller(palette = "RdGy",
    limits = c(0, 7), name = "QL_T1") + theme_minimal() + annotation_north_arrow(location = "bl",
    which_north = "true", pad_x = unit(0.65, "in"), pad_y = unit(0.3, "in"), style = north_arrow_fancy_orienteering) +
    annotation_scale(location = "bl", width_hint = 0.3)

4 Coeficiente de Especialização \(CE\)

O Coeficiente de especialização (\(CE\)) de Hoover e Giarratani (1984) faz uma análise alternativa ao indicador de quociente locacional, também para avaliar se o local é especializado em determinada atividade comparativamente ao local de referência. Para seu cálculo, recomenda-se utilizar os dados de emprego de cada local para cada setor, e comparar com os mesmos dados da economia de referência. Utiliza-se aqui a mesma notação utilizada no \(QL\), para a expressão de \(CE\) para a localidade \(i\):

\[ C{E_i} = \frac{1}{2}\sum\limits_k {\left| {\frac{{{E_{ki}}}}{{{E_i}}} - \frac{{{E_k}}}{E}} \right|} \]

em que: \({E_{ki}}\) é o emprego no setor \(k\) na localidade de análise \(i\); \({E_i}\) é o emprego total na localidade de análise \(i\); \({E_k}\) é o emprego no setor \(k\) da localidade de referência; e \(E\) é o emprego total da localidade de referência.

Valores próximos de zero (\(\left( {CE_{i}}= 0\right)\)) indicam que o local \(i\) tem estrutura no mesmo padrão de especialização que a localidade de referência. De forma oposta, valores próximos a hum (\(\left( {CE_{i}}= 1\right)\)) indicam que o local \(i\) tem padrão de especialização completamente diferente da localidade de referência.

O chunk abaixo é para um setor. É preciso fazer para cada setor e depois somar para todos os setores. Isto será finalizado, portanto, após o outro chunk.

# para um setor E<-sum(ei) # ei é o emprego total da regiao i, E é o emprego
# total MS Ek<-sum(eki) # Ek é o emprego total MS do setor k
CE <- function(e_ki, e_i, e_k, e) {

    s_ki <- e_ki/e_i

    s_i <- e_k/e

    CEH <- 0.5 * abs(s_ki - s_i)  # está fazendo para um setor apenas

    return(CEH)

}
# chamar dados de emprego 2006

# dadosemprego <- read_excel('emprego.xlsx', sheet = '2006') View(dadosemprego)
# attach(dadosemprego) ei é o emprego total da regiao i
# ei<-rowSums(as.matrix(dadosemprego[,2:88])) # mas já coloquei o total geral
# no xlsx E é o emprego total MS
E <- colSums(dadosemprego[, 89], dims = 1)
ei <- dadosemprego[, 89]

# Ek é o emprego total MS do setor k
Ek <- t(colSums(dadosemprego[, 2:88], dims = 1))

# teste - divisao 1
ce.ms <- CE(dadosemprego$`ADMINISTRAÇÃO PÚBLICA, DEFESA E SEGURIDADE SOCIAL`,
    ei, Ek[1, 1], E)

Agora tentar automatizar para todas as colunas e ano de 2006. Reforço: o chunk acima é para um setor. É preciso fazer para cada setor e depois somar para todos os setores.

# agora tentar automatizar para todas as colunas e 2006 CE <- function (e_ki,
# e_i, e_k, e) QL <- function (e_ki, e_i, e_k, e)
CE.MS.2006 <- dadosemprego$Munic
for (k in 1:87) {
    # retirando linha 80 e coluna 1
    dadosemp2 <- dadosemprego[1:79, k + 1]

    # CE.2006<- apply(X=dadosemp2,MARGIN=2,FUN = QL,e_i=ei, e_k=Ek,e=E)
    CE.2006 <- CE(dadosemp2, ei, Ek[1, k], E)
    CE.MS.2006 <- cbind(CE.MS.2006, CE.2006)
}

CE_2006 <- round(rowSums(as.matrix(CE.MS.2006[, 2:88])), 4)
knitr::kable(CE_2006)

x
0.5157
0.5281
0.2452
0.3631
0.4226
0.4149
0.4833
0.3902
0.2356
0.4353
0.4465
0.4633
0.4341
0.3185
0.4322
0.3610
0.4321
0.3546
0.3997
0.1980
0.5116
0.2489
0.3602
0.4838
0.4493
0.2015
0.3806
0.3230
0.3234
0.4646
0.4997
0.2716
0.3361
0.2716
0.5189
0.2711
0.3042
0.3278
0.4082
0.3429
0.3266
0.2318
0.5609
0.4333
0.1997
0.5741
0.4683
0.6327
0.4610
0.3264
0.3223
0.3229
0.3700
0.3863
0.3993
0.3295
0.3888
NaN
0.2850
0.4824
0.3832
0.1591
0.4547
0.6003
0.4698
0.4428
0.3506
0.4689
0.5405
0.3259
0.4811
0.3282
0.4209
0.6030
0.4890
0.5084
0.4439
0.2918
0.4185

Esta rotina pode ser resumida fazendo o uso do pacote EconGeo, e a função spec.coeff. Ela utiliza uma matriz contendo os dados no formato abaixo, em que \((I1,I2,I3)\) são as indústrias ou setores, para os municípios \((R1,R2,R3)\).

municipio	I1	I2	I3
R1	100	150	165
R2	130	400	220
R3	200	1200	20

• Para 2006, usando a matriz mat_0, criada anteriormente: :

# Coeficiente de especialização de Hoover pelo EconGeo retorna exatamente o
# coeficiente (CE) visto anteriormente
library(EconGeo)
## gerar a matriz industrial da região, para T0=2006 para a matriz mat_0 criada
## anteriormente run the function
CE_T0 <- as.data.frame(round(spec_coeff(mat_0), digits = 4))
CE_T0 <- cbind(nomes, CE_T0)
colnames(CE_T0) <- c("code_muni", "nomemun", "CE_T0")
# salvar data.frames para csv com write.csv() ou para excel
# writexl::write_xlsx(CE_T0,'cems2006.xlsx')
knitr::kable(CE_T0)

