Economia Regional: exemplo de treemap no comércio internacional

Abstract

This is an undergrad student level instruction for class use.

Licença

This work is licensed under the Creative Commons Attribution-ShareAlike 4.0 International License. To view a copy of this license, visit http://creativecommons.org/licenses/by-sa/4.0/ or send a letter to Creative Commons, PO Box 1866, Mountain View, CA 94042, USA.

License: CC BY-SA 4.0

Citação

Sugestão de citação: FIGUEIREDO, Adriano Marcos Rodrigues. Economia Regional: exemplo de treemap no comércio internacional. Campo Grande-MS,Brasil: RStudio/Rpubs, 2021. Disponível em http://rpubs.com/amrofi/treemap1.

1 Introdução

O treemap permite visualizar blocos cujos tamanhos refletem a grandeza da variável, e as cores refletem agrupamentos ou tipos de produtos. Têm sido muito utilizados em comércio internacional, por exemplo no Observatório de Complexidade Econômica - OEC, https://oec.world/, em dashboards e outras utilizações.

O exemplo a seguir reproduz e adapta a rotina de Paulo Alencar (https://www.fulljoin.com.br/) e código disponibilizado em https://github.com/paulofelipe/tutorial_d3plusr. Utilizaremos o pacote de Alencar e Guerra (2016), D3plusR.

2 Exemplo

Os dados utilizados foram extraídos do github de Paulo Alencar, e são das exportações brasileiras para China a partir de 2015, considerando o período parcial até abril, como também o total dos anos de 2015 e 2016. Os dados estão desagregados por fator agregado e principais produtos exportados e importados. Sugere-se que a atualização seja feita a partir dos dados do Comtrade com o pacote comtrader. São 3226 observações em 10 colunas.

library(D3plusR)
library(dplyr)
dados_chn <- read.csv2("dados/chn.csv", stringsAsFactors = FALSE, encoding = "latin1")
knitr::kable(head(dados_chn))

TIPO	PERIODO	CO_ANO	CO_PAIS	NO_PAIS	CO_PAIS_ISOA3	NO_PPE_PPI	NO_FAT_AGREG	VL_FOB	KG_LIQUIDO
EXPORTAÇÕES	Jan-Abr	2015	160	China	CHN	Abrasivos e pedras para amolar e semelhantes	Produtos Manufaturados	328523	5529
EXPORTAÇÕES	Jan-Abr	2015	160	China	CHN	Aceleradores de reação e preparações catalíticas	Produtos Manufaturados	2737	30
EXPORTAÇÕES	Jan-Abr	2015	160	China	CHN	Acetatos,nitratos, éteres de celulose e outs. derivados	Produtos Manufaturados	54518	10050
EXPORTAÇÕES	Jan-Abr	2015	160	China	CHN	Ácidos carboxílicos, seus anidridos, halogenetos, etc.	Produtos Manufaturados	58495	15355
EXPORTAÇÕES	Jan-Abr	2015	160	China	CHN	Açúcar de cana, em bruto	Produtos Semimanufaturados	242426442	728498375
EXPORTAÇÕES	Jan-Abr	2015	160	China	CHN	Açúcar refinado	Produtos Manufaturados	405	450

É possível ver que algumas colunas são desnecessárias, como a primeira coluna que contém apenas a informação de que são exportações e importações. Mas ela pode ser útil se houver também as importações no mesmo dataset. A investigação do dataset pode ser melhorada usando a função unique. Vocês verão que o dataset contêm exportações e importações. Também olhamos a coluna PERIODO. Veremos que tem informações para Jan-Abr e para Total.

unique(dados_chn["TIPO"])

unique(dados_chn["PERIODO"])

Separaremos então apenas as exportações, para período igual a total. Na sequência, um primeiro treemap contendo apenas a informação registrada em NO_FAT_AGREG e NO_PPE_PPI. Utilizaremos o pacote D3plusR para elaborar o treemap.

