1 Introdução

O Índice FIRJAN de Desenvolvimento Municipal (IFDM) constitui uma das principais ferramentas de acompanhamento das condições socioeconômicas dos municípios brasileiros. Elaborado pela Federação das Indústrias do Estado do Rio de Janeiro (FIRJAN), o indicador sintetiza informações provenientes de bases oficiais e segmenta o desenvolvimento municipal em três dimensões: Educação, Saúde e Emprego & Renda. Este relatório concentra-se exclusivamente no IFDM Emprego & Renda, componente que mede a dinâmica do mercado de trabalho formal, a geração de ocupação e a evolução da massa salarial, refletindo diretamente o desempenho econômico local.Sendo convencionados quatro conceitos: municípios com IFDM entre 0,0 e 0,4: Desenvolvimento Crítico; municípios com IFDM entre 0,4 e 0,6: Desenvolvimento Baixo; municípios com IFDM entre 0,6 e 0,8: Desenvolvimento Moderado;municípios com IFDM entre 0,8 e 1,0: Desenvolvimento Alto.

A análise abrange o período de 2013 a 2023, permitindo observar tendências, assimetrias regionais e padrões de crescimento ou retração ao longo da última década. Com a utilização dos microdados consolidados do IFDM e técnicas de manipulação, visualização e sumarização de dados, este relatório busca apresentar uma leitura sistemática da evolução do índice nos municípios brasileiros.

Inicialmente, os dados foram reorganizados para estrutura de painel e tratados para garantir consistência estatística. Em seguida, são apresentadas estatísticas descritivas anuais, incluindo média, mediana, dispersão e valores extremos do IFDM, oferecendo uma visão geral do comportamento agregado do indicador. A análise gráfica da distribuição anual, por meio de violinos e boxplots, complementa essa leitura ao evidenciar a heterogeneidade entre municípios.

O relatório também identifica os 10 municípios com maior e menor desempenho em cada ano, permitindo comparar trajetórias e padrões persistentes tanto entre os melhores quanto entre os piores colocados. A partir da comparação entre 2013 e 2023, são destacados os municípios que mais avançaram e os que mais regrediram no período, oferecendo insights sobre dinâmicas locais de progresso ou deterioração.

Além disso, são exploradas diferenças espaciais por meio de gráficos de dispersão, análises da evolução da média estadual, densidade da distribuição do índice entre Unidades da Federação, e comparações por regiões do país. Mapas temáticos reforçam a dimensão territorial da análise, permitindo visualizar a distribuição geográfica do IFDM no início e no final do período estudado.

Combinando técnicas de análise descritiva, visualização avançada e organização espacial dos dados, este relatório fornece uma visão abrangente da evolução do IFDM Emprego & Renda no Brasil. Os resultados apresentados servem como base para interpretações sobre desigualdades regionais, dinâmicas econômicas municipais e mudanças estruturais que influenciam o mercado de trabalho no país.

2 Estatísticas Decritivas

Primeiro é criado uma tabela de estatísticas descritivas do IFDM Emprego & Renda por ano, incluindo média, mediana, desvio-padrão, mínimo e máximo, desconsiderando valores ausentes.

# Estatísticas
tabela_estats <- ifdm_lgpt %>%
  group_by(ano) %>%
  summarise(
    media   = mean(ifdm, na.rm = TRUE),
    mediana = median(ifdm, na.rm = TRUE),
    sd      = sd(ifdm, na.rm = TRUE),
    minimo  = min(ifdm, na.rm = TRUE),
    maximo  = max(ifdm, na.rm = TRUE)
  )

A Tabela apresenta as estatísticas descritivas do IFDM Emprego & Renda para o período de 2013 a 2023. Observa-se uma tendência geral de crescimento na média do índice, que passou de aproximadamente 0,523 em 2013 para 0,586 em 2023, indicando uma melhora progressiva nas condições de emprego e renda nos municípios brasileiros. A mediana segue um padrão semelhante à média, sugerindo que a distribuição do índice é relativamente simétrica e não é fortemente influenciada por valores extremos.

O desvio-padrão se manteve relativamente estável ao longo da década, em torno de 0,20 a 0,23, o que evidencia que a variação entre municípios se manteve consistente. No entanto, a presença de valores mínimos baixos, embora ligeiramente crescentes, revela que ainda existem municípios com desempenho significativamente inferior, destacando persistentes desigualdades regionais. Por outro lado, o valor máximo do IFDM permaneceu próximo de 1 em boa parte dos anos, mostrando que alguns municípios já alcançaram o nível máximo do índice e mantêm desempenho elevado.