	code_muni	nomemun	CE_T0
MS-AGUA CLARA	5000203	Água Clara - MS	0.5157
MS-ALCINOPOLIS	5000252	Alcinópolis - MS	0.5281
MS-AMAMBAI	5000609	Amambai - MS	0.2452
MS-ANASTACIO	5000708	Anastácio - MS	0.3631
MS-ANAURILANDIA	5000807	Anaurilândia - MS	0.4226
MS-ANGELICA	5000856	Angélica - MS	0.4149
MS-ANTONIO JOAO	5000906	Antônio João - MS	0.4833
MS-APARECIDA DO TABOADO	5001003	Aparecida do Taboado - MS	0.3902
MS-AQUIDAUANA	5001102	Aquidauana - MS	0.2356
MS-ARAL MOREIRA	5001243	Aral Moreira - MS	0.4353
MS-BANDEIRANTES	5001508	Bandeirantes - MS	0.4465
MS-BATAGUASSU	5001904	Bataguassu - MS	0.4633
MS-BATAYPORA	5002001	Batayporã - MS	0.4341
MS-BELA VISTA	5002100	Bela Vista - MS	0.3185
MS-BODOQUENA	5002159	Bodoquena - MS	0.4322
MS-BONITO	5002209	Bonito - MS	0.3610
MS-BRASILANDIA	5002308	Brasilândia - MS	0.4321
MS-CAARAPO	5002407	Caarapó - MS	0.3546
MS-CAMAPUA	5002605	Camapuã - MS	0.3997
MS-CAMPO GRANDE	5002704	Campo Grande - MS	0.1980
MS-CARACOL	5002803	Caracol - MS	0.5116
MS-CASSILANDIA	5002902	Cassilândia - MS	0.2489
MS-CHAPADAO DO SUL	5002951	Chapadão do Sul - MS	0.3602
MS-CORGUINHO	5003108	Corguinho - MS	0.4838
MS-CORONEL SAPUCAIA	5003157	Coronel Sapucaia - MS	0.4493
MS-CORUMBA	5003207	Corumbá - MS	0.2015
MS-COSTA RICA	5003256	Costa Rica - MS	0.3806
MS-COXIM	5003306	Coxim - MS	0.3230
MS-DEODAPOLIS	5003454	Deodápolis - MS	0.3234
MS-DOIS IRMAOS DO BURITI	5003488	Dois Irmãos do Buriti - MS	0.4646
MS-DOURADINA	5003504	Douradina - MS	0.4997
MS-DOURADOS	5003702	Dourados - MS	0.2716
MS-ELDORADO	5003751	Eldorado - MS	0.3361
MS-FATIMA DO SUL	5003801	Fátima do Sul - MS	0.2716
MS-FIGUEIRAO	5003900	Figueirão - MS	0.5189
MS-GLORIA DE DOURADOS	5004007	Glória de Dourados - MS	0.2711
MS-GUIA LOPES DA LAGUNA	5004106	Guia Lopes da Laguna - MS	0.3042
MS-IGUATEMI	5004304	Iguatemi - MS	0.3278
MS-INOCENCIA	5004403	Inocência - MS	0.4082
MS-ITAPORA	5004502	Itaporã - MS	0.3429
MS-ITAQUIRAI	5004601	Itaquiraí - MS	0.3266
MS-IVINHEMA	5004700	Ivinhema - MS	0.2318
MS-JAPORA	5004809	Japorã - MS	0.5609
MS-JARAGUARI	5004908	Jaraguari - MS	0.4333
MS-JARDIM	5005004	Jardim - MS	0.1997
MS-JATEI	5005103	Jateí - MS	0.5741
MS-JUTI	5005152	Juti - MS	0.4683
MS-LADARIO	5005202	Ladário - MS	0.6327
MS-LAGUNA CARAPA	5005251	Laguna Carapã - MS	0.4610
MS-MARACAJU	5005400	Maracaju - MS	0.3264
MS-MIRANDA	5005608	Miranda - MS	0.3223
MS-MUNDO NOVO	5005681	Mundo Novo - MS	0.3229
MS-NAVIRAI	5005707	Naviraí - MS	0.3700
MS-NIOAQUE	5005806	Nioaque - MS	0.3863
MS-NOVA ALVORADA DO SUL	5006002	Nova Alvorada do Sul - MS	0.3993
MS-NOVA ANDRADINA	5006200	Nova Andradina - MS	0.3295
MS-NOVO HORIZONTE DO SUL	5006259	Novo Horizonte do Sul - MS	0.3888
MS-PARAISO DAS AGUAS	5006275	Paraíso das Águas - MS	NaN
MS-PARANAIBA	5006309	Paranaíba - MS	0.2850
MS-PARANHOS	5006358	Paranhos - MS	0.4824
MS-PEDRO GOMES	5006408	Pedro Gomes - MS	0.3832
MS-PONTA PORA	5006606	Ponta Porã - MS	0.1591
MS-PORTO MURTINHO	5006903	Porto Murtinho - MS	0.4547
MS-RIBAS DO RIO PARDO	5007109	Ribas do Rio Pardo - MS	0.6003
MS-RIO BRILHANTE	5007208	Rio Brilhante - MS	0.4698
MS-RIO NEGRO	5007307	Rio Negro - MS	0.4428
MS-RIO VERDE DE MATO GROSSO	5007406	Rio Verde de Mato Grosso - MS	0.3506
MS-ROCHEDO	5007505	Rochedo - MS	0.4689
MS-SANTA RITA DO PARDO	5007554	Santa Rita do Pardo - MS	0.5405
MS-SAO GABRIEL DO OESTE	5007695	São Gabriel do Oeste - MS	0.3259
MS-SELVIRIA	5007802	Selvíria - MS	0.4811
MS-SETE QUEDAS	5007703	Sete Quedas - MS	0.3282
MS-SIDROLANDIA	5007901	Sidrolândia - MS	0.4209
MS-SONORA	5007935	Sonora - MS	0.6030
MS-TACURU	5007950	Tacuru - MS	0.4890
MS-TAQUARUSSU	5007976	Taquarussu - MS	0.5084
MS-TERENOS	5008008	Terenos - MS	0.4439
MS-TRES LAGOAS	5008305	Três Lagoas - MS	0.2918
MS-VICENTINA	5008404	Vicentina - MS	0.4185

• Para 2016, usando a matriz mat_1, criada anteriormente:

require(EconGeo)
library(readxl)
# considerando T0 para 20006 e T1 para 2016
CE_T1 <- as.data.frame(round(spec_coeff(mat_1), digits = 4))
CE_T1 <- cbind(nomes, CE_T1)
colnames(CE_T1) <- c("code_muni", "nomemun", "CE_T1")
# salvar data.frames para csv com write.csv() ou para excel
# writexl::write_xlsx(CE_T1,'cems2016.xlsx')
knitr::kable(CE_T1)

	code_muni	nomemun	CE_T1
MS-AGUA CLARA	5000203	Água Clara - MS	0.5772
MS-ALCINOPOLIS	5000252	Alcinópolis - MS	0.5627
MS-AMAMBAI	5000609	Amambai - MS	0.2312
MS-ANASTACIO	5000708	Anastácio - MS	0.4615
MS-ANAURILANDIA	5000807	Anaurilândia - MS	0.4398
MS-ANGELICA	5000856	Angélica - MS	0.7682
MS-ANTONIO JOAO	5000906	Antônio João - MS	0.5212
MS-APARECIDA DO TABOADO	5001003	Aparecida do Taboado - MS	0.4393
MS-AQUIDAUANA	5001102	Aquidauana - MS	0.2811
MS-ARAL MOREIRA	5001243	Aral Moreira - MS	0.4744
MS-BANDEIRANTES	5001508	Bandeirantes - MS	0.4282
MS-BATAGUASSU	5001904	Bataguassu - MS	0.4141
MS-BATAYPORA	5002001	Batayporã - MS	0.3852
MS-BELA VISTA	5002100	Bela Vista - MS	0.3901
MS-BODOQUENA	5002159	Bodoquena - MS	0.4941
MS-BONITO	5002209	Bonito - MS	0.4008
MS-BRASILANDIA	5002308	Brasilândia - MS	0.4639
MS-CAARAPO	5002407	Caarapó - MS	0.3579
MS-CAMAPUA	5002605	Camapuã - MS	0.3499
MS-CAMPO GRANDE	5002704	Campo Grande - MS	0.1900
MS-CARACOL	5002803	Caracol - MS	0.5811
MS-CASSILANDIA	5002902	Cassilândia - MS	0.2847
MS-CHAPADAO DO SUL	5002951	Chapadão do Sul - MS	0.3367
MS-CORGUINHO	5003108	Corguinho - MS	0.5722
MS-CORONEL SAPUCAIA	5003157	Coronel Sapucaia - MS	0.4153
MS-CORUMBA	5003207	Corumbá - MS	0.2426
MS-COSTA RICA	5003256	Costa Rica - MS	0.4267
MS-COXIM	5003306	Coxim - MS	0.2797
MS-DEODAPOLIS	5003454	Deodápolis - MS	0.3323
MS-DOIS IRMAOS DO BURITI	5003488	Dois Irmãos do Buriti - MS	0.4934
MS-DOURADINA	5003504	Douradina - MS	0.4316
MS-DOURADOS	5003702	Dourados - MS	0.2656
MS-ELDORADO	5003751	Eldorado - MS	0.2798
MS-FATIMA DO SUL	5003801	Fátima do Sul - MS	0.3251
MS-FIGUEIRAO	5003900	Figueirão - MS	0.5640
MS-GLORIA DE DOURADOS	5004007	Glória de Dourados - MS	0.3027
MS-GUIA LOPES DA LAGUNA	5004106	Guia Lopes da Laguna - MS	0.3983
MS-IGUATEMI	5004304	Iguatemi - MS	0.3286
MS-INOCENCIA	5004403	Inocência - MS	0.4468
MS-ITAPORA	5004502	Itaporã - MS	0.3832
MS-ITAQUIRAI	5004601	Itaquiraí - MS	0.4548
MS-IVINHEMA	5004700	Ivinhema - MS	0.2763
MS-JAPORA	5004809	Japorã - MS	0.6395
MS-JARAGUARI	5004908	Jaraguari - MS	0.5064
MS-JARDIM	5005004	Jardim - MS	0.2479
MS-JATEI	5005103	Jateí - MS	0.6099
MS-JUTI	5005152	Juti - MS	0.4653
MS-LADARIO	5005202	Ladário - MS	0.6171
MS-LAGUNA CARAPA	5005251	Laguna Carapã - MS	0.5526
MS-MARACAJU	5005400	Maracaju - MS	0.2785
MS-MIRANDA	5005608	Miranda - MS	0.3785
MS-MUNDO NOVO	5005681	Mundo Novo - MS	0.3125
MS-NAVIRAI	5005707	Naviraí - MS	0.2198
MS-NIOAQUE	5005806	Nioaque - MS	0.4310
MS-NOVA ALVORADA DO SUL	5006002	Nova Alvorada do Sul - MS	0.4490
MS-NOVA ANDRADINA	5006200	Nova Andradina - MS	0.2381
MS-NOVO HORIZONTE DO SUL	5006259	Novo Horizonte do Sul - MS	0.3679
MS-PARAISO DAS AGUAS	5006275	Paraíso das Águas - MS	0.5354
MS-PARANAIBA	5006309	Paranaíba - MS	0.3131
MS-PARANHOS	5006358	Paranhos - MS	0.4944
MS-PEDRO GOMES	5006408	Pedro Gomes - MS	0.4372
MS-PONTA PORA	5006606	Ponta Porã - MS	0.1949
MS-PORTO MURTINHO	5006903	Porto Murtinho - MS	0.5528
MS-RIBAS DO RIO PARDO	5007109	Ribas do Rio Pardo - MS	0.5936
MS-RIO BRILHANTE	5007208	Rio Brilhante - MS	0.4358
MS-RIO NEGRO	5007307	Rio Negro - MS	0.4569
MS-RIO VERDE DE MATO GROSSO	5007406	Rio Verde de Mato Grosso - MS	0.3518
MS-ROCHEDO	5007505	Rochedo - MS	0.5224
MS-SANTA RITA DO PARDO	5007554	Santa Rita do Pardo - MS	0.5895
MS-SAO GABRIEL DO OESTE	5007695	São Gabriel do Oeste - MS	0.3440
MS-SELVIRIA	5007802	Selvíria - MS	0.5973
MS-SETE QUEDAS	5007703	Sete Quedas - MS	0.3571
MS-SIDROLANDIA	5007901	Sidrolândia - MS	0.3364
MS-SONORA	5007935	Sonora - MS	0.4980
MS-TACURU	5007950	Tacuru - MS	0.4703
MS-TAQUARUSSU	5007976	Taquarussu - MS	0.6074
MS-TERENOS	5008008	Terenos - MS	0.4552
MS-TRES LAGOAS	5008305	Três Lagoas - MS	0.3702
MS-VICENTINA	5008404	Vicentina - MS	0.5127