Esta informação tratará as duas colunas como fatores, contando os resutlados em cada caso, para o dataset de exportações (dados_chn_exp). Observa-se a predominância das exportações brasileiras para a China de produtos básicos, caixa amarela, e assim tem-se um primeiro olhar sobre estes dados.

dados_chn_exp <- dados_chn %>%
    filter(TIPO == "EXPORTAÇÕES", PERIODO == "Total")

d3plus(dados_chn_exp, type = "tree_map", id = c("NO_FAT_AGREG", "NO_PPE_PPI"), width = "100%",
    height = 500) %>%
    d3plusSize("VL_FOB")

Treemap das exportações brasileiras para a China, Total (2015-16)

Para que o D3plusR possa mostrar as participações, é necessário que os rótulos (labels) tenham o seu alinhamento vertical definido para o topo (d3plusLabels(value = TRUE, valign = "top")).

d3plus(dados_chn_exp, type = "tree_map", id = c("NO_FAT_AGREG", "NO_PPE_PPI"), width = "100%",
    height = 500) %>%
    d3plusSize("VL_FOB") %>%
    d3plusLabels(value = TRUE, valign = "top")

Treemap das exportações brasileiras para a China, Total (2015-16)

Agora, vamos definir que o nível de profundidade da visualização é o de produtos, ou seja, d3plusDepth(1). A posição da profundidade Depth é definida pela opção id = c("NO_FAT_AGREG", "NO_PPE_PPI"), que varia iniciando em “0”. Ou seja, para o detalhamento em nível de “NO_PPE_PPI”, especificar “1” em d3plusDepth(). A cor foi definida pelo fator agregado d3plusColor(value = "NO_FAT_AGREG"):

d3plus(dados_chn_exp, type = "tree_map", id = c("NO_FAT_AGREG", "NO_PPE_PPI"), width = "100%",
    height = 500) %>%
    d3plusSize("VL_FOB") %>%
    d3plusLabels(value = TRUE, valign = "top") %>%
    d3plusDepth(1) %>%
    d3plusColor(value = "NO_FAT_AGREG") %>%
    d3plusLegend(value = TRUE, order = list(value = "size", sort = "desc"))

Treemap das exportações brasileiras para a China, Total (2015-16)

Referências

Referências de pacotes utilizados - lista todos os pacotes que foram abertos em algum procedimento

Alencar, Paulo, e Saulo Guerra. 2016. D3plusR: Create D3plus visualizations.

Allaire, JJ, Yihui Xie, Jonathan McPherson, Javier Luraschi, Kevin Ushey, Aron Atkins, Hadley Wickham, Joe Cheng, Winston Chang, e Richard Iannone. 2021. rmarkdown: Dynamic Documents for R. https://CRAN.R-project.org/package=rmarkdown.

Barnier, Julien. 2021. rmdformats: HTML Output Formats and Templates for rmarkdown Documents. https://github.com/juba/rmdformats.

Ooms, Jeroen. 2014. «The jsonlite Package: A Practical and Consistent Mapping Between JSON Data and R Objects». arXiv:1403.2805 [stat.CO]. https://arxiv.org/abs/1403.2805.

———. 2020. jsonlite: A Simple and Robust JSON Parser and Generator for R. https://CRAN.R-project.org/package=jsonlite.

R Core Team. 2021. R: A Language and Environment for Statistical Computing. Vienna, Austria: R Foundation for Statistical Computing. https://www.R-project.org/.

Wickham, Hadley, Romain François, Lionel Henry, e Kirill Müller. 2021. dplyr: A Grammar of Data Manipulation. https://CRAN.R-project.org/package=dplyr.

Xie, Yihui. 2014. «knitr: A Comprehensive Tool for Reproducible Research in R». Em Implementing Reproducible Computational Research, editado por Victoria Stodden, Friedrich Leisch, e Roger D. Peng. Chapman; Hall/CRC. http://www.crcpress.com/product/isbn/9781466561595.

———. 2015. Dynamic Documents with R and knitr. 2nd ed. Boca Raton, Florida: Chapman; Hall/CRC. https://yihui.org/knitr/.

———. 2016. bookdown: Authoring Books and Technical Documents with R Markdown. Boca Raton, Florida: Chapman; Hall/CRC. https://bookdown.org/yihui/bookdown.

———. 2021a. bookdown: Authoring Books and Technical Documents with R Markdown. https://CRAN.R-project.org/package=bookdown.

———. 2021b. knitr: A General-Purpose Package for Dynamic Report Generation in R. https://yihui.org/knitr/.

Xie, Yihui, J. J. Allaire, e Garrett Grolemund. 2018. R Markdown: The Definitive Guide. Boca Raton, Florida: Chapman; Hall/CRC. https://bookdown.org/yihui/rmarkdown.

Xie, Yihui, Christophe Dervieux, e Emily Riederer. 2020. R Markdown Cookbook. Boca Raton, Florida: Chapman; Hall/CRC. https://bookdown.org/yihui/rmarkdown-cookbook.