Estatísticas Descritivas do IFDM Emprego (2013–2023)
Ano	Média	Mediana	Desvio-padrão	Mínimo	Máximo
2013	0.523	0.509	0.229	0.073	1.000
2014	0.527	0.512	0.224	0.070	1.000
2015	0.522	0.512	0.212	0.101	1.000
2016	0.507	0.498	0.198	0.104	0.986
2017	0.509	0.499	0.200	0.106	0.989
2018	0.518	0.508	0.199	0.122	0.985
2019	0.524	0.511	0.201	0.127	1.000
2020	0.524	0.509	0.202	0.145	1.000
2021	0.552	0.543	0.217	0.110	1.000
2022	0.574	0.568	0.215	0.151	1.000
2023	0.586	0.581	0.213	0.155	1.000

A análise da distribuição do Índice, revela uma acentuada estabilidade na performance de desenvolvimento dos municípios brasileiros ao longo do período de 2013 a 2023. O gráfico demonstra que, ano após ano, tanto a mediana quanto a densidade de municípios se mantiveram praticamente inalteradas. A maior concentração de municípios persiste na faixa de desenvolvimento crítico, sugerindo que as políticas e condições econômicas do período não geraram uma alteração significativa ou uma convergência de desempenho, resultando em uma distribuição cronicamente estável e polarizada por mais de uma década.

3 Ranking Dos Municípios

É criado um ranking que Identifica os 10 municípios com maior IFDM por ano, organiza em formato wide para visualização e formata a tabela para apresentação.

A tabela a seguir apresenta os dez municípios com melhor desempenho no IFDM Emprego & Renda em cada ano do período de 2013 a 2023. Observa-se que alguns municípios aparecem repetidamente entre os primeiros colocados, como Balneário Camboriú, Videira, Gramado, Campinas e Barueri, indicando consistência em seu desempenho econômico e na geração de emprego formal ao longo da década. Além disso, há uma diversidade geográfica, com municípios do Sul e Sudeste predominando, o que evidencia a concentração regional de bons resultados em termos de mercado de trabalho e renda formal. A análise dessa tabela permite identificar quais municípios apresentam trajetórias de destaque que podem servir de referência para estratégias de desenvolvimento em outras regiões do país.

Top 10 Municípios com Maior IFDM por Ano
	Municípios por Ano
Ranking	2013	2014	2015	2016	2017	2018	2019	2020	2021	2022	2023
1	Campinas	Maringá	Balneário Camboriú	Balneário Camboriú	Salvador do Sul	Videira	Videira	Chapecó	Barueri	Campinas	Barueri
2	Ribeirão Preto	Pato Branco	Joaçaba	Gramado	Balneário Camboriú	Gramado	Gramado	Videira	Maringá	Curitiba	Curitiba
3	Maringá	Balneário Camboriú	Gramado	Botuverá	Timbó	Rio do Sul	Balneário Camboriú	Concórdia	Pato Branco	Maringá	Maringá
4	Balneário Camboriú	Blumenau	Videira	Bombinhas	Gramado	Salvador do Sul	Nova Trento	Salvador do Sul	Blumenau	Balneário Camboriú	Balneário Camboriú
5	Chapecó	Chapecó	Rio do Sul	Caçador	Botuverá	Balneário Camboriú	Chapecó	Rio do Sul	Chapecó	Blumenau	Blumenau
6	Joaçaba	Concórdia	Salvador do Sul	Concórdia	Fernando de Noronha	Concórdia	Concórdia	Marechal Cândido Rondon	Concórdia	Chapecó	Chapecó
7	Videira	Joaçaba	Nova Trento	Matelândia	Braço do Norte	Caçador	Içara	Nova Trento	Joaçaba	Concórdia	Concórdia
8	Gramado	Videira	Indaial	Rio Paranaíba	Luiz Alves	Marechal Cândido Rondon	Rio do Sul	São Miguel do Oeste	Gramado	Joaçaba	Joaçaba
9	Blumenau	Gramado	Cascavel	Ipumirim	Bombinhas	Braço do Norte	Timbó	Pato Branco	Videira	Gramado	Gramado
10	Salvador do Sul	Lajeado	Chapecó	Rio do Sul	Videira	Indaial	Caçador	Balneário Camboriú	Lajeado	Lajeado	Itirapina

A tabela evidencia os dez municípios com menor desempenho no IFDM Emprego & Renda ao longo do período de 2013 a 2023. Nota-se uma forte concentração de municípios do Norte e Nordeste, especialmente do Maranhão, Piauí e Pará, refletindo desigualdades regionais persistentes no acesso a emprego formal e geração de renda. Municípios como Cachoeira Grande, Itaipava do Grajaú, Central do Maranhão e Presidente Sarney aparecem repetidamente entre os últimos colocados, indicando que enfrentam desafios estruturais e econômicos crônicos. A recorrência desses municípios na parte inferior do ranking sugere vulnerabilidades persistentes, como baixa diversificação econômica, menor infraestrutura e dificuldades em atrair investimentos. Essa análise permite compreender os padrões de atraso econômico e social, destacando áreas que poderiam se beneficiar de políticas públicas direcionadas para a melhoria do mercado de trabalho e da renda formal.