Os resultados por essa rotina são exatamente os mesmos daqueles obtidos pela função do for-loop dos setores.

4.1 Mapa de CE para 2016

Agora vou construir o mapa para CE de 2016. Farei nova junção dos datasets pela condição de que o code_muni do objeto all_mun_ms é igual ao code_muni do objeto CE_T1 todo.

require(dplyr)
require(ggplot2)
require(sf)
dataset_CET1 = left_join(all_mun_ms, CE_T1, by = c(code_muni = "code_muni"))
max(dataset_CET1$CE_T1)

[1] 0.7682

min(dataset_CET1$CE_T1)

[1] 0.19

Portanto, o mapa pode ser feito conforme abaixo:

library(ggplot2)
library("ggspatial")
ggplot() + geom_sf(data = dataset_CET1, aes(fill = CE_T1), color = "black", size = 0.15) +
    labs(title = "CE 2016 dos Municípios de MS", caption = "Fonte: Elaboração própria",
        size = 8) + scale_fill_distiller(palette = "RdGy", limits = c(0.1, 0.8),
    name = "CE_T1") + theme_minimal() + annotation_north_arrow(location = "bl", which_north = "true",
    pad_x = unit(0.65, "in"), pad_y = unit(0.3, "in"), style = north_arrow_fancy_orienteering) +
    annotation_scale(location = "bl", width_hint = 0.3)

Assim, como exposto anteriormente, valores próximos de zero (\(\left( {CE_{i}}= 0\right)\)) indicam que o local \(i\) tem estrutura no mesmo padrão de especialização que a localidade de referência. De forma oposta, valores próximos a hum (\(\left( {CE_{i}}= 1\right)\)) indicam que o local \(i\) tem padrão de especialização completamente diferente da localidade de referência, neste caso, Angélica com 0.7682, o mais próximo de 1. Como era de esperar, os municípios mais populosos e com maiores economias estão mais próximos da referência que foi o estado de MS.

5 Coeficiente de Especialização de Krugman \(KSI\)

Baseado em Krugman (1991), esse indicador remete ao índice de Florence (1948) para comparações entre economias; neste caso, faz-se o município i e o estado j pela expressão:

\[ KS{I_{ij}} = \sum\limits_k {\left| {\frac{{{E_{ki}}}}{{{E_i}}} - \frac{{{E_{kj}}}}{{{E_j}}}} \right|} \] com \(0 \le KSI \le 2\) em que: \({E_{ki}}\) é o emprego no setor \(k\) na localidade de análise \(i\); \({E_i}\) é o emprego total na localidade de análise \(i\); \({E_k}\) é o emprego no setor \(k\) da localidade de referência \(j\); e \(E\) é o emprego total da localidade de referência \(j\).
Valores próximos de zero (\(\left( {KSI_{ij}}= 0\right)\)) indicam que o local \(i\) tem estrutura no mesmo padrão de especialização que a localidade de referência. De forma oposta, valores próximos a dois (\(\left( {KSI_{ij}}= 2\right)\)) indicam que o local \(i\) tem padrão de especialização completamente diferente da localidade de referência. Se dividido por 2, indica o mesmo que o \(CE_i\), ou o quanto da estrutura produtiva de uma localidade teria que ser modificada para ficar semelhante à de referência.

Para usar o pacote REAT, e a função krugman.spec, os dados devem estar no formato:

setor	municipio	estado
A	100	150
B	130	400
C	200	1200

Neste caso, o comando será krugman.spec(e_ij, e_il) sendo: e_ij <- um vetor numérico com o emprego dos setores i na região j; e_il <- um vetor numérico com o emprego dos setores i na região l.

require(REAT)
# os dados emprego estao com setores nas colunas e municipios nas linhas farei
# para campo grande e 2006
cg <- t(dadosemprego[20, 2:88])
KSI.ms <- krugman.spec(cg, Ek)
KSI.ms

[1] 0.3959924

# [1] 0.3959924 === dobro do CE!!!

# Calcularei agora para dourados
dour <- t(dadosemprego[32, 2:88])
KSId.ms <- krugman.spec(dour, Ek)
KSId.ms

[1] 0.5432039

# [1] 0.5432039 === dobro do CE!!!

Agora, faz-se o mesmo cálculo de KSI para o conjunto de municípios de MS em 2006 com uso do pacote EconGeo e da função Krugman.index. Será necessário criar uma matriz com os dados desejados, no mesmo formato daquele utilizado para CE, ou seja:

Ela utiliza uma matriz contendo os dados no formato abaixo, em que \((I1,I2,I3)\) são as indústrias ou setores, para os municípios \((R1,R2,R3)\).

municipio	I1	I2	I3
R1	100	150	165
R2	130	400	220
R3	200	1200	20

# Coeficiente de especialização de Krugman pelo EconGeo
library(EconGeo)
# gerar a matriz industrial da região, para 2006 = mat_0, e para 2016 mat_1
KSI_T0 <- krugman_index(mat_0)
KSI_T1 <- krugman_index(mat_1)
KSI_T01 <- cbind(nomes, KSI_T0, KSI_T1)
knitr::kable(cbind(nomes, KSI_T0, KSI_T1), caption = "Coeficiente de especialização de Krugman em T0 e T1")

