1 Introdução

O IFDM (Índice FIRJAN de Desenvolvimento Municipal) do Sistema FIRJAN (Federação das Indústrias do Estado do Rio de Janeiro) vai de 0 a 1 e é separado em 4 categorias de desenvolvimento, baixa (abaixo de 0,4), regular (entre 0,4 e 0,6), moderada (entre 0,6 e 0,8) e alta (acima de 0,8), e serve para medir o desenvolvimento dos municípios brasileiros em três áreas, a primeira é emprego e renda, com o número de empregos com carteira assinada e garantias de direitos trabalhistas sendo um dos pontos avaliados, a segunda é a educação, com as crianças em creches, pré-escolas e professores com ensino superior sendo alguns dos pontos avaliados, e a terceira é a saúde, sendo um dos pontos avaliados o número de consultas pré-natais oferecidas às gestantes.

O IFDM é importante para identificar os desenvolvimentos dos municipios e, com base nisso, tomar ações para um melhor desenvolvimento municipal, portanto, o presente relatório analisará os dados do estado do Espírito Santo do ano 2000, disponibilizados pelo IPEA (Instituto de Pesquisa Econômica Aplicada) sobre três IFDMs, os quais são o IFDM de emprego e renda, o IFDM de educação e o IFDM de saúde, com o objetivo de encontrar as cidades que possuem IFDM baixo para que assim seja descoberto se seria necessário dar maior atenção à estes casos, na tentativa de melhorar as políticas públicas dessas cidades e elevar os seus IFDMs para no mínimo regular.

2 Materiais e métodos

2.1 Bibliotecas

Abaixo há a listagem das bibliotecas usadas para a pesquisa:

library(readxl)
library(ggplot2)
library(knitr)
library(dplyr)

A readxl foi necessária para ler o arquivo xlsx no qual estavam os dados que foram baixados. A ggplot2 foi necessária para gerar os gráficos deste relatório. A knitr foi necessária para gerar as tabelas deste relatório. A dplyr foi necessária para classificar colunas com base em seus IFDMs.

2.2 Dados

Os dados utilizados neste relatório estão disponíveis site do IPEA (Instituto de Pesquisa Econômica Aplicada), foram baixados em formato xlsx, em seguida foram usados no RStudio, que por sua vez requer a instalação e conhecimento de R. Para usar os dados no RStudio, o arquivo foi movido para a pasta de trabalho dele, a variável nomexlsx guardou o nome do arquivo, a função read_excel leu o arquivo e sua leitura foi guardada na variável Dadoslidos, e em seguida a função as.data.frame transformou as informações em data frame, que foi guardado na variável dados, também foi utilizado a função str para averiguar a quantidade de linhas e colunas, e as classes de colunas, e através disso pôde-se concluir que o dataframe possue 80 linhas e 6 colunas. Contudo, 3 municípios do estado do Espírito Santo estavam com dados faltantes, foram eles Governador Lindenberg (código: 3202256), Riacho (código: 3299919) e Ponte do Itabapoana (código: 3299929).

## 'data.frame':    80 obs. of  6 variables:
##  $ Sigla          : chr  "ES" "ES" "ES" "ES" ...
##  $ Codigo         : chr  "3200102" "3200136" "3200169" "3200201" ...
##  $ Municipio      : chr  "Afonso Cláudio" "Águia Branca" "Água Doce do Norte" "Alegre" ...
##  $ Emprego e renda: num  0.384 0.38 0.423 0.268 0.456 ...
##  $ Educacao       : num  0.603 0.636 0.514 0.748 0.716 ...
##  $ Saude          : num  0.676 0.681 0.541 0.682 0.749 ...

2.3 Variáveis

$Sigla: sigla do estado do municípios; (nominal)

$Codigo: códigos de municípios, um código é constituído por 7 dígitos, sendo os dois primeiros dígitos referentes ao código do Estado e os demais referentes ao código do município, é importante para distinguir municípios em casos onde há mais de um município com um mesmo nome; (contínua)

$Municipio: nome do município; (nominal)

$Emprego e renda: IFDM de emprego e renda (inativa - 2000). Na geração dela foram avaliados geração de emprego formal, taxa de formalização do mercado de trabalho, geração de renda. massa salarial real no mercado de trabalho formal e índice de Gini de desigualdade de renda no trabalho formal; (contínua)