Top 10 Municípios com Menor IFDM por Ano
	Municípios por Ano
Ranking	2013	2014	2015	2016	2017	2018	2019	2020	2021	2022	2023
1	Cachoeira Grande	Cachoeira Grande	Cachoeira Grande	Primeira Cruz	Central do Maranhão	Cachoeira Grande	Fartura do Piauí	Central do Maranhão	Pedro do Rosário	Ipixuna	Ipixuna
2	Marajá do Sena	Itaipava do Grajaú	Itaipava do Grajaú	Central do Maranhão	Apicum-Açu	Central do Maranhão	Primeira Cruz	Uiramutã	Buritirama	Presidente Sarney	Presidente Sarney
3	Brejo de Areia	Marajá do Sena	Beruri	Itaipava do Grajaú	Primeira Cruz	Uiramutã	Uiramutã	Maraã	Primeira Cruz	Cachoeira Grande	Jutaí
4	Itaipava do Grajaú	Beruri	Central do Maranhão	Beruri	Itaipava do Grajaú	Maraã	Central do Maranhão	Presidente Sarney	Cachoeira Grande	Nossa Senhora dos Remédios	Uiramutã
5	Cajapió	Cajapió	Presidente Sarney	Uiramutã	Cachoeira Grande	Itaipava do Grajaú	Maraã	Carnaubeira da Penha	Ipixuna	Primeira Cruz	Brejo de Areia
6	Curralinhos	São Roberto	São João do Carú	São Roberto	Uiramutã	Pedro do Rosário	Fernando Falcão	Primeira Cruz	Carnaubeira da Penha	Jutaí	Primeira Cruz
7	Pajeú do Piauí	Presidente Sarney	Marajá do Sena	Cachoeira Grande	São João do Carú	Primeira Cruz	Cachoeira Grande	Itaipava do Grajaú	Presidente Sarney	Uarini	Oeiras do Pará
8	São João do Soter	Primeira Cruz	São Roberto	Presidente Sarney	Beruri	Presidente Sarney	Carnaubeira da Penha	Ipixuna	Anamã	Canapi	Itaipava do Grajaú
9	Campo Alegre do Fidalgo	Jenipapo dos Vieiras	Jenipapo dos Vieiras	São João do Carú	Presidente Sarney	Junco do Maranhão	Pedro do Rosário	Vera Mendes	Uarini	Anamã	Bonfim do Piauí
10	Cedral	Cachoeira do Piriá	Cajapió	Luís Domingues	Araguanã	Araguanã	Presidente Sarney	Anamã	Nossa Senhora dos Remédios	Uiramutã	Cachoeira Grande

4 Evolução dos Municípios no IFDM

O código calcula a variação do IFDM entre 2013 e 2023 para cada município, identifica os 10 municípios que mais cresceram e os 10 que mais caíram e formata tabelas de visualização.

# Calcular IFDM inicial e final
df_variacao <- ifdm_lgpt %>%
  filter(ano %in% c(2013, 2023)) %>%
  pivot_wider(
    names_from = ano,
    values_from = ifdm,
    names_prefix = "ano_"
  ) %>%
  mutate(variacao = ano_2023 - ano_2013)

# Top 10 Cresceram
top10_crescimento <- df_variacao %>%
  arrange(desc(variacao)) %>%
  slice(1:10) %>%
  mutate(variacao = round(variacao, 3))
  
# Top 10 Cairam
top10_queda <- df_variacao %>%
  arrange(variacao) %>%     
  slice(1:10) %>%
  mutate(variacao = round(variacao, 3))

A análise dos municípios com maior crescimento no índice de Emprego & Renda entre 2013 e 2023 revela avanços expressivos em localidades de diferentes regiões do país. Municípios como Primavera (PE), Trindade do Sul (RS) e Pajeú do Piauí apresentaram variações superiores a 0,4 no índice, refletindo melhorias significativas na geração de emprego formal e na massa salarial. Observa-se que algumas localidades que partiam de patamares relativamente baixos, como Pajeú do Piauí e Primavera, conseguiram alcançar níveis próximos ou superiores à média nacional. Além disso, municípios do Nordeste, Sudeste, Centro-Oeste e Sul aparecem entre os que mais avançaram, mostrando que, embora as desigualdades regionais ainda persistam, há exemplos concretos de progresso considerável em diferentes contextos.

