Introdução:

O projeto busca fornecer uma análise abrangente das movimentações portuárias em todo o Brasil, com o objetivo de entender a dinâmica regional e calcular o market-share de cada região no mercado portuário. Utilizando técnicas de manipulação e visualização de dados e avaliar a participação de mercado de cada local. Esta análise detalhada permitirá uma compreensão mais profunda da distribuição geográfica das atividades portuárias no país, contribuindo para decisões estratégicas informadas no setor portuário brasileiro.A análise desse dashboard irá contribuir para clientes que estão interessados em saber o volume de movimentação portuárias a nível regional e estadual.

Pacotes Requeridos:

library(ggplot2) #Plotar gráficos
library(dplyr) #Manipulação de tabelas
library(DT) #Criação Tabela

Preparação dos dados:

Informações sobre os dados

Os dados foram coletados no site da Antaq(Agência Nacional de Transportes Aquaviários), eles foram acessados em Fevereiro de 2024, a base mais atual é a de 2 meses atrás, então temos o ano de 2023 fechado. Aqui usamos duas tabelas uma chamada 2023Atracacao.txt e a outra 2023Carga.txt, Carga.txt têm 22199980 de linhas e 2023Atracacao.txt têm 93123 linhas, 27 e 26 colunas, respectivamente.

Importação e limpeza dos dados

library(dplyr)

atracacao <- read.table("2023Atracacao.txt", header = TRUE, sep = ";", fill = TRUE, fileEncoding = "UTF-8")

carga <- read.table("2023Carga.txt", header = TRUE, sep = ";", fill = TRUE, fileEncoding = "UTF-8")

Transformando em Dataframes e selecionando colunas que precisamos. Fazemos essa etapa para limpar grande parte de informações que não usaremos nessa análise:

df_atracacao <- as.data.frame(atracacao)
df_carga <- as.data.frame(carga)

df_atracacao <- df_atracacao %>% select(Ano, Mes, IDAtracacao, Região.Geográfica, SGUF, Porto.Atracação)

df_carga <- df_carga %>% select(TEU, FlagMCOperacaoCarga, IDAtracacao)

Fazendo o left_join dos dois Dataframes criados, limpeza, conversão de dados e agrupando. Fazemos essa etapa para conseguir com a key IDAtracacao, linkar os dados das duas tabelas:

df_final <- left_join(df_atracacao, df_carga, by = "IDAtracacao")
df_final <- df_final %>%
  filter(!is.na(TEU) & TEU != 0) %>%
  mutate(TEU = as.numeric(TEU)) 

df_final <- df_final %>%
  filter(FlagMCOperacaoCarga != 0)

df_final$Ano <- as.factor(df_final$Ano)
df_final$Mes <- as.factor(df_final$Mes)

df_tratado <- df_final %>%
  group_by(Ano, Mes, Porto.Atracação, Região.Geográfica, SGUF,) %>%
  summarise(Soma_TEU = sum(TEU, na.rm = TRUE),
            .groups = 'drop')

Filtrando e criando Dataframes por agrupamento: Mensal/Regional e Mensal/Estadual. Como podemos perceber, a varivel de maior interesse é a Soma_TEU, nela temos as informações de fato sobre o valor da movimentação daquela região ou estado.

df_Norte <- filter(df_tratado, Região.Geográfica == 'Norte')

df_Norte <- select(df_Norte, -Porto.Atracação)

df_Nordeste <- filter(df_tratado, Região.Geográfica == 'Nordeste')

df_Nordeste <- select(df_Nordeste, -Porto.Atracação)


df_Sul <- filter(df_tratado, Região.Geográfica == 'Sul')

df_Sul <- select(df_Sul, -Porto.Atracação)

df_Sudeste <- filter(df_tratado, Região.Geográfica == 'Sudeste')

df_Sudeste <- select(df_Sudeste, -Porto.Atracação)

df_Norte_sumarizado <- df_Norte %>%
  group_by(Ano, Mes) %>%
  summarize(Soma_TEU = sum(Soma_TEU), .groups = "drop")

df_Nordeste_sumarizado <- df_Nordeste %>%
  group_by(Ano, Mes) %>%
  summarize(Soma_TEU = sum(Soma_TEU), .groups = "drop")

df_Sul_sumarizado <- df_Sul %>%
  group_by(Ano, Mes) %>%
  summarize(Soma_TEU = sum(Soma_TEU), .groups = "drop")

df_Sudeste_sumarizado <- df_Sudeste %>%
  group_by(Ano, Mes) %>%
  summarize(Soma_TEU = sum(Soma_TEU), .groups = "drop")


df_Norte_sumarizado_UF <- df_Norte %>%
  group_by(Ano, Mes, SGUF) %>%
  summarize(Soma_TEU = sum(Soma_TEU), .groups = "drop")

df_Nordeste_sumarizado_UF <- df_Nordeste %>%
  group_by(Ano, Mes, SGUF) %>%
  summarize(Soma_TEU = sum(Soma_TEU), .groups = "drop")

df_Sul_sumarizado_UF <- df_Sul %>%
  group_by(Ano, Mes, SGUF) %>%
  summarize(Soma_TEU = sum(Soma_TEU), .groups = "drop")

df_Sudeste_sumarizado_UF <- df_Sudeste %>%
  group_by(Ano, Mes, SGUF) %>%
  summarize(Soma_TEU = sum(Soma_TEU), .groups = "drop")