$Educacao: IFDM de Educação (inativa - 2000). Na constituição dela foram avaliados atendimento à educação infantil, abandono no ensino fundamental, como também distorção idade-série, docentes com ensino superior, média de horas das aulas diárias e resultado do IDEB no ensino fundamental; (contínua)

$Saude: IFDM de Saúde (inativa - 2000). Na composição dela forma avaliados proporção de atendimento adequado de pré-natal, óbitos por causas mal definidas, óbitos infantis por causas evitáveis e internação sensível à atenção básica (ISAB); (contínua)

2.4 Método

Após transformados em formato data frame, fizemos uma análise prévia usando a função boxplot para gerar gráficos sobre os IFDMs, depois os dados passaram por um processo de classificação, de acordo com a classificação do próprio FIRJAN, sendo classificados em quatro níveis, para isso foi necessário o %>%, usado para que o R consiga ler bem comandos envolvendo vários operadores. Assim, foram gerados três data frames com uma nova coluna de classificação, empreniveis (com classificação com base na coluna de emprego e renda), eduniveis (com classificação com base na coluna de educação), sauniveis (com classificação com base na coluna de saúde), para posteriormente pegarmos apenas os dados dos municípios com classificação baixa, os quais seus dados foram armazenados nos data frames Emprebaixo, Edubaixo e Saubaixo. E por fim, o Emprebaixo foi posto em ordem decrescente e armazenado em OrdemEmpre para melhor visualização nos gráficos, usamos a função kable para a produção de tabelas, a boxplot para a produção de gráficos de caixa e a ggplot para a produção de gráficos de barras e de pizza, no entanto o mesmo não pôde ser repetido com os data frames Edubaixo e Saubaixo, tendo em vista que nenhum dos municipios em dados possuíam IFDM de educação ou saúde classificados como baixos (abaixo de 0,4), então, nesses casos, nos limitamos a usar apenas a função boxplot para gráfico de caixa e ggplot para gráfico de pizza nos data frames eduniveis e sauniveis.

3 Resultados

Acima, vemos um gráfico que nos mostra que os municípios do estado do Espírito Santo não possuem IFDM de educação baixo (abaixo de 0,4), pois todos estão em faixas de classificações superiores (de 0,4 para cima).

Acima, olhamos um gráfico que exibe que os municípios do estado do Espírito Santo não possuem IFDM de saúde baixo (abaixo de 0,4), pois todos estão em faixas de classificaçôes superiores (de 0,4 para cima).

Acima, fitamos um gráfico que expõe a presença de municípios com IFDM de emprego e renda baixo (abaixo de 0,4), provando que nos é perfeitamente possível prosseguir com nossas análises.

Abaixo é possível ver uma tabela com a listagem de todos esses municípios classificados como baixos com base em seus IFDMs de emprego e renda, os quais ainda serão mostrados em gráfico:

Sigla Codigo Municipio Emprego e renda Educacao Saude Classificacao
26 ES 3202207 Fundão 0.3993174 0.6970709 0.7469171 Baixo
25 ES 3202108 Ecoporanga 0.3975494 0.5652758 0.6973022 Baixo
18 ES 3201407 Castelo 0.3959326 0.7676405 0.7739170 Baixo
28 ES 3202306 Guaçuí 0.3959001 0.7044816 0.6125037 Baixo
12 ES 3200904 Barra de São Francisco 0.3942974 0.5532798 0.6301836 Baixo
10 ES 3200706 Atilio Vivacqua 0.3929981 0.7486809 0.7412372 Baixo
14 ES 3201100 Bom Jesus do Norte 0.3866206 0.6287075 0.7851225 Baixo
40 ES 3203106 Jerônimo Monteiro 0.3841935 0.7336455 0.7355259 Baixo
1 ES 3200102 Afonso Cláudio 0.3840776 0.6025505 0.6764919 Baixo
2 ES 3200136 Águia Branca 0.3799727 0.6364610 0.6806286 Baixo
35 ES 3202702 Itaguaçu 0.3757864 0.7404541 0.6770061 Baixo
48 ES 3203403 Mimoso do Sul 0.3710062 0.6136287 0.8092776 Baixo
24 ES 3202009 Dores do Rio Preto 0.3677783 0.6297214 0.5797740 Baixo
29 ES 3202405 Guarapari 0.3650737 0.6152587 0.8325991 Baixo
30 ES 3202454 Ibatiba 0.3629620 0.5816248 0.6496417 Baixo
31 ES 3202504 Ibiraçu 0.3574006 0.7303532 0.8038097 Baixo
56 ES 3204104 Pinheiros 0.3544984 0.6368561 0.5899316 Baixo
45 ES 3203320 Marataízes 0.3542639 0.6375628 0.6181998 Baixo
61 ES 3204401 Rio Novo do Sul 0.3519722 0.7023577 0.6937358 Baixo
50 ES 3203601 Mucurici 0.3491608 0.6186148 0.6776716 Baixo
54 ES 3204005 Pancas 0.3378927 0.6005389 0.6042191 Baixo
23 ES 3201902 Domingos Martins 0.3347221 0.6255892 0.6841528 Baixo
6 ES 3200359 Alto Rio Novo 0.3285469 0.6653524 0.5997399 Baixo
34 ES 3202652 Irupi 0.3245306 0.4816549 0.5781761 Baixo
11 ES 3200805 Baixo Guandu 0.3221582 0.6210413 0.7019797 Baixo
64 ES 3204609 Santa Teresa 0.3192166 0.6947034 0.7441206 Baixo
57 ES 3204203 Piúma 0.3151947 0.6748280 0.7542747 Baixo
42 ES 3203163 Laranja da Terra 0.3045700 0.6308489 0.6231182 Baixo
58 ES 3204252 Ponto Belo 0.3037727 0.5623042 0.6706229 Baixo
46 ES 3203346 Marechal Floriano 0.2907934 0.6385164 0.7189431 Baixo
59 ES 3204302 Presidente Kennedy 0.2864963 0.6104092 0.5849777 Baixo
52 ES 3203809 Muqui 0.2853904 0.6979350 0.6901702 Baixo
49 ES 3203502 Montanha 0.2836378 0.5672915 0.6273959 Baixo
69 ES 3204955 São Roque do Canaã 0.2811226 0.7169654 0.7330966 Baixo
47 ES 3203353 Marilândia 0.2809967 0.7867134 0.6843383 Baixo
22 ES 3201803 Divino de São Lourenço 0.2780109 0.5228341 0.5438907 Baixo
4 ES 3200201 Alegre 0.2680333 0.7481056 0.6822402 Baixo
32 ES 3202553 Ibitirama 0.2626051 0.5256382 0.6102696 Baixo
38 ES 3203007 Iúna 0.2457656 0.5641462 0.5888458 Baixo
39 ES 3203056 Jaguaré 0.2290288 0.6669633 0.8111820 Baixo
55 ES 3204054 Pedro Canário 0.2158223 0.5222053 0.6238357 Baixo
67 ES 3204807 São José do Calçado 0.2076171 0.6495421 0.6489114 Baixo
71 ES 3205010 Sooretama 0.1770456 0.5706506 0.6221743 Baixo
15 ES 3201159 Brejetuba 0.1713244 0.5132063 0.6064408 Baixo

Abaixo, usamos a função str para exibir o número de municípios com IFDM de emprego e renda baixo:

## 'data.frame':    44 obs. of  7 variables:
##  $ Sigla          : chr  "ES" "ES" "ES" "ES" ...
##  $ Codigo         : chr  "3202207" "3202108" "3201407" "3202306" ...
##  $ Municipio      : chr  "Fundão" "Ecoporanga" "Castelo" "Guaçuí" ...
##  $ Emprego e renda: num  0.399 0.398 0.396 0.396 0.394 ...
##  $ Educacao       : num  0.697 0.565 0.768 0.704 0.553 ...
##  $ Saude          : num  0.747 0.697 0.774 0.613 0.63 ...
##  $ Classificacao  : chr  "Baixo" "Baixo" "Baixo" "Baixo" ...

Acima, podemos ver um gráfico mostrando os 44 municípios com IFDM de emprego e renda baixo, sendo, entre eles, os dois maiores IFDMs os municipios de Fundão e Ecoporanga, que quase alcançaram uma classificação regular (entre 0,4 e 0,6), e os dois municípios de menores IFDMs sendo os municípios de Brejetuba e Sooretama, que ficaram abaixo da faixa de 0,2 de IFDM em emprego e renda.

E por fim, podemos observar acima um gráfico pizza mostrando que mais da metade dos municípios do estado de Espírito Santo possuem IFDM baixo em emprego e renda, a segunda maior parte possue IFDM regular e a menor parte possue IFDM moderado, não havendo municípios que possuem IFDM alto em emprego e renda neste estado, encerrando a análise sobre emprego e renda e deixando claro que essa área é a mais preocupante do estado de Espírito Santo.