Top 10 Municípios com Maior Crescimento no IFDM (2013–2023)
Município	UF	IFDM 2013	IFDM 2023	Variação
Primavera	PE	0.2559	0.7254	0.470
Trindade do Sul	RS	0.5199	0.9490	0.429
Pajeú do Piauí	PI	0.1227	0.5356	0.413
Três Arroios	RS	0.5040	0.8977	0.394
Quixeramobim	CE	0.3331	0.7225	0.389
Sebastião Leal	PI	0.4437	0.8263	0.383
Pereiro	CE	0.3347	0.7057	0.371
Aguiarnópolis	TO	0.4465	0.8146	0.368
Ipiaçu	MG	0.5439	0.9114	0.367
Novo Acordo	TO	0.2850	0.6395	0.354

Os municípios que apresentaram maior queda no índice de Emprego & Renda entre 2013 e 2023 evidencia retrocessos significativos em algumas localidades, principalmente no Norte e Nordeste, embora também ocorram casos isolados em outras regiões do país. Municípios como Barra de Guabiraba (PE), Ferreira Gomes (AP) e Pedra Branca do Amapari (AP) registraram reduções superiores a 0,25 no índice, indicando deterioração considerável nas condições do mercado de trabalho formal e na geração de renda. Algumas dessas localidades, que inicialmente possuíam níveis relativamente altos de IFDM, como Altamira (PA) e Monções (SP), sofreram quedas expressivas, sugerindo mudanças adversas no dinamismo econômico local, possíveis perdas de empregos formais ou redução da massa salarial.

Top 10 Municípios com Maior Queda no IFDM (2013–2023)
Município	UF	IFDM 2013	IFDM 2023	Variação
Barra de Guabiraba	PE	0.7580	0.3830	-0.375
Ferreira Gomes	AP	0.7145	0.4445	-0.270
Pedra Branca do Amapari	AP	0.7469	0.4788	-0.268
Jequiá da Praia	AL	0.6688	0.4024	-0.266
Altamira	PA	0.8805	0.6224	-0.258
Cortês	PE	0.6577	0.4176	-0.240
Perobal	PR	0.8670	0.6282	-0.239
Nova Santa Rita	PI	0.5101	0.2720	-0.238
Nova América da Colina	PR	0.7707	0.5439	-0.227
Monções	SP	0.8895	0.6633	-0.226

5 Dispersão dos Municípios

É criado um gráfico de dispersão comparando o IFDM de cada município em 2013 e 2023, destacando a linha de igualdade para facilitar a interpretação de evolução positiva ou negativa.

df_disp <- ifdm_lgpt %>%
  filter(ano %in% c(2013, 2023)) %>%
  pivot_wider(
    names_from = ano,
    values_from = ifdm,
    names_prefix = "ano_"
  )

A análise da dispersão, indica uma forte correlação positiva, indicando que os municípios mantiveram, em grande medida, sua posição relativa no índice ao longo da década, aqueles com desenvolvimento alto em 2013 permaneceram com desempenho superior em 2023. No entanto, a análise dos dados confirma que a nuvem de pontos está predominantemente acima da linha de igualdade, demonstrando um avanço generalizado no desenvolvimento municipal. A maioria dos municípios registrou um aumento nominal em seus índices entre 2013 e 2023, o que sugere uma melhoria média na qualidade de vida e renda.

6 Evolução Média do índice por Estado

Calcula a média anual do IFDM para cada estado e cria um gráfico de densidade para visualizar a distribuição do índice por estado ao longo do período.

media_estado <- ifdm_lgpt %>%
  group_by(sigla_uf, ano) %>%
  summarise(media_ifdm = mean(ifdm, na.rm = TRUE), .groups = "drop")

O gráfico de densidade de cristas, que mapeia a distribuição da média do IFDM para cada estado no período 2013-2023, visualiza a grande disparidade regional e a tendência de recuperação observada nos dados. As cristas mais à direita (maior IFDM), como DF, SC, MS, MT e SP, mostram uma distribuição em um patamar consistentemente mais alto, com desenvolvimento entre moderado e alto. Enquanto as cristas do Norte e Nordeste AM, MA, PI, estão agrupadas na extremidade esquerda, com maioria em desenvolvimento crítico. A forma alongada e o deslocamento da densidade para a direita em quase todas as cristas (particularmente de 2021 a 2023) confirmam que, apesar de uma fase de estagnação ou queda, a média do desenvolvimento brasileiro avançou na década, com quase todos os estados registrando um IFDM médio superior em 2023 em comparação a 2013.

Calcula a média do IFDM de 2013 a 2023 para cada estado e apresenta em uma tabela organizada.

