Análise do PIB das Unidades Federativas (2021)

Author

Reynaldo Breno

OBJETIVO DA ATIVIDADE

Esta atividade transcende a mera exposição de dados estatísticos ao se propor a mapear o Produto Interno Bruto (PIB) das unidades federativas. Ao utilizar a proporção financeira em milhares de reais, estabelece-se uma base quantitativa sólida para a análise. Contudo, o verdadeiro trunfo do estudo reside na aplicação estratégica de um sistema de cores. Essa escolha metodológica não é apenas estética, mas atua como uma poderosa ferramenta analítica, permitindo uma comparação visual imediata entre macro e microrregiões. Dessa forma, o mapa deixa de ser um simples gráfico e passa a evidenciar, de maneira contundente, as disparidades e as concentrações de riqueza presentes no território.

METODOLOGIA

1. Coleta de Dados via API (Pacote sidrar)

A extração de dados macroeconômicos exige fontes oficiais e inquestionáveis. Ao utilizar a Tabela 5938 do IBGE (via pacote sidrar), eliminamos a necessidade de downloads manuais de planilhas em Excel, que são propensos a erros humanos, corrupção de arquivos e desatualização. A comunicação direta com a API do Sistema IBGE de Recuperação Automática (SIDRA) garante que os dados de 2021 consumidos no ambiente de análise sejam exatos, oficiais e facilmente auditáveis.

2. Precisão Territorial (Pacote geobr)

Para a análise espacial, o uso de shapefiles genéricos da internet compromete a integridade visual e técnica do projeto. A escolha do pacote geobr, mantido pelo IPEA em parceria com o IBGE, foi estratégica. Ele fornece as malhas territoriais oficiais do Brasil de forma nativa no R. Isso assegura que as fronteiras estaduais utilizadas no mapa correspondam rigorosamente à realidade geopolítica reconhecida pelo Estado brasileiro, conferindo legitimidade acadêmica e profissional ao resultado.

3. Processamento Seguro e Eficiente (Pacotes dplyr e sf)

A união (join) entre dados tabulares (PIB) e dados espaciais (geometria dos estados) é frequentemente um gargalo técnico. A adoção conjunta do dplyr e do sf (Simple Features) resolve esse problema de forma elegante. O dplyr permite um tratamento de dados limpo e legível por meio de pipelines (pipes), enquanto o sf trata polígonos complexos como simples dataframes. Essa abordagem prova que é possível manipular dados geoespaciais complexos com o mesmo rigor e facilidade dos dados tradicionais.

4. Excelência na Comunicação Visual (ggplot2 e DT)

Apenas extrair dados não é suficiente; é preciso traduzi-los para o leitor de forma impactante.

  • O uso do ggplot2: Baseado na “Gramática dos Gráficos”, ele foi escolhido por oferecer controle absoluto sobre a estética da informação. A paleta de cores viridis aplicada ao mapa, por exemplo, não é acidental: ela é cientificamente desenhada para ser perceptivelmente uniforme e acessível para pessoas com daltonismo, garantindo inclusão na leitura dos dados.

  • O uso do DT: A inclusão de uma tabela interativa justifica-se pela necessidade de dar autonomia ao usuário. Enquanto o gráfico e o mapa resumem a informação visualmente, a tabela permite que o leitor explore, ordene e busque valores absolutos precisos.

# Carregando as bibliotecas necessárias
library(sidrar)
library(geobr)  
Loading required namespace: sf
library(dplyr)

Attaching package: 'dplyr'
The following objects are masked from 'package:stats':

    filter, lag
The following objects are masked from 'package:base':

    intersect, setdiff, setequal, union
library(sf)     
Linking to GEOS 3.12.1, GDAL 3.8.4, PROJ 9.4.0; sf_use_s2() is TRUE
library(ggplot2)
library(DT) # Pacote extra para gerar a tabela interativa

# Extraindo o PIB por UF (dados de 2021 da Tabela 5938)
dados_sidra <- get_sidra(x = 5938,
                         variable = 37, 
                         period = "2021",
                         geo = "State")
Considering all categories once 'classific' was set to 'all' (default)
# Limpeza e tratamento dos dados
dados_sidra_clean <- dados_sidra %>%
  select(code_state = `Unidade da Federação (Código)`, 
         uf_nome = `Unidade da Federação`,             
         valor_pib = Valor) %>%
  mutate(code_state = as.numeric(code_state))


# RESULTADOS

#Tabela de PIB por Estado
#Abaixo, apresentamos os dados absolutos ordenados do maior para o menor PIB.

dados_tabela <- dados_sidra_clean %>%
  select(Estado = uf_nome, `PIB (Mil Reais)` = valor_pib) %>%
  arrange(desc(`PIB (Mil Reais)`))

# Renderizando tabela interativa com o pacote DT
datatable(dados_tabela)
# Gráfico de Barras: Ranking do PIB
#Para melhor visualização das disparidades, segue o ranking dos estados.

ggplot(dados_sidra_clean, aes(x = reorder(uf_nome, valor_pib), y = valor_pib)) +
  geom_col(fill = "steelblue") +
  coord_flip() +
  theme_minimal() +
  labs(title = "Ranking do PIB por Unidade da Federação (2021)",
       x = "Estado",
       y = "PIB (Mil Reais)")

# MAPA ESPACIAL 

#Por fim, a distribuição geográfica do PIB pelo território nacional.

# Carregando a malha espacial e unindo aos dados do IBGE
mapa_uf <- read_state(year = 2020, showProgress = FALSE)
Using year/date 2020
mapa_final <- left_join(mapa_uf, dados_sidra_clean, by = "code_state")

# Construção do Mapa
ggplot(data = mapa_final) +
  geom_sf(aes(fill = valor_pib)) +
  scale_fill_viridis_c(name = "PIB (Mil Reais)") +
  theme_minimal() +
  labs(title = "Mapa do PIB por Unidade da Federação (2021)",
       caption = "Fonte: IBGE/SIDRA")