Tabela Dados Limpos

library(DT)

tabela_interativa <- datatable(head(df_tratado, 200), options = list(pageLength = 10))

tabela_interativa

Análise exploratória dos dados:

Visão Regional

Aqui temos uma visão regional dos dados, podemos ver a movimentação de unidades de TEU. TEU é uma métrica muito usada quando estamos falando de transporte de conteinêres por navios. 1TEU equivale a 21,6 toneladas.

library(ggplot2)

ggplot(df_Norte_sumarizado, aes(x = Mes, y = Soma_TEU, fill = Soma_TEU)) +
  geom_bar(stat = "identity") +
  labs(title = "Movimentação Total por Mês na Região Norte",
       x = "Mês",
       y = "Soma TEU") +
  theme_minimal()

ggplot(df_Nordeste_sumarizado, aes(x = Mes, y = Soma_TEU, fill = Soma_TEU)) +
  geom_bar(stat = "identity") +
  labs(title = "Movimentação Total por Mês na Região Nordeste",
       x = "Mês",
       y = "Soma TEU") +
  theme_minimal()

ggplot(df_Sul_sumarizado, aes(x = Mes, y = Soma_TEU, fill = Soma_TEU)) +
  geom_bar(stat = "identity") +
  labs(title = "Movimentação Total por Mês na Região Sul",
       x = "Mês",
       y = "Soma TEU") +
  theme_minimal()

ggplot(df_Sudeste_sumarizado, aes(x = Mes, y = Soma_TEU, fill = Soma_TEU)) +
  geom_bar(stat = "identity") +
  labs(title = "Movimentação Total por Mês na Região Sudeste",
       x = "Mês",
       y = "Soma TEU") +
  theme_minimal()

Visão Estadual

Aqui temos uma visão estadual dos dados, podemos ver a movimentação de unidades de TEU. Nesse capitulo, temos os dados mais granulares, então conseguimos ver os pricipais estados de cada região. TEU é uma métrica muito usada quando estamos falando de transporte de conteinêres por navios. 1 TEU equivale a 21,6 toneladas.

azul <- "#0d7aff"
laranja <- "#f28500"
vermelho <- "#ff0000"
cinza <- "#797979"


ggplot(df_Norte_sumarizado_UF, aes(x = Mes, y = Soma_TEU, fill = SGUF)) +
  geom_bar(stat = "identity", position = "stack") +
  labs(title = "Soma TEU por Mês e SGUF", x = "Mês", y = "Soma TEU") +
  scale_fill_manual(values = c("AM" = laranja, "PA" = azul, "RO" = vermelho))

ggplot(df_Nordeste_sumarizado_UF, aes(x = Mes, y = Soma_TEU, fill = SGUF)) +
  geom_bar(stat = "identity", position = "stack") +
  labs(title = "Soma TEU por Mês e SGUF", x = "Mês", y = "Soma TEU") +
  scale_fill_manual(values = c("BA" = laranja, "CE" = azul, "PE" = vermelho, "RN" = cinza))

ggplot(df_Sul_sumarizado_UF, aes(x = Mes, y = Soma_TEU, fill = SGUF)) +
  geom_bar(stat = "identity", position = "stack") +
  labs(title = "Soma TEU por Mês e SGUF", x = "Mês", y = "Soma TEU") +
  scale_fill_manual(values = c("PR" = laranja, "RS" = azul, "SC" = vermelho))

ggplot(df_Sudeste_sumarizado_UF, aes(x = Mes, y = Soma_TEU, fill = SGUF)) +
  geom_bar(stat = "identity", position = "stack") +
  labs(title = "Soma TEU por Mês e SGUF", x = "Mês", y = "Soma TEU") +
  scale_fill_manual(values = c("ES" = vermelho, "RJ" = azul, "SP" = laranja))

Conclusão

Após a análise dos dados apresentados, podemos chegar a várias conclusões, depende do que buscamos ao entrar aqui nesse dashboard. Entre elas podemos percerber que a Região Sudeste é uma das mais influentes, com quases 500 mil TEUs ( aproximadamente 10 milhões de Toneladas) movimentados em apenas um mês. Se buscarmos algo mais especifico, podemos ver que Pernambuco e Ceára são bem parecidos em suas movimentações. A conclusão é de um dashboard bem completo, com várias visões possíveis. Para melhorar essa análise, poderíamos aplicar uma visão apenas por porto, para termos uma informação bem granular e saber o mercado estadual, por exemplo.