# Media do Periodo para os Estados
media_periodo_estados <- ifdm_lgpt %>%
  group_by(sigla_uf) %>%
  summarise(media_ifdm_periodo = mean(ifdm, na.rm = TRUE)) %>%
  arrange(desc(media_ifdm_periodo))

A análise da média do IFDM Emprego & Renda ao longo do período de 2013 a 2023 revela claras diferenças regionais no desempenho econômico municipal. O Distrito Federal apresenta a maior média do índice, com 0,871. Estados do Sul e Sudeste, como Santa Catarina (0,786), São Paulo (0,713) e Mato Grosso (0,703), também apresentam médias elevadas, indicando desempenho consistente em termos de emprego e renda. Em contraste, estados do Norte e Nordeste registram médias substancialmente mais baixas, como Amazonas (0,274), Maranhão (0,292) e Piauí (0,293), evidenciando persistentes desigualdades regionais. Essa disparidade reflete diferenças no desenvolvimento econômico, capacidade de geração de empregos formais e massa salarial.

Média do IFDM de Emprego e Renda por Estado (2013–2023)
UF	IFDM Médio (2013–2023)
DF	0.871
SC	0.786
SP	0.713
MT	0.703
MS	0.700
PR	0.672
RS	0.664
RJ	0.627
ES	0.614
GO	0.597
RO	0.583
MG	0.544
TO	0.438
SE	0.404
PA	0.398
AP	0.389
AC	0.380
PE	0.376
BA	0.373
RN	0.372
AL	0.368
RR	0.357
CE	0.357
PB	0.331
PI	0.293
MA	0.292
AM	0.274

7 Visão das Regiões

Agrupa estados por região, compara distribuições do IFDM por região utilizando boxplots, e formata visualmente o gráfico.

df_regiao <- ifdm_lgpt %>%
  mutate(
    regiao = case_when(
      sigla_uf %in% c("AC","AP","AM","PA","RO","RR","TO") ~ "Norte",
      sigla_uf %in% c("AL","BA","CE","MA","PB","PE","PI","RN","SE") ~ "Nordeste",
      sigla_uf %in% c("DF","GO","MT","MS") ~ "Centro-Oeste",
      sigla_uf %in% c("ES","MG","RJ","SP") ~ "Sudeste",
      sigla_uf %in% c("PR","RS","SC") ~ "Sul"
    ))

A análise do IFDM por meio do gráfico de distribuição revela uma disparidade entre regiões. O Box Plot de Região demonstra uma polarização extrema, com o Sul, Centro-Oeste e Sudeste com medianas elevadas, com nível moderado próximo ao alto.Norte e Nordeste, com medianas significativamente baixas, com nível crítico. Embora Norte e Nordeste possuam outliers de alto desempenho, a concentração da massa de dados em patamares inferiores.

8 Mapas Municipais: 2013 x 2023

Carrega o mapa municipal do Brasil e faz join com o IFDM de 2013 e 2023, criando mapas temáticos que representam o índice em cada município.

# Carregar mapa municipal
mapa <- read_municipality(year = 2023) %>%
  mutate(
    code_muni_7 = as.character(code_muni),
    code_muni = substr(code_muni_7, 1, 6)
  )

# Preparar
df_map <- ifdm_lgpt %>%
  filter(ano %in% c(2013, 2023)) %>%
  select(ano, cod_munic, ifdm) %>%
  mutate(code_muni = as.character(cod_munic)) %>%
  select(-cod_munic)

# Join
mapa_ifdm <- mapa %>%
  left_join(df_map, by = "code_muni")

A visualização espacial do IFDM Emprego & Renda para 2013 pode ser vista a seguir. Em 2013, observa-se que municípios do Sul e Sudeste apresentavam índices mais elevados, com destaque para estados como São Paulo, Santa Catarina e Distrito Federal, enquanto a maior parte do Norte e Nordeste registrava valores mais baixos.

A visualização espacial do IFDM Emprego & Renda para 2023 pode ser vista a seguir. Nota-se uma leve tendência de melhora em diversos municípios no Nordeste e Norte, embora as diferenças regionais ainda permaneçam visíveis.

9 Apêndice

Abaixo é exposto todo o código utilizado para produção da análise.

library(readxl)
library(dplyr)
library(tidyr)
library(janitor)
library(gt)
library(ggplot2)
library(forcats)
library(stringr)
library(knitr)
library(kableExtra)
library(ggridges)
library(viridis)
library(geobr)


Sys.setlocale("LC_ALL", "en_US.UTF-8")

##### Base #####
# Importando base de dados
IFDM_empregoerenda <- read_xlsx("C:/Users/dinoe/Downloads/IFDM/IFDMEmprego&Renda.xlsx")

# Verificando estrutura dos dados
str(IFDM_empregoerenda)

# Corrigindo Variáveis 
IFDM_empregoerenda <- IFDM_empregoerenda %>%
  mutate(across(starts_with("Ranking"), ~as.numeric(.)),
         across(starts_with("IFDM"), ~as.numeric(.)))
 
