CNI - Códigos
# =========== Pacotes ============
library(readr)
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ purrr 1.1.0
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.2 ✔ tibble 3.3.0
## ✔ lubridate 1.9.4 ✔ tidyr 1.3.1
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(dplyr)
library(tidyr)
library(ggplot2)
library(knitr)
library(kableExtra)##
## Anexando pacote: 'kableExtra'
##
## O seguinte objeto é mascarado por 'package:dplyr':
##
## group_rowslibrary(scales)##
## Anexando pacote: 'scales'
##
## O seguinte objeto é mascarado por 'package:purrr':
##
## discard
##
## O seguinte objeto é mascarado por 'package:readr':
##
## col_factorLendo a base de dados
# =========== Empregos por seção CNAE ============
dados_secao <- read_csv2("C:/Users/Katharine Rodrigues/Documents/CNI/emprego_secao_anos_(1).csv", locale = locale(encoding = "LATIN1"), skip = 1, n_max = 536, show_col_types = FALSE)## ℹ Using "','" as decimal and "'.'" as grouping mark. Use `read_delim()` for more control.# =========== Empregos por divisão CNAE ============
dados_divisao <- read_csv2("C:/Users/Katharine Rodrigues/Documents/CNI/emprego_divisao_(1).csv", locale = locale(encoding = "LATIN1"), skip = 1, n_max = 29, show_col_types = FALSE)## ℹ Using "','" as decimal and "'.'" as grouping mark. Use `read_delim()` for more control.Evolução do emprego por seção CNAE
# =========== Organizando a tabela ============
dados_brasil_longo <- dados_secao %>%
# filtro
filter(UF == "Total") %>%
# transformando em linhas
pivot_longer( cols = 3:ncol(.), names_to = "Secao_CNAE", values_to = "Numero_Empregos")# =========== Variação ============
#ano -> para ser lido numericamente
dados_brasil_longo$Ano <- as.numeric(dados_brasil_longo$Ano)## Warning: NAs introduzidos por coerção#variação do emprego entre 2006 e 2023
variacao_emprego <- dados_brasil_longo %>%
#Filtro
filter(Ano == 2006 | Ano == 2023) %>%
#colunas separadas para os valores de 2006 e 2023
pivot_wider(names_from = Ano, values_from = Numero_Empregos ) %>%
#variação absoluta (nº de vagas) e percentual
mutate( Variacao_Absoluta = `2023` - `2006`,
Variacao_Percentual = (`2023` / `2006` - 1) * 100 ) %>%
arrange(desc(Variacao_Absoluta))
View(variacao_emprego)Gráfico de crescimento
# =========== Crescimento ============
crescimento <- variacao_emprego %>%
filter(!Secao_CNAE %in% c("Total", "IGNORADO")) %>%
slice_max(order_by = Variacao_Absoluta, n = 5)
#ggplot
grafico_crescimento<-ggplot(crescimento, aes(x = Variacao_Absoluta, y = fct_reorder(Secao_CNAE, Variacao_Absoluta))) +
geom_col(fill = "steelblue", width = 0.6) +
geom_text(aes(label = scales::number(Variacao_Absoluta, big.mark = ".", decimal.mark = ",")),
hjust = -0.1,
size = 3) +
scale_x_continuous(labels = label_number(big.mark = ".", decimal.mark = ","), limits = c(0, 4500000)) +
scale_y_discrete(labels = function(x) str_wrap(x, width = 40)) +
labs(
title = "Seções com Maior Crescimento de Vagas (2006-2023)",
x = "Total de Novas Vagas",
y = ""
) +
theme_minimal()
print(grafico_crescimento)
Gráfico de queda
# =========== Queda ============
queda <- variacao_emprego %>%
#filtro < 0
filter(Variacao_Absoluta < 0 & !Secao_CNAE %in% c("ADMINISTRAÇÃO PÚBLICA, DEFESA E SEGURIDADE SOCIAL"))
#ggplot
ggplot(queda, aes(x = Variacao_Absoluta, y = fct_reorder(Secao_CNAE, Variacao_Absoluta, .desc = FALSE))) +