Coeficiente de especialização de Krugman em T0 e T1

	code_muni	nomemun	KSI_T0	KSI_T1
MS-AGUA CLARA	5000203	Água Clara - MS	1.0313222	1.1543561
MS-ALCINOPOLIS	5000252	Alcinópolis - MS	1.0562063	1.1253919
MS-AMAMBAI	5000609	Amambai - MS	0.4904486	0.4624966
MS-ANASTACIO	5000708	Anastácio - MS	0.7261549	0.9230223
MS-ANAURILANDIA	5000807	Anaurilândia - MS	0.8452346	0.8796183
MS-ANGELICA	5000856	Angélica - MS	0.8297766	1.5364524
MS-ANTONIO JOAO	5000906	Antônio João - MS	0.9666254	1.0424955
MS-APARECIDA DO TABOADO	5001003	Aparecida do Taboado - MS	0.7804670	0.8786323
MS-AQUIDAUANA	5001102	Aquidauana - MS	0.4712909	0.5621851
MS-ARAL MOREIRA	5001243	Aral Moreira - MS	0.8705765	0.9487009
MS-BANDEIRANTES	5001508	Bandeirantes - MS	0.8929240	0.8564239
MS-BATAGUASSU	5001904	Bataguassu - MS	0.9266342	0.8281359
MS-BATAYPORA	5002001	Batayporã - MS	0.8682910	0.7703697
MS-BELA VISTA	5002100	Bela Vista - MS	0.6370031	0.7802729
MS-BODOQUENA	5002159	Bodoquena - MS	0.8643566	0.9882960
MS-BONITO	5002209	Bonito - MS	0.7220436	0.8016098
MS-BRASILANDIA	5002308	Brasilândia - MS	0.8642086	0.9277429
MS-CAARAPO	5002407	Caarapó - MS	0.7092388	0.7158063
MS-CAMAPUA	5002605	Camapuã - MS	0.7994545	0.6997279
MS-CAMPO GRANDE	5002704	Campo Grande - MS	0.3959924	0.3799177
MS-CARACOL	5002803	Caracol - MS	1.0232159	1.1622012
MS-CASSILANDIA	5002902	Cassilândia - MS	0.4978322	0.5693333
MS-CHAPADAO DO SUL	5002951	Chapadão do Sul - MS	0.7204502	0.6733940
MS-CORGUINHO	5003108	Corguinho - MS	0.9675966	1.1443231
MS-CORONEL SAPUCAIA	5003157	Coronel Sapucaia - MS	0.8985673	0.8306262
MS-CORUMBA	5003207	Corumbá - MS	0.4029731	0.4852717
MS-COSTA RICA	5003256	Costa Rica - MS	0.7611764	0.8534383
MS-COXIM	5003306	Coxim - MS	0.6460918	0.5594908
MS-DEODAPOLIS	5003454	Deodápolis - MS	0.6467780	0.6645952
MS-DOIS IRMAOS DO BURITI	5003488	Dois Irmãos do Buriti - MS	0.9292158	0.9868331
MS-DOURADINA	5003504	Douradina - MS	0.9994499	0.8631833
MS-DOURADOS	5003702	Dourados - MS	0.5432039	0.5312308
MS-ELDORADO	5003751	Eldorado - MS	0.6721290	0.5596350
MS-FATIMA DO SUL	5003801	Fátima do Sul - MS	0.5432597	0.6501354
MS-FIGUEIRAO	5003900	Figueirão - MS	1.0378348	1.1279033
MS-GLORIA DE DOURADOS	5004007	Glória de Dourados - MS	0.5421902	0.6054133
MS-GUIA LOPES DA LAGUNA	5004106	Guia Lopes da Laguna - MS	0.6083970	0.7965077
MS-IGUATEMI	5004304	Iguatemi - MS	0.6556439	0.6572727
MS-INOCENCIA	5004403	Inocência - MS	0.8164594	0.8935795
MS-ITAPORA	5004502	Itaporã - MS	0.6858674	0.7664833
MS-ITAQUIRAI	5004601	Itaquiraí - MS	0.6531748	0.9096394
MS-IVINHEMA	5004700	Ivinhema - MS	0.4635360	0.5525029
MS-JAPORA	5004809	Japorã - MS	1.1217321	1.2789420
MS-JARAGUARI	5004908	Jaraguari - MS	0.8666906	1.0127292
MS-JARDIM	5005004	Jardim - MS	0.3993669	0.4958605
MS-JATEI	5005103	Jateí - MS	1.1481365	1.2197530
MS-JUTI	5005152	Juti - MS	0.9366298	0.9305649
MS-LADARIO	5005202	Ladário - MS	1.2653805	1.2342415
MS-LAGUNA CARAPA	5005251	Laguna Carapã - MS	0.9219031	1.1052264
MS-MARACAJU	5005400	Maracaju - MS	0.6528928	0.5569020
MS-MIRANDA	5005608	Miranda - MS	0.6445548	0.7570080
MS-MUNDO NOVO	5005681	Mundo Novo - MS	0.6457141	0.6249333
MS-NAVIRAI	5005707	Naviraí - MS	0.7400071	0.4396763
MS-NIOAQUE	5005806	Nioaque - MS	0.7726893	0.8620759
MS-NOVA ALVORADA DO SUL	5006002	Nova Alvorada do Sul - MS	0.7985827	0.8979549
MS-NOVA ANDRADINA	5006200	Nova Andradina - MS	0.6589728	0.4761331
MS-NOVO HORIZONTE DO SUL	5006259	Novo Horizonte do Sul - MS	0.7776049	0.7358660
MS-PARAISO DAS AGUAS	5006275	Paraíso das Águas - MS	NaN	1.0707292
MS-PARANAIBA	5006309	Paranaíba - MS	0.5700864	0.6261458
MS-PARANHOS	5006358	Paranhos - MS	0.9647376	0.9887275
MS-PEDRO GOMES	5006408	Pedro Gomes - MS	0.7663992	0.8743323
MS-PONTA PORA	5006606	Ponta Porã - MS	0.3182778	0.3897991
MS-PORTO MURTINHO	5006903	Porto Murtinho - MS	0.9094075	1.1055697
MS-RIBAS DO RIO PARDO	5007109	Ribas do Rio Pardo - MS	1.2005426	1.1871876
MS-RIO BRILHANTE	5007208	Rio Brilhante - MS	0.9395913	0.8715309
MS-RIO NEGRO	5007307	Rio Negro - MS	0.8856343	0.9137551
MS-RIO VERDE DE MATO GROSSO	5007406	Rio Verde de Mato Grosso - MS	0.7012308	0.7036328
MS-ROCHEDO	5007505	Rochedo - MS	0.9378026	1.0447059
MS-SANTA RITA DO PARDO	5007554	Santa Rita do Pardo - MS	1.0809941	1.1789131
MS-SAO GABRIEL DO OESTE	5007695	São Gabriel do Oeste - MS	0.6517082	0.6880806
MS-SELVIRIA	5007802	Selvíria - MS	0.9621806	1.1945557
MS-SETE QUEDAS	5007703	Sete Quedas - MS	0.6563678	0.7142198
MS-SIDROLANDIA	5007901	Sidrolândia - MS	0.8417860	0.6728008
MS-SONORA	5007935	Sonora - MS	1.2059139	0.9960949
MS-TACURU	5007950	Tacuru - MS	0.9779687	0.9406025
MS-TAQUARUSSU	5007976	Taquarussu - MS	1.0168512	1.2147462
MS-TERENOS	5008008	Terenos - MS	0.8878631	0.9104172
MS-TRES LAGOAS	5008305	Três Lagoas - MS	0.5836072	0.7404059
MS-VICENTINA	5008404	Vicentina - MS	0.8369777	1.0254396

# retorna exatamente o mesmo que anteriormente para campo grande e dourados,
# mas agora fez para todos os municípios de MS

5.1 Mapa de KSI para 2016

Agora vou construir o mapa para KSI de 2016. Farei nova junção dos datasets pela condição de que o code_muni do objeto all_mun_ms é igual ao code_muni do objeto KSI_T01 todo.

require(dplyr)
require(ggplot2)
require(sf)
dataset_KSIT1 = left_join(all_mun_ms, KSI_T01, by = c(code_muni = "code_muni"))
max(dataset_KSIT1$KSI_T1)

[1] 1.536452

min(dataset_KSIT1$KSI_T1)

[1] 0.3799177

Portanto, o mapa pode ser feito conforme abaixo:

library(ggplot2)
library("ggspatial")
ggplot() + geom_sf(data = dataset_KSIT1, aes(fill = KSI_T1), color = "black", size = 0.15) +
    labs(title = "KSI 2016 dos Municípios de MS", caption = "Fonte: Elaboração própria",
        size = 8) + scale_fill_distiller(palette = "RdGy", limits = c(0.3, 1.6),
    name = "KSI_T1") + theme_minimal() + annotation_north_arrow(location = "bl",
    which_north = "true", pad_x = unit(0.65, "in"), pad_y = unit(0.3, "in"), style = north_arrow_fancy_orienteering) +
    annotation_scale(location = "bl", width_hint = 0.3)

Valores próximos de zero (\(\left( {KSI_{ij}}= 0\right)\)) indicam que o local \(i\) tem estrutura no mesmo padrão de especialização que a localidade de referência. São os municípios indicados em tons de cinza. De forma oposta, valores próximos a dois (\(\left( {KSI_{ij}}= 2\right)\)) indicam que o local \(i\) tem padrão de especialização completamente diferente da localidade de referência, o caso dos tons quentes: laranja e avermelhados.

6 Índice de Diversidade Regional \(RDI\)

O Índice de Diversidade Industrial Regional (RDI, regional industrial diversity, ou Relative Diversity index - MCCANN, 2001, p.82), é o inverso do KSI.

# farei para campo grande e 2006

RDI.ms <- 1/KSI.ms
RDI.ms

[1] 2.525301

# Calcularei agora para dourados

RDId.ms <- 1/KSId.ms
RDId.ms

[1] 1.840929

Usando os objetos gerados no item anterior, para KSI_T0 e KSI_T1, tem-se:

RDI_T0 <- 1/KSI_T0
RDI_T1 <- 1/KSI_T1
RDI_T01 <- cbind(RDI_T0, RDI_T1)
knitr::kable(round(RDI_T01, digits = 4), caption = "Coeficiente de especialização de Krugman em T0 e T1")