# renomeando colunas
IFDM_empregoerenda <- IFDM_empregoerenda %>%
  clean_names()

#### Estatísticas Decritivas ####

# mudando estrutura dos dados
ifdm_lgpt <- IFDM_empregoerenda %>%
  pivot_longer(
    cols = starts_with("ifdm_emprego_"),
    names_to = "ano",
    values_to = "ifdm"
  ) %>%
  mutate(ano = readr::parse_number(ano)) %>% 
  select(cod_munic,
         sigla_uf,
         nome_munic, 
         ano,
         ifdm
         )

# Estatísticas
tabela_estats <- ifdm_lgpt %>%
  group_by(ano) %>%
  summarise(
    media   = mean(ifdm, na.rm = TRUE),
    mediana = median(ifdm, na.rm = TRUE),
    sd      = sd(ifdm, na.rm = TRUE),
    minimo  = min(ifdm, na.rm = TRUE),
    maximo  = max(ifdm, na.rm = TRUE)
  )

# Tabela de visualização Estatísticas Descritivas 
tabela_descritiva <- tabela_estats %>%
  mutate(across(media:maximo, ~ round(.x, 3))) %>%   
  kable(
    format = "html",
    caption = "Estatísticas Descritivas do IFDM Emprego (2013–2023)",
    align = "c",
    col.names = c("Ano", "Média", "Mediana", "Desvio-padrão", "Mínimo", "Máximo")
  ) %>%
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed"),
    full_width = FALSE,
    position = "center",
    font_size = 13
  ) %>%
  row_spec(0, bold = TRUE, background = "#E5E5E5") %>%
  column_spec(1, bold = TRUE) %>%
  column_spec(2:6, width = "10em")
tabela_descritiva


# Grafico distribuição para o IFDM 
grafico_distribuicao <- ggplot(ifdm_lgpt, aes(x = factor(ano), y = ifdm, fill = factor(ano))) +
  geom_violin(alpha = 0.9) +
  geom_boxplot(width = 0.12, fill = "white", alpha = 0.5, color = "black") +
  scale_fill_viridis(discrete = TRUE, option = "plasma") +
  labs(
    title = "Distribuição do IFDM por Ano (2013–2023)",
    x = "Ano",
    y = "IFDM"
  ) +
  theme_minimal(base_size = 14) +
  theme(
    plot.title = element_text(hjust = 0.5, face = "bold"),
    axis.title = element_text(face = "bold"),
    legend.position = "none"
  )
grafico_distribuicao


#### Raking dos Melhores e Piores #####
### Top 10 melhores municípios por ano 
top10_melhores <- ifdm_lgpt %>%
  group_by(ano) %>%
  arrange(desc(ifdm)) %>%
  slice(1:10) %>%
  ungroup()

# Tabela Top 10 melhores
top10_melhores <- top10_melhores %>%
  group_by(ano) %>%
  mutate(Ranking = row_number()) %>%   
  ungroup() %>%
  select(Ranking, ano, nome_munic) %>%  
  pivot_wider(
    names_from = ano,
    values_from = nome_munic
  ) %>%
  arrange(Ranking)

# tabela para visualização 
tabela_top10melhores <- top10_melhores %>%
  kable(
    format = "html",
    caption = "Top 10 Municípios com Maior IFDM por Ano",
    align = "c",
    col.names = c("Ranking", names(top10_melhores)[-1])
  ) %>%
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed"),
    full_width = FALSE,
    font_size = 13,
    position = "center"
  ) %>%
  column_spec(1, bold = TRUE, width = "5em", color = "black") %>%
  column_spec(2:ncol(top10_melhores), width = "12em") %>%
  row_spec(0, bold = TRUE, background = "#E5E5E5") %>%
  add_header_above(c(" " = 1, "Municípios por Ano" = ncol(top10_melhores)-1))
tabela_top10melhores


### Top 10 piores municípios por ano 
top10_piores <- ifdm_lgpt %>%
  group_by(ano) %>%
  arrange(ifdm) %>%
  slice(1:10) %>%
  ungroup()

# Tabela Top 10 piores
top10_piores <- top10_piores %>%
  group_by(ano) %>%
  mutate(Ranking = row_number()) %>%   
  ungroup() %>%
  select(Ranking, ano, nome_munic) %>%  
  pivot_wider(
    names_from = ano,
    values_from = nome_munic
  ) %>%
  arrange(Ranking)

# tabela para visualização 
tabela_top10piores <- top10_piores %>%
  kable(
    format = "html",
    caption = "Top 10 Municípios com Menor IFDM por Ano",
    align = "c",
    col.names = c("Ranking", names(top10_piores)[-1])
  ) %>%
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed"),
    full_width = FALSE,
    font_size = 13,
    position = "center"
  ) %>%
  column_spec(1, bold = TRUE, width = "5em", color = "black") %>%
  column_spec(2:ncol(top10_piores), width = "12em") %>%
  row_spec(0, bold = TRUE, background = "#E5E5E5") %>%
  add_header_above(c(" " = 1, "Municípios por Ano" = ncol(top10_piores)-1))
tabela_top10piores