Acima podemos ver um gráfico pizza que explana que os municípios do estado do Espírito Santo foram bem quando se trata de IFDMs de educação, sendo cerca de dois terços de seus municípios classificados como tendo IFDM de educação moderada, a segunda maior parte tendo IFDM regular e a menor das três partes sendo classificado como alta em IFDM de educação, não havendo nenhum município com classificação baixa, por tanto encerra-se agora a análise de IFDMs de educação.

E por fim, acima podemos ver um gráfico pizza que mostra que os municípios do estado do Espírito Santo, em quesito IFDMs de saúde, foram bem, formando um gráfico similar a uma pirâmide de ponta-cabeça, sendo cerca de três quartos dos municípios classificados possuindo IFDM de saúde moderada, cerca de dois oitavos possuindo IFDM regular e dois oitavos tendo IFDM de saúde com classificação alta, não havendo nenhum município com classificação baixa, e finaliza-se a análise de IFDMs de saúde.

Acima mostramos a quantidade de municípios que não puderam participar da nossa análise por terem dados faltantes de IFDMs, o gráfico em questão usa o data frame empreniveis, mas vocês verão que os gráficos são os mesmos para eduniveis e sauniveis. Como podem ver são uma pequena parcela dos municípios do Espírito Santo que não puderam ser classificados por falta de dados.

Acima é visível um gráfico pizza expressando a quantidade de municípios com dados faltantes em IFDMs de Educação, que por sua vez é idêntico ao gráfico pizza que expressa a quantidade de municípios com dados faltantes em IFDMs de Emprego e Renda, como já foi mencionado anteriormente, sendo apenas uma pequena parcela que não pôde ser classificada.

Para finalizarmos de vez a nossa análise de modo geral, sem deixar questões pendentes, podemos ver acima um gráfico pizza expressando a quantidade de municípios com dados faltantes em IFDMs de saúde, os quais são uma pequena parcela dos municípios do Espírito Santo que não puderam ser classificados por falta de dados.

4 Conclusões finais

Concluísse que, ao analisarmos os dados do ano 2000, encontrou-se dados que revelam que o estado do Espírito Santo possuía municípios com bons desenvolvimentos na educação e saúde, sendo todos classificados como regular, moderado e alto em seus IFDMs, não havendo expressão de índices preocupantes nessas áreas, no entanto, uma área que necessitou de muitíssima atenção é a de emprego e renda, tendo em vista que 44 dos municípios do Espírito Santo possuíram IFDMs baixos em emprego e renda, isto é, mais da metade dos municípios do Espírito Santo precisavam receber atenção nessa área, que envolve se ater a geração de emprego formal, taxa de formalização do mercado de trabalho, geração de renda, massa salarial real no mercado de trabalho formal e índice de Gini de desigualdade de renda no trabalho formal, que conclui que na época havia a necessidade de melhorar as políticas públicas desses 44 municípios para melhorar seus IFDMs em emprego e renda.

Referências

Códigos dos municípios IBGE, IBGE, disponível em: https://www.ibge.gov.br/explica/codigos-dos-municipios.php. Acesso em 06 de dez. de 2023.

Índice FIRJAN de Desenvolvimento Municipal (IFDM), FIRJAN, disponível em: https://www.firjan.com.br/ifdm/. Acesso em 04 de dez. de 2023.

IPEAdata, disponível em: http://www.ipeadata.gov.br/Default.aspx. Acesso em 06 de dez. de 2023.

Metodologia IFDM - Final, FIRJAN, 2018, disponível em: https://www.firjan.com.br/data/files/E8/06/F0/D5/58E1B610E6543AA6A8A809C2/Metodologia%20IFDM%20-%20Final.pdf. Acesso em 06 de dez. de 2023.

RStudio Desktop, posit, disponível em: https://posit.co/download/rstudio-desktop/. Acesso em 07 de dez. de 2023.

The Comprehensive R Archive Network, CRAN, disponível em: https://cran-r.c3sl.ufpr.br/. Acesso em 07 de dez. de 2023.