Coeficiente de especialização de Krugman em T0 e T1

	RDI_T0	RDI_T1
MS-AGUA CLARA	0.9696	0.8663
MS-ALCINOPOLIS	0.9468	0.8886
MS-AMAMBAI	2.0389	2.1622
MS-ANASTACIO	1.3771	1.0834
MS-ANAURILANDIA	1.1831	1.1369
MS-ANGELICA	1.2051	0.6508
MS-ANTONIO JOAO	1.0345	0.9592
MS-APARECIDA DO TABOADO	1.2813	1.1381
MS-AQUIDAUANA	2.1218	1.7788
MS-ARAL MOREIRA	1.1487	1.0541
MS-BANDEIRANTES	1.1199	1.1676
MS-BATAGUASSU	1.0792	1.2075
MS-BATAYPORA	1.1517	1.2981
MS-BELA VISTA	1.5699	1.2816
MS-BODOQUENA	1.1569	1.0118
MS-BONITO	1.3850	1.2475
MS-BRASILANDIA	1.1571	1.0779
MS-CAARAPO	1.4100	1.3970
MS-CAMAPUA	1.2509	1.4291
MS-CAMPO GRANDE	2.5253	2.6321
MS-CARACOL	0.9773	0.8604
MS-CASSILANDIA	2.0087	1.7564
MS-CHAPADAO DO SUL	1.3880	1.4850
MS-CORGUINHO	1.0335	0.8739
MS-CORONEL SAPUCAIA	1.1129	1.2039
MS-CORUMBA	2.4816	2.0607
MS-COSTA RICA	1.3138	1.1717
MS-COXIM	1.5478	1.7873
MS-DEODAPOLIS	1.5461	1.5047
MS-DOIS IRMAOS DO BURITI	1.0762	1.0133
MS-DOURADINA	1.0006	1.1585
MS-DOURADOS	1.8409	1.8824
MS-ELDORADO	1.4878	1.7869
MS-FATIMA DO SUL	1.8407	1.5381
MS-FIGUEIRAO	0.9635	0.8866
MS-GLORIA DE DOURADOS	1.8444	1.6518
MS-GUIA LOPES DA LAGUNA	1.6437	1.2555
MS-IGUATEMI	1.5252	1.5214
MS-INOCENCIA	1.2248	1.1191
MS-ITAPORA	1.4580	1.3047
MS-ITAQUIRAI	1.5310	1.0993
MS-IVINHEMA	2.1573	1.8099
MS-JAPORA	0.8915	0.7819
MS-JARAGUARI	1.1538	0.9874
MS-JARDIM	2.5040	2.0167
MS-JATEI	0.8710	0.8198
MS-JUTI	1.0677	1.0746
MS-LADARIO	0.7903	0.8102
MS-LAGUNA CARAPA	1.0847	0.9048
MS-MARACAJU	1.5316	1.7956
MS-MIRANDA	1.5515	1.3210
MS-MUNDO NOVO	1.5487	1.6002
MS-NAVIRAI	1.3513	2.2744
MS-NIOAQUE	1.2942	1.1600
MS-NOVA ALVORADA DO SUL	1.2522	1.1136
MS-NOVA ANDRADINA	1.5175	2.1003
MS-NOVO HORIZONTE DO SUL	1.2860	1.3589
MS-PARAISO DAS AGUAS	NaN	0.9339
MS-PARANAIBA	1.7541	1.5971
MS-PARANHOS	1.0366	1.0114
MS-PEDRO GOMES	1.3048	1.1437
MS-PONTA PORA	3.1419	2.5654
MS-PORTO MURTINHO	1.0996	0.9045
MS-RIBAS DO RIO PARDO	0.8330	0.8423
MS-RIO BRILHANTE	1.0643	1.1474
MS-RIO NEGRO	1.1291	1.0944
MS-RIO VERDE DE MATO GROSSO	1.4261	1.4212
MS-ROCHEDO	1.0663	0.9572
MS-SANTA RITA DO PARDO	0.9251	0.8482
MS-SAO GABRIEL DO OESTE	1.5344	1.4533
MS-SELVIRIA	1.0393	0.8371
MS-SETE QUEDAS	1.5235	1.4001
MS-SIDROLANDIA	1.1880	1.4863
MS-SONORA	0.8292	1.0039
MS-TACURU	1.0225	1.0631
MS-TAQUARUSSU	0.9834	0.8232
MS-TERENOS	1.1263	1.0984
MS-TRES LAGOAS	1.7135	1.3506
MS-VICENTINA	1.1948	0.9752

6.1 Mapa de RDI para 2016

Agora vou construir o mapa para RDI de 2016. Farei nova junção dos datasets pela condição de que o code_muni do objeto all_mun_ms é igual ao code_muni do objeto RDI_T01 todo.

require(dplyr)
require(ggplot2)
require(sf)
RDI_T01 <- cbind(nomes, RDI_T0, RDI_T1)
dataset_RDIT1 = left_join(all_mun_ms, RDI_T01, by = c(code_muni = "code_muni"))
max(dataset_RDIT1$RDI_T1)

[1] 2.632149

min(dataset_RDIT1$RDI_T1)

[1] 0.65085

Portanto, o mapa pode ser feito conforme abaixo:

library(ggplot2)
library("ggspatial")
ggplot() + geom_sf(data = dataset_RDIT1, aes(fill = RDI_T1), color = "black", size = 0.15) +
    labs(title = "RDI 2016 dos Municípios de MS", caption = "Fonte: Elaboração própria",
        size = 8) + scale_fill_distiller(palette = "RdGy", limits = c(0.6, 2.7),
    name = "RDI_T1") + theme_minimal() + annotation_north_arrow(location = "bl",
    which_north = "true", pad_x = unit(0.65, "in"), pad_y = unit(0.3, "in"), style = north_arrow_fancy_orienteering) +
    annotation_scale(location = "bl", width_hint = 0.3)

De forma oposta à especialização, os municípios com maiores RDI são os de menor KSI. Assim, nesse caso, os tons avermelhados são mais diversificados e os tons de cinza menos diversificados relativamente ao estado de MS.

7 Índice de Diversidade \(DIV\)

Cálculo da diversidade pelo pacote EconGeo, função diversity. A função calcula uma medida simples de diversidade das regiões calculando o número de setores nos quais a região tem vantagem comparativa relativa (rca), ou seja, QL > 1 em relação as regiões das matrizes de incidência.

# gerar a matriz industrial da região, para 2006 = mat_0, e para 2016 mat_1
DIV_T0 <- diversity(mat_0, rca = TRUE)
DIV_T1 <- diversity(mat_1, rca = TRUE)
DIV_T01 <- cbind(DIV_T0, DIV_T1)
knitr::kable(round(DIV_T01, digits = 4), caption = "Índice de diversidade dos municípios de MS em T0 e T1")

Índice de diversidade dos municípios de MS em T0 e T1

	DIV_T0	DIV_T1
MS-AGUA CLARA	8	9
MS-ALCINOPOLIS	5	7
MS-AMAMBAI	17	20
MS-ANASTACIO	9	15
MS-ANAURILANDIA	3	6
MS-ANGELICA	8	1
MS-ANTONIO JOAO	5	9
MS-APARECIDA DO TABOADO	19	21
MS-AQUIDAUANA	17	19
MS-ARAL MOREIRA	8	9
MS-BANDEIRANTES	10	9
MS-BATAGUASSU	9	9
MS-BATAYPORA	5	10
MS-BELA VISTA	8	10
MS-BODOQUENA	8	7
MS-BONITO	16	15
MS-BRASILANDIA	5	7
MS-CAARAPO	14	13
MS-CAMAPUA	8	10
MS-CAMPO GRANDE	54	51
MS-CARACOL	6	4
MS-CASSILANDIA	13	16
MS-CHAPADAO DO SUL	18	17
MS-CORGUINHO	12	10
MS-CORONEL SAPUCAIA	7	11
MS-CORUMBA	29	32
MS-COSTA RICA	13	10
MS-COXIM	16	18
MS-DEODAPOLIS	10	15
MS-DOIS IRMAOS DO BURITI	4	4
MS-DOURADINA	6	12
MS-DOURADOS	45	31
MS-ELDORADO	15	15
MS-FATIMA DO SUL	16	17
MS-FIGUEIRAO	5	4
MS-GLORIA DE DOURADOS	11	11
MS-GUIA LOPES DA LAGUNA	11	12
MS-IGUATEMI	6	11
MS-INOCENCIA	5	7
MS-ITAPORA	12	14
MS-ITAQUIRAI	8	5
MS-IVINHEMA	22	19
MS-JAPORA	4	4
MS-JARAGUARI	7	5
MS-JARDIM	24	20
MS-JATEI	3	4
MS-JUTI	3	5
MS-LADARIO	6	4
MS-LAGUNA CARAPA	7	5
MS-MARACAJU	20	14
MS-MIRANDA	14	12
MS-MUNDO NOVO	15	17
MS-NAVIRAI	14	28
MS-NIOAQUE	3	6
MS-NOVA ALVORADA DO SUL	9	6
MS-NOVA ANDRADINA	20	17
MS-NOVO HORIZONTE DO SUL	4	8
MS-PARAISO DAS AGUAS	0	6
MS-PARANAIBA	21	30
MS-PARANHOS	3	4
MS-PEDRO GOMES	9	10
MS-PONTA PORA	22	21
MS-PORTO MURTINHO	7	8
MS-RIBAS DO RIO PARDO	8	10
MS-RIO BRILHANTE	7	5
MS-RIO NEGRO	6	5
MS-RIO VERDE DE MATO GROSSO	12	9
MS-ROCHEDO	9	6
MS-SANTA RITA DO PARDO	3	4
MS-SAO GABRIEL DO OESTE	17	18
MS-SELVIRIA	10	7
MS-SETE QUEDAS	13	12
MS-SIDROLANDIA	7	9
MS-SONORA	7	9
MS-TACURU	2	6
MS-TAQUARUSSU	2	4
MS-TERENOS	12	12
MS-TRES LAGOAS	27	29
MS-VICENTINA	6	7