##### Evolução dos Municípios #####

# Calcular IFDM inicial e final
df_variacao <- ifdm_lgpt %>%
  filter(ano %in% c(2013, 2023)) %>%
  pivot_wider(
    names_from = ano,
    values_from = ifdm,
    names_prefix = "ano_"
  ) %>%
  mutate(variacao = ano_2023 - ano_2013)

# Top 10 Cresceram
top10_crescimento <- df_variacao %>%
  arrange(desc(variacao)) %>%
  slice(1:10) %>%
  mutate(variacao = round(variacao, 3))
# tabela 
tabela_crescimento <- top10_crescimento %>%
  select(nome_munic, sigla_uf, ano_2013, ano_2023, variacao) %>%
  kable(
    format = "html",
    caption = "Top 10 Municípios com Maior Crescimento no IFDM (2013–2023)",
    col.names = c("Município", "UF", "IFDM 2013", "IFDM 2023", "Variação"),
    align = "c"
  ) %>%
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed"),
    full_width = FALSE,
    position = "center"
  ) %>%
  row_spec(0, bold = TRUE, background = "#E5E5E5") %>%
  column_spec(1, bold = TRUE, width = "15em") %>%
  column_spec(5, bold = TRUE)
tabela_crescimento

# Top 10 Cresceram
top10_queda <- df_variacao %>%
  arrange(variacao) %>%     
  slice(1:10) %>%
  mutate(variacao = round(variacao, 3))
# tabela 
tabela_queda <- top10_queda %>%
  select(nome_munic, sigla_uf, ano_2013, ano_2023, variacao) %>%
  kable(
    format = "html",
    caption = "Top 10 Municípios com Maior Queda no IFDM (2013–2023)",
    col.names = c("Município", "UF", "IFDM 2013", "IFDM 2023", "Variação"),
    align = "c"
  ) %>%
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed"),
    full_width = FALSE,
    position = "center"
  ) %>%
  row_spec(0, bold = TRUE, background = "#E5E5E5") %>%
  column_spec(1, bold = TRUE, width = "15em") %>%
  column_spec(5, bold = TRUE, color = "red")
tabela_queda


##### Dispersão dos municipios IFDM 2013 x 2023 #####

df_disp <- ifdm_lgpt %>%
  filter(ano %in% c(2013, 2023)) %>%
  pivot_wider(
    names_from = ano,
    values_from = ifdm,
    names_prefix = "ano_"
  )

# Grafico
grafico_dispersao <- ggplot(df_disp, aes(x = ano_2013, y = ano_2023)) +
  geom_point(
    aes(color = ano_2023),
    alpha = 0.7,
    size = 2.2
  ) +
  scale_color_viridis(
    option = "plasma",
    name = "IFDM 2023"
  ) +
  geom_abline(
    intercept = 0, slope = 1,
    linetype = "dashed",
    color = "black",
    size = 0.8
  ) +
  labs(
    title = "Dispersão do IFDM: 2013 × 2023",
    x = "IFDM em 2013",
    y = "IFDM em 2023"
  ) +
  theme_minimal(base_size = 14) +
  theme(
    plot.title = element_text(face = "bold", hjust = 0.5, size = 18),
    plot.subtitle = element_text(hjust = 0.5, size = 13),
    axis.title = element_text(face = "bold", size = 14),
    axis.text = element_text(size = 12),
    legend.title = element_text(face = "bold"),
    panel.grid.minor = element_blank(),
    panel.grid.major = element_line(color = "gray85")
  )
grafico_dispersao

##### Evolução da Média do Indice por Estado #####

media_estado <- ifdm_lgpt %>%
  group_by(sigla_uf, ano) %>%
  summarise(media_ifdm = mean(ifdm, na.rm = TRUE), .groups = "drop")

# grafico
grafico_evo <- ggplot(media_estado, aes(x = media_ifdm, y = fct_rev(fct_inorder(sigla_uf)), fill = sigla_uf)) +
  geom_density_ridges(
    scale = 1.4,
    alpha = 0.85,
    rel_min_height = 0.01,
    color = "black",      
    size = 0.4
  ) +
  scale_fill_viridis_d(option = "plasma") +
  labs(
    title = "Distribuição da Média do IFDM por Estado (2013–2023)",
    x = "IFDM Médio",
    y = "Estados"
  ) +
  theme_minimal(base_size = 14) +
  theme(
    legend.position = "none",
    plot.title = element_text(hjust = 0.5, face = "bold", size = 18),
    axis.title = element_text(face = "bold", size = 14),
    axis.text.y = element_text(face = "bold", size = 12),
    axis.text.x = element_text(face = "bold", size = 12),
    panel.grid.major = element_line(color = "gray85"),
    panel.grid.minor = element_blank()
  )
grafico_evo