geom_col(fill = "#d9534f", width = 0.4) +
geom_text(aes(label = scales::number(Variacao_Absoluta, big.mark = ".", decimal.mark = ",")),
hjust = 1.1,
size = 3.5,
color = "white") +
scale_x_continuous(labels = label_number(big.mark = ".", decimal.mark = ",")) +
scale_y_discrete(labels = function(x) str_wrap(x, width = 40)) +
labs(
title = "Seções com Queda de Vagas (2006-2023)",
x = "Total de Vagas Perdidas",
y = ""
) +
theme_minimal()
queda_com_adm <- variacao_emprego %>%
filter(Variacao_Absoluta < 0)
ggplot(queda_com_adm, aes(x = Variacao_Absoluta, y = fct_reorder(Secao_CNAE, Variacao_Absoluta, .desc = FALSE))) +
geom_col(fill = "#d9534f", width = 0.4) +
geom_text(aes(label = scales::number(Variacao_Absoluta, big.mark = ".", decimal.mark = ",")),
hjust = 1.1,
size = 3.5,
color = "white") +
scale_x_continuous(labels = label_number(big.mark = ".", decimal.mark = ",")) +
scale_y_discrete(labels = function(x) str_wrap(x, width = 40)) +
labs(
title = "Seções com Queda de Vagas (2006-2023)",
# Adicionamos um subtítulo para deixar claro que o dado está incluído
subtitle = "Incluindo o dado anômalo de Administração Pública",
x = "Total de Vagas",
y = "Seção CNAE" # Adicionei um título para o eixo y
) +
theme_minimal() # Adicionei um tema para melhorar a aparência
Comparação entre Estados
# =========== Organizando a tabela ============
#dados por divisão e por estado
dados_divisao_longo <- dados_divisao %>%
#total nacional
filter(UF != "Total") %>%
#col -> row
pivot_longer(cols = 2:(ncol(.)-1),
names_to = "Divisao_CNAE",
values_to = "Numero_Empregos" )
# Código cnae
dados_divisao_longo <- dados_divisao_longo %>%
separate(Divisao_CNAE, into = c("Codigo_Divisao", "Nome_Divisao"), sep = ":", extra = "merge")
# tabela
dados_selecionados <- dados_divisao_longo %>%
# coluna numérica
mutate(Codigo_Divisao = as.numeric(Codigo_Divisao)) %>%
# Filtro códigos das divisões
filter((Codigo_Divisao >= 10 & Codigo_Divisao <= 33) |
(Codigo_Divisao >= 45 & Codigo_Divisao <= 47)) %>%
# principais setores
mutate(Secao = case_when(
Codigo_Divisao <= 33 ~ "Indústria de Transformação",
Codigo_Divisao >= 45 ~ "Comércio e Reparação"))Ranking Indústria
ranking_industria <- dados_selecionados %>%
filter(Secao == "Indústria de Transformação") %>%
group_by(UF) %>%
summarise(Total_Empregos_Industria = sum(Numero_Empregos)) %>%
arrange(desc(Total_Empregos_Industria))
print(ranking_industria, n = 27)## # A tibble: 28 × 2
## UF Total_Empregos_Industria
## <chr> <dbl>
## 1 35:35 - São Paulo 2465918
## 2 31:31 - Minas Gerais 865098
## 3 42:42 - Santa Catarina 737869
## 4 41:41 - Paraná 723997
## 5 43:43 - Rio Grande do Sul 686821
## 6 33:33 - Rio de Janeiro 344055
## 7 52:52 - Goiás 267531
## 8 23:23 - Ceará 253528
## 9 29:29 - Bahia 248072
## 10 26:26 - Pernambuco 222428
## 11 32:32 - Espírito Santo 130332
## 12 51:51 - Mato Grosso 126065
## 13 13:13 - Amazonas 116819
## 14 50:50 - Mato Grosso do Sul 109489
## 15 15:15 - Pará 103251
## 16 25:25 - Paraíba 74865
## 17 27:27 - Alagoas 71709
## 18 24:24 - Rio Grande do Norte 60682
## 19 28:28 - Sergipe 42806
## 20 21:21 - Maranhão 42290
## 21 11:11 - Rondônia 39126
## 22 53:53 - Distrito Federal 35724
## 23 22:22 - Piauí 30526
## 24 17:17 - Tocantins 18865
## 25 12:12 - Acre 7042
## 26 16:16 - Amapá 3848
## 27 14:14 - Roraima 3458
## # ℹ 1 more rowTabela Indústria
#Tabela ranking 5