7.1 Mapa de Diversidade para 2016

Agora vou construir o mapa para DIV de 2016. Farei nova junção dos datasets pela condição de que o code_muni do objeto all_mun_ms é igual ao code_muni do objeto DIV_T01 todo.

require(dplyr)
require(ggplot2)
require(sf)
DIV_T01 <- cbind(nomes, DIV_T0, DIV_T1)
dataset_DIVT1 = left_join(all_mun_ms, DIV_T01, by = c(code_muni = "code_muni"))
max(dataset_DIVT1$DIV_T1)

[1] 51

min(dataset_DIVT1$DIV_T1)

[1] 1

Portanto, o mapa pode ser feito conforme abaixo:

library(ggplot2)
library("ggspatial")
ggplot() + geom_sf(data = dataset_DIVT1, aes(fill = DIV_T1), color = "black", size = 0.15) +
    labs(title = "DIV 2016 dos Municípios de MS", caption = "Fonte: Elaboração própria",
        size = 8) + scale_fill_distiller(palette = "RdGy", limits = c(0, 52), name = "DIV_T1") +
    theme_minimal() + annotation_north_arrow(location = "bl", which_north = "true",
    pad_x = unit(0.65, "in"), pad_y = unit(0.3, "in"), style = north_arrow_fancy_orienteering) +
    annotation_scale(location = "bl", width_hint = 0.3)

Neste caso, percebe-se que Campo Grande se destaca na diversidade, enquanto outros municípios em tons cinza estão com menso de 20 divisões CNAE cujo QL supera a unidade (\(QL\gt1\)).

8 Índice de Ubiqüidade \(UBIQ\)

A função ubiquity do pacote EconGeo calcula uma medida simples do número de regiões em que um setor é encontrado (ou seja, com QL>1). Teoricamente, setores que são mais comumente encontrados são setores menos complexos e, portanto, menos exigentes de capacidades técnicas.

UBIQ_T0 <- ubiquity(mat_0, rca = TRUE)  # 2006
UBIQ_T1 <- ubiquity(mat_1, rca = TRUE)  # 2016
UBIQ_T01 <- cbind(UBIQ_T0, UBIQ_T1)
knitr::kable(round(UBIQ_T01, digits = 4), caption = "Índice de Ubiqüidade dos municípios de MS em T0 e T1")

Índice de Ubiqüidade dos municípios de MS em T0 e T1

	UBIQ_T0	UBIQ_T1
ADMINISTRAÇÃO PÚBLICA, DEFESA E SEGURIDADE SOCIAL	42	48
AGÊNCIAS DE VIAGENS, OPERADORES TURÍSTICOS E SERVIÇOS DE RESERVAS	8	10
AGRICULTURA, PECUÁRIA E SERVIÇOS RELACIONADOS	66	69
ALIMENTAÇÃO	17	14
ALOJAMENTO	19	22
ALUGUÉIS NÃO-IMOBILIÁRIOS E GESTÃO DE ATIVOS INTANGÍVEIS NÃO-FINANCEIROS	7	8
ARMAZENAMENTO E ATIVIDADES AUXILIARES DOS TRANSPORTES	19	19
ATIVIDADES ARTÍSTICAS, CRIATIVAS E DE ESPETÁCULOS	3	5
ATIVIDADES AUXILIARES DOS SERVIÇOS FINANCEIROS, SEGUROS, PREVIDÊNCIA COMPLEMENTAR E PLANOS DE SAÚDE	7	6
ATIVIDADES CINEMATOGRÁFICAS, PRODUÇÃO DE VÍDEOS E DE PROGRAMAS DE TELEVISÃO	8	4
ATIVIDADES DE APOIO À EXTRAÇÃO DE MINERAIS	2	2
ATIVIDADES DE ATENÇÃO À SAÚDE HUMANA	6	7
ATIVIDADES DE ATENÇÃO À SAÚDE HUMANA INTEGRADAS COM ASSISTÊNCIA SOCIAL, PRESTADAS EM RESIDÊNCIAS COLETIVAS E PARTICULARES	20	20
ATIVIDADES DE EXPLORAÇÃO DE JOGOS DE AZAR E APOSTAS	5	1
ATIVIDADES DE ORGANIZAÇÕES ASSOCIATIVAS	11	4
ATIVIDADES DE PRESTAÇÃO DE SERVIÇOS DE INFORMAÇÃO	11	10
ATIVIDADES DE RÁDIO E DE TELEVISÃO	18	16
ATIVIDADES DE SEDES DE EMPRESAS E DE CONSULTORIA EM GESTÃO EMPRESARIAL	2	6
ATIVIDADES DE SERVIÇOS FINANCEIROS	21	25
ATIVIDADES DE VIGILÂNCIA, SEGURANÇA E INVESTIGAÇÃO	3	5
ATIVIDADES DOS SERVIÇOS DE TECNOLOGIA DA INFORMAÇÃO	2	2
ATIVIDADES ESPORTIVAS E DE RECREAÇÃO E LAZER	13	12
ATIVIDADES IMOBILIÁRIAS	7	10
ATIVIDADES JURÍDICAS, DE CONTABILIDADE E DE AUDITORIA	32	34
ATIVIDADES LIGADAS AO PATRIMÔNIO CULTURAL E AMBIENTAL	3	4
ATIVIDADES VETERINÁRIAS	12	15
CAPTAÇÃO, TRATAMENTO E DISTRIBUIÇÃO DE ÁGUA	7	5
COLETA, TRATAMENTO E DISPOSIÇÃO DE RESÍDUOS	11	3
COMÉRCIO E REPARAÇÃO DE VEÍCULOS AUTOMOTORES E MOTOCICLETAS	15	18
COMÉRCIO POR ATACADO, EXCETO VEÍCULOS AUTOMOTORES E MOTOCICLETAS	22	24
COMÉRCIO VAREJISTA	27	34
CONFECÇÃO DE ARTIGOS DO VESTUÁRIO E ACESSÓRIOS	12	12
CONSTRUÇÃO DE EDIFÍCIOS	3	8
CORREIO E OUTRAS ATIVIDADES DE ENTREGA	20	21
DESCONTAMINAÇÃO E OUTROS SERVIÇOS DE GESTÃO DE RESÍDUOS	0	0
EDIÇÃO E EDIÇÃO INTEGRADA À IMPRESSÃO	6	7
EDUCAÇÃO	8	4
ELETRICIDADE, GÁS E OUTRAS UTILIDADES	13	22
ESGOTO E ATIVIDADES RELACIONADAS	6	3
EXTRAÇÃO DE CARVÃO MINERAL	12	0
EXTRAÇÃO DE MINERAIS METÁLICOS	1	1
EXTRAÇÃO DE MINERAIS NÃO-METÁLICOS	21	20
EXTRAÇÃO DE PETRÓLEO E GÁS NATURAL	1	0
FABRICAÇÃO DE BEBIDAS	3	4
FABRICAÇÃO DE CELULOSE, PAPEL E PRODUTOS DE PAPEL	5	2
FABRICAÇÃO DE COQUE, DE PRODUTOS DERIVADOS DO PETRÓLEO E DE BIOCOMBUSTÍVEIS	9	13
FABRICAÇÃO DE EQUIPAMENTOS DE INFORMÁTICA, PRODUTOS ELETRÔNICOS E ÓPTICOS	4	2
FABRICAÇÃO DE MÁQUINAS E EQUIPAMENTOS	6	8
FABRICAÇÃO DE MÁQUINAS, APARELHOS E MATERIAIS ELÉTRICOS	3	4
FABRICAÇÃO DE MÓVEIS	14	12
FABRICAÇÃO DE OUTROS EQUIPAMENTOS DE TRANSPORTE, EXCETO VEÍCULOS AUTOMOTORES	5	4
FABRICAÇÃO DE PRODUTOS ALIMENTÍCIOS	25	24
FABRICAÇÃO DE PRODUTOS DE BORRACHA E DE MATERIAL PLÁSTICO	5	5
FABRICAÇÃO DE PRODUTOS DE MADEIRA	14	14
FABRICAÇÃO DE PRODUTOS DE METAL, EXCETO MÁQUINAS E EQUIPAMENTOS	10	13
FABRICAÇÃO DE PRODUTOS DE MINERAIS NÃO-METÁLICOS	22	24
FABRICAÇÃO DE PRODUTOS DIVERSOS	4	3
FABRICAÇÃO DE PRODUTOS DO FUMO	1	2
FABRICAÇÃO DE PRODUTOS FARMOQUÍMICOS E FARMACÊUTICOS	4	1
FABRICAÇÃO DE PRODUTOS QUÍMICOS	9	7
FABRICAÇÃO DE PRODUTOS TÊXTEIS	3	6
FABRICAÇÃO DE VEÍCULOS AUTOMOTORES, REBOQUES E CARROCERIAS	5	14
IMPRESSÃO E REPRODUÇÃO DE GRAVAÇÕES	10	14
MANUTENÇÃO, REPARAÇÃO E INSTALAÇÃO DE MÁQUINAS E EQUIPAMENTOS	15	15
METALURGIA	5	7
OBRAS DE INFRA-ESTRUTURA	10	8
ORGANISMOS INTERNACIONAIS E OUTRAS INSTITUIÇÕES EXTRATERRITORIAIS	2	3
OUTRAS ATIVIDADES DE SERVIÇOS PESSOAIS	11	14
OUTRAS ATIVIDADES PROFISSIONAIS, CIENTÍFICAS E TÉCNICAS	11	13
PESCA E AQÜICULTURA	11	16
PESQUISA E DESENVOLVIMENTO CIENTÍFICO	4	4
PREPARAÇÃO DE COUROS E FABRICAÇÃO DE ARTEFATOS DE COURO, ARTIGOS PARA VIAGEM E CALÇADOS	6	7
PRODUÇÃO FLORESTAL	17	11
PUBLICIDADE E PESQUISA DE MERCADO	3	3
REPARAÇÃO E MANUTENÇÃO DE EQUIPAMENTOS DE INFORMÁTICA E COMUNICAÇÃO E DE OBJETOS PESSOAIS E DOMÉSTICOS	8	6
SEGUROS, RESSEGUROS, PREVIDÊNCIA COMPLEMENTAR E PLANOS DE SAÚDE	4	8
SELEÇÃO, AGENCIAMENTO E LOCAÇÃO DE MÃO-DE-OBRA	3	1
SERVIÇOS DE ARQUITETURA E ENGENHARIA	2	5
SERVIÇOS DE ASSISTÊNCIA SOCIAL SEM ALOJAMENTO	13	7
SERVIÇOS DE ESCRITÓRIO, DE APOIO ADMINISTRATIVO E OUTROS SERVIÇOS PRESTADOS ÀS EMPRESAS	4	2
SERVIÇOS DOMÉSTICOS	19	19
SERVIÇOS ESPECIALIZADOS PARA CONSTRUÇÃO	8	11
SERVIÇOS PARA EDIFÍCIOS E ATIVIDADES PAISAGÍSTICAS	2	4
TELECOMUNICAÇÕES	3	12
TRANSPORTE AÉREO	2	3
TRANSPORTE AQUAVIÁRIO	3	3
TRANSPORTE TERRESTRE	13	20