# Media do Periodo para os Estados
media_periodo_estados <- ifdm_lgpt %>%
  group_by(sigla_uf) %>%
  summarise(media_ifdm_periodo = mean(ifdm, na.rm = TRUE)) %>%
  arrange(desc(media_ifdm_periodo))
# Tabela
media_periodo_estados %>%
  mutate(media_ifdm_periodo = round(media_ifdm_periodo, 3)) %>%
  kable("html", col.names = c("UF", "IFDM Médio (2013–2023)"),
        align = "c",
        caption = "Média do IFDM de Emprego e Renda por Estado (2013–2023)") %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover")) %>%
  column_spec(1, width = "10em", bold = TRUE) %>%
  column_spec(2, width = "20em", bold = TRUE)


##### Região #######

df_regiao <- ifdm_lgpt %>%
  mutate(
    regiao = case_when(
      sigla_uf %in% c("AC","AP","AM","PA","RO","RR","TO") ~ "Norte",
      sigla_uf %in% c("AL","BA","CE","MA","PB","PE","PI","RN","SE") ~ "Nordeste",
      sigla_uf %in% c("DF","GO","MT","MS") ~ "Centro-Oeste",
      sigla_uf %in% c("ES","MG","RJ","SP") ~ "Sudeste",
      sigla_uf %in% c("PR","RS","SC") ~ "Sul"
    )
  )
# grafico 
grafico_regi <- ggplot(df_regiao, aes(x = regiao, y = ifdm, fill = regiao)) +
  geom_boxplot(
    alpha = 0.9,
    color = "black",        
    size = 0.6,
    outlier.color = viridis::viridis(1, option = "plasma"), 
    outlier.size = 2.2
  ) +
  scale_fill_viridis_d(option = "plasma") +
  labs(
    title = "Distribuição do IFDM por Região (2013–2023)",
    x = "Região",
    y = "IFDM"
  ) +
  theme_minimal(base_size = 14) +
  theme(
    plot.title = element_text(face = "bold", hjust = 0.5, size = 18),
    plot.subtitle = element_text(hjust = 0.5, size = 13, color = "gray25"),
    axis.title = element_text(face = "bold"),
    axis.text.x = element_text(face = "bold", size = 12),
    axis.text.y = element_text(face = "bold", size = 12),
    panel.grid.major.x = element_blank(),  
    panel.grid.major.y = element_line(color = "gray85"),
    panel.grid.minor = element_blank(),
    legend.position = "none",
    plot.margin = margin(15, 15, 15, 15)
  )
grafico_regi

##### Mapa Completo #####

# Carregar mapa municipal
mapa <- read_municipality(year = 2023) %>%
  mutate(
    code_muni_7 = as.character(code_muni),
    code_muni = substr(code_muni_7, 1, 6)
  )

# Preparar
df_map <- ifdm_lgpt %>%
  filter(ano %in% c(2013, 2023)) %>%
  select(ano, cod_munic, ifdm) %>%
  mutate(code_muni = as.character(cod_munic)) %>%
  select(-cod_munic)

# Join
mapa_ifdm <- mapa %>%
  left_join(df_map, by = "code_muni")

# Grafico 2013 
mapa_2013 <- ggplot(mapa_ifdm %>% filter(ano == 2013)) +
  geom_sf(aes(fill = ifdm), color = NA) +
  scale_fill_viridis(
    name = "IFDM 2013",
    option = "plasma",
    na.value = "grey90"
  ) +
  labs(
    title = "Mapa do IFDM (Emprego e Renda) – 2013",
    caption = "Fonte: Elaboração própria com dados do IBEGE / FIRJAN"
  ) +
  coord_sf(datum = NA, expand = FALSE) +
  theme_minimal(base_size = 14) +
  theme(
    plot.title = element_text(face = "bold", hjust = 0.5),
    legend.title = element_text(face = "bold")
  )
mapa_2013    

# Grafico 2023
mapa_2023 <- ggplot(mapa_ifdm %>% filter(ano == 2023)) +
  geom_sf(aes(fill = ifdm), color = NA) +
  scale_fill_viridis(
    name = "IFDM 2023",
    option = "plasma",
    na.value = "grey90"
  ) +
  labs(
    title = "Mapa do IFDM (Emprego e Renda) – 2023",
    caption = "Fonte: Elaboração própria com dados do IBEGE / FIRJAN"
  ) +
  coord_sf(datum = NA, expand = FALSE) +
  theme_minimal(base_size = 14) +
  theme(
    plot.title = element_text(face = "bold", hjust = 0.5),
    legend.title = element_text(face = "bold")
  )
mapa_2023

Análise do Índice Firjan de Desenvolvimento Municipal entre 2013 e 2023

Cicero Filipe Rocha Da Silva

10 de dezembro de 2025