Anexo

# Bibliotecas usadas:

library(readxl)
library(ggplot2)
library(knitr)
library(dplyr)
# Trazendo dados pro RStudio:

nomexlsx <- "IPEAdoES.xlsx"
Dadoslidos <- read_excel(nomexlsx, sheet = 1)
# Convertendo em dataframe:

dados <- as.data.frame(Dadoslidos)
# Olhando dimensões do data frame e as classes de suas colunas:

str(dados)
## 'data.frame':    80 obs. of  6 variables:
##  $ Sigla          : chr  "ES" "ES" "ES" "ES" ...
##  $ Codigo         : chr  "3200102" "3200136" "3200169" "3200201" ...
##  $ Municipio      : chr  "Afonso Cláudio" "Águia Branca" "Água Doce do Norte" "Alegre" ...
##  $ Emprego e renda: num  0.384 0.38 0.423 0.268 0.456 ...
##  $ Educacao       : num  0.603 0.636 0.514 0.748 0.716 ...
##  $ Saude          : num  0.676 0.681 0.541 0.682 0.749 ...
# Fazendo gráfico boxplot para a coluna "Educacao":

boxplot(na.omit(dados$Educacao))

# Fazendo gráfico boxplot para a coluna "Saude":

boxplot(na.omit(dados$Saude))

# Fazendo gráfico boxplot para a coluna "`Emprego e renda`":

boxplot(na.omit(dados$`Emprego e renda`))

# Adicionando uma nova coluna com base na classificação da coluna "`Emprego e renda`":

empreniveis <- dados %>%
  mutate(Classificacao = ifelse(`Emprego e renda` < 0.4, "Baixo",
      ifelse(`Emprego e renda` >= 0.4 & `Emprego e renda` < 0.6, "Regular",
          ifelse(`Emprego e renda` >= 0.6 & `Emprego e renda` < 0.8, "Moderado",
                ifelse(`Emprego e renda` >= 0.8, "Alto", NA)))))
# Adicionando uma nova coluna com base na classificação da coluna "Educacao":

eduniveis <- dados %>%
  mutate(Classificacao = ifelse(Educacao < 0.4, "Baixo",
      ifelse(Educacao >= 0.4 & Educacao < 0.6, "Regular",
          ifelse(Educacao >= 0.6 & Educacao < 0.8, "Moderado",
                ifelse(Educacao >= 0.8, "Alto", NA)))))
# Adicionando uma nova coluna com base na classificação da coluna "Saude":

sauniveis <- dados %>%
  mutate(Classificacao = ifelse(Saude < 0.4, "Baixo",
      ifelse(Saude >= 0.4 & Saude < 0.6, "Regular",
          ifelse(Saude >= 0.6 & Saude < 0.8, "Moderado",
                ifelse(Saude >= 0.8, "Alto", NA)))))
# Pegando apenas os dados dos municípios com classificação baixa de acordo com cada coluna de IFDM:

Emprebaixo <- empreniveis[empreniveis$Classificacao == "Baixo",]
Edubaixo <- eduniveis[eduniveis$Classificacao == "Baixo",]
Saubaixo <- sauniveis[sauniveis$Classificacao == "Baixo",]
# Ordenando o data frame "Emprebaixo", que guarda a classificação dos municípios com base em IFDM de emprego e renda, em ordem decrescente e armazenando em "OrdemEmpre":

OrdemEmpre <- Emprebaixo[order(-Emprebaixo$`Emprego e renda`, Emprebaixo$Municipio), ]
# Retirando os 3 municípios com dados faltantes que acabaram sendo armazenados no data frame:

OrdemEmpre <- head(OrdemEmpre, 44)
# Gerando tabela para exibir os municípios classificados como baixos com base em seus IFDMs de emprego e renda:

kable(OrdemEmpre)
Sigla Codigo Municipio Emprego e renda Educacao Saude Classificacao
26 ES 3202207 Fundão 0.3993174 0.6970709 0.7469171 Baixo
25 ES 3202108 Ecoporanga 0.3975494 0.5652758 0.6973022 Baixo
18 ES 3201407 Castelo 0.3959326 0.7676405 0.7739170 Baixo
28 ES 3202306 Guaçuí 0.3959001 0.7044816 0.6125037 Baixo
12 ES 3200904 Barra de São Francisco 0.3942974 0.5532798 0.6301836 Baixo
10 ES 3200706 Atilio Vivacqua 0.3929981 0.7486809 0.7412372 Baixo
14 ES 3201100 Bom Jesus do Norte 0.3866206 0.6287075 0.7851225 Baixo
40 ES 3203106 Jerônimo Monteiro 0.3841935 0.7336455 0.7355259 Baixo
1 ES 3200102 Afonso Cláudio 0.3840776 0.6025505 0.6764919 Baixo
2 ES 3200136 Águia Branca 0.3799727 0.6364610 0.6806286 Baixo
35 ES 3202702 Itaguaçu 0.3757864 0.7404541 0.6770061 Baixo
48 ES 3203403 Mimoso do Sul 0.3710062 0.6136287 0.8092776 Baixo
24 ES 3202009 Dores do Rio Preto 0.3677783 0.6297214 0.5797740 Baixo
29 ES 3202405 Guarapari 0.3650737 0.6152587 0.8325991 Baixo
30 ES 3202454 Ibatiba 0.3629620 0.5816248 0.6496417 Baixo
31 ES 3202504 Ibiraçu 0.3574006 0.7303532 0.8038097 Baixo
56 ES 3204104 Pinheiros 0.3544984 0.6368561 0.5899316 Baixo
45 ES 3203320 Marataízes 0.3542639 0.6375628 0.6181998 Baixo
61 ES 3204401 Rio Novo do Sul 0.3519722 0.7023577 0.6937358 Baixo
50 ES 3203601 Mucurici 0.3491608 0.6186148 0.6776716 Baixo
54 ES 3204005 Pancas 0.3378927 0.6005389 0.6042191 Baixo
23 ES 3201902 Domingos Martins 0.3347221 0.6255892 0.6841528 Baixo
6 ES 3200359 Alto Rio Novo 0.3285469 0.6653524 0.5997399 Baixo
34 ES 3202652 Irupi 0.3245306 0.4816549 0.5781761 Baixo
11 ES 3200805 Baixo Guandu 0.3221582 0.6210413 0.7019797 Baixo
64 ES 3204609 Santa Teresa 0.3192166 0.6947034 0.7441206 Baixo
57 ES 3204203 Piúma 0.3151947 0.6748280 0.7542747 Baixo
42 ES 3203163 Laranja da Terra 0.3045700 0.6308489 0.6231182 Baixo
58 ES 3204252 Ponto Belo 0.3037727 0.5623042 0.6706229 Baixo
46 ES 3203346 Marechal Floriano 0.2907934 0.6385164 0.7189431 Baixo
59 ES 3204302 Presidente Kennedy 0.2864963 0.6104092 0.5849777 Baixo
52 ES 3203809 Muqui 0.2853904 0.6979350 0.6901702 Baixo
49 ES 3203502 Montanha 0.2836378 0.5672915 0.6273959 Baixo
69 ES 3204955 São Roque do Canaã 0.2811226 0.7169654 0.7330966 Baixo
47 ES 3203353 Marilândia 0.2809967 0.7867134 0.6843383 Baixo
22 ES 3201803 Divino de São Lourenço 0.2780109 0.5228341 0.5438907 Baixo
4 ES 3200201 Alegre 0.2680333 0.7481056 0.6822402 Baixo
32 ES 3202553 Ibitirama 0.2626051 0.5256382 0.6102696 Baixo
38 ES 3203007 Iúna 0.2457656 0.5641462 0.5888458 Baixo
39 ES 3203056 Jaguaré 0.2290288 0.6669633 0.8111820 Baixo
55 ES 3204054 Pedro Canário 0.2158223 0.5222053 0.6238357 Baixo
67 ES 3204807 São José do Calçado 0.2076171 0.6495421 0.6489114 Baixo
71 ES 3205010 Sooretama 0.1770456 0.5706506 0.6221743 Baixo
15 ES 3201159 Brejetuba 0.1713244 0.5132063 0.6064408 Baixo 
# Exibindo o número e propriedades do dataframe "OrdemEmpre":

str(OrdemEmpre)
## 'data.frame':    44 obs. of  7 variables:
##  $ Sigla          : chr  "ES" "ES" "ES" "ES" ...
##  $ Codigo         : chr  "3202207" "3202108" "3201407" "3202306" ...
##  $ Municipio      : chr  "Fundão" "Ecoporanga" "Castelo" "Guaçuí" ...
##  $ Emprego e renda: num  0.399 0.398 0.396 0.396 0.394 ...
##  $ Educacao       : num  0.697 0.565 0.768 0.704 0.553 ...
##  $ Saude          : num  0.747 0.697 0.774 0.613 0.63 ...
##  $ Classificacao  : chr  "Baixo" "Baixo" "Baixo" "Baixo" ...
# Produzindo gráfico de barras decrescente de todos os municípios classificados como baixo em relação a seus IFDMs de emprego e renda:

ggplot(OrdemEmpre, aes(x = `Emprego e renda`, y = reorder(Municipio, `Emprego e renda`))) +
  geom_bar(stat = "identity", fill = "orange") +
  theme(axis.text.x = element_text(angle = 40, hjust = 1)) +
  labs(title = "IFDM Emprego e Renda - baixo", x = "Emprego e Renda", y = "Municípios")