Nesse caso, as ubiqüidades são medidas por divisão CNAE e podemos verificar os valores ordenados. Ou seja, ranquear as divisões da maior para menor ubiqüidade. Os maiores valores são as divisões mais comuns nos municípios do estado de MS em 2016.

divisoes <- read_excel("emprego.xlsx", sheet = "divisoes", col_names = FALSE)
UBIQ_T01 <- cbind(divisoes, UBIQ_T0, UBIQ_T1)
rank.UBIQ <- UBIQ_T01[order(-UBIQ_T01$UBIQ_T1), ]
knitr::kable(rank.UBIQ[3:4])

	UBIQ_T0	UBIQ_T1
AGRICULTURA, PECUÁRIA E SERVIÇOS RELACIONADOS	66	69
ADMINISTRAÇÃO PÚBLICA, DEFESA E SEGURIDADE SOCIAL	42	48
ATIVIDADES JURÍDICAS, DE CONTABILIDADE E DE AUDITORIA	32	34
COMÉRCIO VAREJISTA	27	34
ATIVIDADES DE SERVIÇOS FINANCEIROS	21	25
COMÉRCIO POR ATACADO, EXCETO VEÍCULOS AUTOMOTORES E MOTOCICLETAS	22	24
FABRICAÇÃO DE PRODUTOS ALIMENTÍCIOS	25	24
FABRICAÇÃO DE PRODUTOS DE MINERAIS NÃO-METÁLICOS	22	24
ALOJAMENTO	19	22
ELETRICIDADE, GÁS E OUTRAS UTILIDADES	13	22
CORREIO E OUTRAS ATIVIDADES DE ENTREGA	20	21
ATIVIDADES DE ATENÇÃO À SAÚDE HUMANA INTEGRADAS COM ASSISTÊNCIA SOCIAL, PRESTADAS EM RESIDÊNCIAS COLETIVAS E PARTICULARES	20	20
EXTRAÇÃO DE MINERAIS NÃO-METÁLICOS	21	20
TRANSPORTE TERRESTRE	13	20
ARMAZENAMENTO E ATIVIDADES AUXILIARES DOS TRANSPORTES	19	19
SERVIÇOS DOMÉSTICOS	19	19
COMÉRCIO E REPARAÇÃO DE VEÍCULOS AUTOMOTORES E MOTOCICLETAS	15	18
ATIVIDADES DE RÁDIO E DE TELEVISÃO	18	16
PESCA E AQÜICULTURA	11	16
ATIVIDADES VETERINÁRIAS	12	15
MANUTENÇÃO, REPARAÇÃO E INSTALAÇÃO DE MÁQUINAS E EQUIPAMENTOS	15	15
ALIMENTAÇÃO	17	14
FABRICAÇÃO DE PRODUTOS DE MADEIRA	14	14
FABRICAÇÃO DE VEÍCULOS AUTOMOTORES, REBOQUES E CARROCERIAS	5	14
IMPRESSÃO E REPRODUÇÃO DE GRAVAÇÕES	10	14
OUTRAS ATIVIDADES DE SERVIÇOS PESSOAIS	11	14
FABRICAÇÃO DE COQUE, DE PRODUTOS DERIVADOS DO PETRÓLEO E DE BIOCOMBUSTÍVEIS	9	13
FABRICAÇÃO DE PRODUTOS DE METAL, EXCETO MÁQUINAS E EQUIPAMENTOS	10	13
OUTRAS ATIVIDADES PROFISSIONAIS, CIENTÍFICAS E TÉCNICAS	11	13
ATIVIDADES ESPORTIVAS E DE RECREAÇÃO E LAZER	13	12
CONFECÇÃO DE ARTIGOS DO VESTUÁRIO E ACESSÓRIOS	12	12
FABRICAÇÃO DE MÓVEIS	14	12
TELECOMUNICAÇÕES	3	12
PRODUÇÃO FLORESTAL	17	11
SERVIÇOS ESPECIALIZADOS PARA CONSTRUÇÃO	8	11
AGÊNCIAS DE VIAGENS, OPERADORES TURÍSTICOS E SERVIÇOS DE RESERVAS	8	10
ATIVIDADES DE PRESTAÇÃO DE SERVIÇOS DE INFORMAÇÃO	11	10
ATIVIDADES IMOBILIÁRIAS	7	10
ALUGUÉIS NÃO-IMOBILIÁRIOS E GESTÃO DE ATIVOS INTANGÍVEIS NÃO-FINANCEIROS	7	8
CONSTRUÇÃO DE EDIFÍCIOS	3	8
FABRICAÇÃO DE MÁQUINAS E EQUIPAMENTOS	6	8
OBRAS DE INFRA-ESTRUTURA	10	8
SEGUROS, RESSEGUROS, PREVIDÊNCIA COMPLEMENTAR E PLANOS DE SAÚDE	4	8
ATIVIDADES DE ATENÇÃO À SAÚDE HUMANA	6	7
EDIÇÃO E EDIÇÃO INTEGRADA À IMPRESSÃO	6	7
FABRICAÇÃO DE PRODUTOS QUÍMICOS	9	7
METALURGIA	5	7
PREPARAÇÃO DE COUROS E FABRICAÇÃO DE ARTEFATOS DE COURO, ARTIGOS PARA VIAGEM E CALÇADOS	6	7
SERVIÇOS DE ASSISTÊNCIA SOCIAL SEM ALOJAMENTO	13	7
ATIVIDADES AUXILIARES DOS SERVIÇOS FINANCEIROS, SEGUROS, PREVIDÊNCIA COMPLEMENTAR E PLANOS DE SAÚDE	7	6
ATIVIDADES DE SEDES DE EMPRESAS E DE CONSULTORIA EM GESTÃO EMPRESARIAL	2	6
FABRICAÇÃO DE PRODUTOS TÊXTEIS	3	6
REPARAÇÃO E MANUTENÇÃO DE EQUIPAMENTOS DE INFORMÁTICA E COMUNICAÇÃO E DE OBJETOS PESSOAIS E DOMÉSTICOS	8	6
ATIVIDADES ARTÍSTICAS, CRIATIVAS E DE ESPETÁCULOS	3	5
ATIVIDADES DE VIGILÂNCIA, SEGURANÇA E INVESTIGAÇÃO	3	5
CAPTAÇÃO, TRATAMENTO E DISTRIBUIÇÃO DE ÁGUA	7	5
FABRICAÇÃO DE PRODUTOS DE BORRACHA E DE MATERIAL PLÁSTICO	5	5
SERVIÇOS DE ARQUITETURA E ENGENHARIA	2	5
ATIVIDADES CINEMATOGRÁFICAS, PRODUÇÃO DE VÍDEOS E DE PROGRAMAS DE TELEVISÃO	8	4
ATIVIDADES DE ORGANIZAÇÕES ASSOCIATIVAS	11	4
ATIVIDADES LIGADAS AO PATRIMÔNIO CULTURAL E AMBIENTAL	3	4
EDUCAÇÃO	8	4
FABRICAÇÃO DE BEBIDAS	3	4
FABRICAÇÃO DE MÁQUINAS, APARELHOS E MATERIAIS ELÉTRICOS	3	4
FABRICAÇÃO DE OUTROS EQUIPAMENTOS DE TRANSPORTE, EXCETO VEÍCULOS AUTOMOTORES	5	4
PESQUISA E DESENVOLVIMENTO CIENTÍFICO	4	4
SERVIÇOS PARA EDIFÍCIOS E ATIVIDADES PAISAGÍSTICAS	2	4
COLETA, TRATAMENTO E DISPOSIÇÃO DE RESÍDUOS	11	3
ESGOTO E ATIVIDADES RELACIONADAS	6	3
FABRICAÇÃO DE PRODUTOS DIVERSOS	4	3
ORGANISMOS INTERNACIONAIS E OUTRAS INSTITUIÇÕES EXTRATERRITORIAIS	2	3
PUBLICIDADE E PESQUISA DE MERCADO	3	3
TRANSPORTE AÉREO	2	3
TRANSPORTE AQUAVIÁRIO	3	3
ATIVIDADES DE APOIO À EXTRAÇÃO DE MINERAIS	2	2
ATIVIDADES DOS SERVIÇOS DE TECNOLOGIA DA INFORMAÇÃO	2	2
FABRICAÇÃO DE CELULOSE, PAPEL E PRODUTOS DE PAPEL	5	2
FABRICAÇÃO DE EQUIPAMENTOS DE INFORMÁTICA, PRODUTOS ELETRÔNICOS E ÓPTICOS	4	2
FABRICAÇÃO DE PRODUTOS DO FUMO	1	2
SERVIÇOS DE ESCRITÓRIO, DE APOIO ADMINISTRATIVO E OUTROS SERVIÇOS PRESTADOS ÀS EMPRESAS	4	2
ATIVIDADES DE EXPLORAÇÃO DE JOGOS DE AZAR E APOSTAS	5	1
EXTRAÇÃO DE MINERAIS METÁLICOS	1	1
FABRICAÇÃO DE PRODUTOS FARMOQUÍMICOS E FARMACÊUTICOS	4	1
SELEÇÃO, AGENCIAMENTO E LOCAÇÃO DE MÃO-DE-OBRA	3	1
DESCONTAMINAÇÃO E OUTROS SERVIÇOS DE GESTÃO DE RESÍDUOS	0	0
EXTRAÇÃO DE CARVÃO MINERAL	12	0
EXTRAÇÃO DE PETRÓLEO E GÁS NATURAL	1	0