top5_industria_academico <- ranking_industria %>%
slice_max(order_by = Total_Empregos_Industria, n = 5)
top5_industria_academico %>%
kbl(
caption = "Tabela 1: Total de empregos na Indústria de Transformação nos cinco principais estados do Brasil (2023).",
col.names = c("Estado", "Nº de Empregos"),
align = "lr",
format.args = list(big.mark = "."),
booktabs = TRUE
) %>%
kable_classic(
full_width = FALSE,
html_font = "Times New Roman"
) %>%
footnote(
general = "Elaboração própria com base nos dados da Relação Anual de Informações Sociais (RAIS).",
general_title = "Fonte:",
footnote_as_chunk = TRUE,
fixed_small_size = TRUE
)## Warning in prettyNum(.Internal(format(x, trim, digits, nsmall, width, 3L, :
## 'big.mark' e 'decimal.mark' são ambos '.', o que pode ser confuso| Estado | Nº de Empregos |
|---|---|
| 35:35 - São Paulo | 2.465.918 |
| 31:31 - Minas Gerais | 865.098 |
| 42:42 - Santa Catarina | 737.869 |
| 41:41 - Paraná | 723.997 |
| 43:43 - Rio Grande do Sul | 686.821 |
| Fonte: Elaboração própria com base nos dados da Relação Anual de Informações Sociais (RAIS). |
Comercio Ranking
ranking_comercio <- dados_selecionados %>%
filter(Secao == "Comércio e Reparação") %>%
group_by(UF) %>%
summarise(Total_Empregos_Comercio = sum(Numero_Empregos)) %>%
arrange(desc(Total_Empregos_Comercio))
print(ranking_comercio, n = 27)## # A tibble: 28 × 2
## UF Total_Empregos_Comercio
## <chr> <dbl>
## 1 35:35 - São Paulo 2911740
## 2 31:31 - Minas Gerais 1059593
## 3 33:33 - Rio de Janeiro 814409
## 4 41:41 - Paraná 727200
## 5 43:43 - Rio Grande do Sul 648597
## 6 42:42 - Santa Catarina 524759
## 7 29:29 - Bahia 486538
## 8 52:52 - Goiás 340418
## 9 26:26 - Pernambuco 332751
## 10 23:23 - Ceará 280034
## 11 15:15 - Pará 250901
## 12 51:51 - Mato Grosso 247001
## 13 32:32 - Espírito Santo 227458
## 14 53:53 - Distrito Federal 183360
## 15 21:21 - Maranhão 181821
## 16 50:50 - Mato Grosso do Sul 151645
## 17 24:24 - Rio Grande do Norte 129205
## 18 25:25 - Paraíba 124517
## 19 13:13 - Amazonas 119858
## 20 22:22 - Piauí 105060
## 21 27:27 - Alagoas 101449
## 22 11:11 - Rondônia 95789
## 23 28:28 - Sergipe 76121
## 24 17:17 - Tocantins 62886
## 25 12:12 - Acre 30698
## 26 16:16 - Amapá 29481
## 27 14:14 - Roraima 25864
## # ℹ 1 more rowComercio tabela
top5_comercio <- ranking_comercio %>%
slice_max(order_by = Total_Empregos_Comercio, n = 5)
top5_comercio %>%
kbl(
caption = "Tabela 2: Total de empregos no Comércio e Reparação nos cinco principais estados do Brasil (2023).",
col.names = c("Estado", "Nº de Empregos"),
align = "lr",
format.args = list(big.mark = "."),
booktabs = TRUE
) %>%
kable_classic(
full_width = FALSE,
html_font = "Times New Roman"
) %>%
footnote(
general = "Elaboração própria com base nos dados da Relação Anual de Informações Sociais (RAIS).",
general_title = "Fonte:",
footnote_as_chunk = TRUE,
fixed_small_size = TRUE
)## Warning in prettyNum(.Internal(format(x, trim, digits, nsmall, width, 3L, :
## 'big.mark' e 'decimal.mark' são ambos '.', o que pode ser confuso| Estado | Nº de Empregos |
|---|---|
| 35:35 - São Paulo | 2.911.740 |
| 31:31 - Minas Gerais | 1.059.593 |
| 33:33 - Rio de Janeiro | 814.409 |
| 41:41 - Paraná | 727.200 |
| 43:43 - Rio Grande do Sul | 648.597 |
| Fonte: Elaboração própria com base nos dados da Relação Anual de Informações Sociais (RAIS). |