# Definindo as cores que serão usadas no gráfico pizza de emprego e renda:

pizzacoresempre <- c("#FF3333", "#4474FF", "#FFF555", "#4DAF4A")
# Retirando dados faltantes do data frame e armazendo em "emprepizza":

emprepizza <- na.omit(empreniveis)
# Produzindo gráfico pizza dos municípios classificados em relação a seus IFDMs de emprego e renda:

ggplot(emprepizza, aes(x = "", y = "", fill = Classificacao)) +
  geom_bar(stat = "identity", width = 1) +
  coord_polar("y") +
  theme_minimal() +
  scale_fill_manual(values = pizzacoresempre) +
  labs(title = "Classificações dos IFDMs de emprego e renda", fill = "Classificações")

# Definindo as cores que serão usadas no gráfico pizza de educação:

pizzacoresedu <- c("#4DAF4A", "#4474FF", "#FFF333", "#FF3333")
# Retirando dados faltantes do data frame e armazendo em "edupizza":

edupizza <- na.omit(eduniveis)
# Produzindo gráfico pizza dos municípios classificados em relação a seus IFDMs de educação:

ggplot(edupizza, aes(x = "", y = "", fill = Classificacao)) +
  geom_bar(stat = "identity", width = 1) +
  coord_polar("y") +
  theme_minimal() +
  scale_fill_manual(values = pizzacoresedu) +
  labs(title = "Classificações dos IFDMs de Educação", fill = "Classificações")

# Definindo as cores que serão usadas no gráfico pizza de saúde:

pizzacoressau <- c("#4DAF4A", "#4474FF", "#FFF333", "#FF3333")
# Retirando dados faltantes do data frame e armazendo em "saupizza":

saupizza <- na.omit(sauniveis)
# Produzindo gráfico pizza dos municípios classificados em relação a seus IFDMs de saúde:

ggplot(saupizza, aes(x = "", y = "", fill = Classificacao)) +
  geom_bar(stat = "identity", width = 1) +
  coord_polar("y") +
  theme_minimal() +
  scale_fill_manual(values = pizzacoressau) +
  labs(title = "Classificações dos IFDMs de Saúde", fill = "Classificações")

# Definindo as cores que serão usadas nos gráficos pizzas de IFDMs classificados e IFDMs faltantes:

pizzacoresfal <- c("#204070", "#204070", "#204070", "#D9D9D9")
# Produzindo gráfico pizza de IFDMs classificados e IFDMs faltantes em emprego e renda:

ggplot(empreniveis, aes(x = "", y = "", fill = Classificacao)) +
  geom_bar(stat = "identity", width = 1) +
  coord_polar("y") +
  theme_minimal() +
  scale_fill_manual(values = pizzacoresfal) +
  labs(title = "Classificação de IFDMs e IFDMs faltantes - Emprego e Renda", fill = "Classificações")

# Produzindo gráfico pizza de IFDMs classificados e IFDMs faltantes em educação:

ggplot(eduniveis, aes(x = "", y = "", fill = Classificacao)) +
  geom_bar(stat = "identity", width = 1) +
  coord_polar("y") +
  theme_minimal() +
  scale_fill_manual(values = pizzacoresfal) +
  labs(title = "Classificação de IFDMs e IFDMs faltantes - Educação", fill = "Classificações")

# Produzindo gráfico pizza de IFDMs classificados e IFDMs faltantes em saúde:

ggplot(sauniveis, aes(x = "", y = "", fill = Classificacao)) +
  geom_bar(stat = "identity", width = 1) +
  coord_polar("y") +
  theme_minimal() +
  scale_fill_manual(values = pizzacoresfal) +
  labs(title = "Classificação de IFDMs e IFDMs faltantes - Saúde", fill = "Classificações")