Olhando os dados acima, percebemos que as divisões “Agricultura,…” e “Administração pública, …” são as mais ubíqüas, ou seja, as que mais apresentam municípios especializados nessas divisões, consideradas básicas. São em geral atividades de baixa complexidade econômica. É possível observar que mais municípios se especializaram nelas de 2006 (T0) para 2016 (T1).

Referências

BALASSA, B. Trade Liberalization and Revealed Comparative Advantage, The Manchester School 33: 99-123. 1965.

BALLAND, P.A. Economic Geography in R: Introduction to the EconGeo Package, Papers in Evolutionary Economic Geography, 17 (09): 1-75, 2017.

BALLAND, Pierre-Alexandre. EconGeo: Computing Key Indicators of the Spatial Distribution of Economic Activities. R package version 1.3. 2019. Disponível em : https://github.com/PABalland/EconGeo

COUTINHO, Márcio R. A contribuição das atividades econômicas de base agropecuária na geração de emprego e massa salarial para os municípios de Mato Grosso do Sul. Dissertação de Mestrado (Administração). Campo Grande: UFMS, 2017. p.32-42.

CRUZ, B.O.;QUEIROZ, I.V. Efeitos encadeados do perfil setorial dos investimentos e a distribuição espacial da indústria: onde se localizam as indústrias dos setores com maiores impactos? Texto para discussão n. 2172, Brasília: IPEA, p.27.

FIGUEIREDO, Adriano Marcos Rodrigues. Economia Regional: Mapas em R. Campo Grande-MS,Brasil: RStudio/Rpubs, 2019a. Disponível em: http://rpubs.com/amrofi/Regional_Economics_Spatial.

FIGUEIREDO, Adriano Marcos Rodrigues. Apêndice - instalação do RStudio. Campo Grande-MS,Brasil: RStudio/Rpubs, 2019b. Disponível em: http://rpubs.com/amrofi/instrucoes_Rstudio.

FIGUEIREDO, Adriano Marcos Rodrigues. Economia Regional: polos, diversidade e especialização em R. Campo Grande-MS,Brasil: RStudio/Rpubs, 2019c. Disponível em: http://rpubs.com/amrofi/Regional_Economics_poles_diversity.

FIGUEIREDO, Adriano Marcos Rodrigues. Mapas em R com geobr. Campo Grande-MS,Brasil: RStudio/Rpubs, 2020a. Disponível em: http://rpubs.com/amrofi/maps_geobr e https://adrianofigueiredo.netlify.com/post/mapas-em-r-com-geobr/.

FIGUEIREDO, Adriano Marcos Rodrigues. Economia Regional: \(CV\), \(V_w\) e \(Theil\) em R. Campo Grande-MS,Brasil: RStudio/Rpubs, 2020b. Disponível em http://rpubs.com/amrofi/regional_indicadores_1 e https://adrianofigueiredo.netlify.app/post/economia-regional-em-r-indicadores-de-analise-cv-v-w-e-theil/.

FIGUEIREDO, Adriano Marcos Rodrigues. Economia Regional: reprodução de medidas de LQ conforme Haddad (2018) em R. Campo Grande-MS,Brasil: RStudio/Rpubs, 2020c. Disponível em https://adrianofigueiredo.netlify.app/post/economia-regional-reproducao-de-medidas-de-lq/ e em http://rpubs.com/amrofi/medidas_QL_haddad_regional.

FLORENCE, P. Sargent. Investment, location, and size of plant. Cambridge: Cambridge University Press, 1948.

HOOVER, Edgar M.; GIARRATANI, Frank. An Introduction to Regional Economics, The Web Book of Regional Science. West Virginia: Regional research Institute, West Virginia University. Disponível em: <www.rri.wvu.edu/WebBook/Giarratani/chapternine.htm>, v. 9, 1984. Atualizado em: Hoover, Edgar M. and Giarratani, Frank, “An Introduction to Regional Economics” (2020). Web Book of Regional Science. 4. https://researchrepository.wvu.edu/rri-web-book/4.

IBGE - Instituto Brasileiro de Geografia e Estatística. Produto Interno Bruto dos Municípios. Rio de Janeiro: IBGE/SIDRA. 2020a. Disponível em:https://sidra.ibge.gov.br/pesquisa/pib-munic/tabelas.

IBGE - Instituto Brasileiro de Geografia e Estatística. Estimativas de população. Rio de Janeiro: IBGE/SIDRA. 2020b. Disponível em: https://www.ibge.gov.br/estatisticas/sociais/populacao/9103-estimativas-de-populacao.html?=&t=downloads

LAUTERT, V.; ARAUJO, N.C.M. Concentração industrial no Brasil no período 1996-2001: uma análise por meio do índice de Ellison e Glaeser (1994). Economia Aplicada, São Paulo, v. 11, n. 3, p. 347-368, Jul.-Set., 2007.

MONASTERIO, Leonardo. Indicadores de análise regional e espacial. In: CRUZ et al (orgs). Economia regional e urbana : teorias e métodos com ênfase no Brasil. Brasília: Ipea, 2011. cap. 10. pp.315-331.

NORTH, Douglas. Teoria da localização e crescimento econômico regional. In: SCWARTZMANN, J. (org.) Economia regional e urbana: tetos escolhidos. Belo Horizonte: UFMG, p.333-343, 1977.

Pereira et al. Quantifying Urban Centrality: A Simple Index Proposal And International Comparison. Brasília: Ipea, 2012. Disponível em: http://ipea.gov.br/agencia/images/stories/PDFs/TDs/td_1675a.pdf.

SOUZA, Filipe Lage de. A localização da indústria de transformação brasileira nas últimas três décadas. Rio de Janeiro: EPGE-FGV, 2002. (Dissertação, Mestrado em Economia). 130p.

WIELAND, T. REAT: A Regional Economic Analysis Toolbox for R. REGION, 6(3), R1-R57. 2019. Disponível em: https://doi.org/10.18335/region.v6i3.267.