Minicurso - Linguagem R aplicada em Economia IERI - UFU

Prof. Dr. Julio Fernando Costa Santos

Dezembro de 2021 (Atualizado: 2021-12-09)

Motivação

Iremos nesse minicurso abrir dados contábeis do Brasil.
Para isso, iremos relembrar conceitos de Contabilidade Nacional.
Utilizaremos os dados para realizarmos uma análise exploratória dos dados com uso da linguagem de programação R, em ambiente RStudio.
Analisar setores da Economia Brasileira.
Criar séries temporais a partir de dados separados em múltiplas planilhas de excel.

Noções Iniciais - SNA 93 e Contabilidade Nacional

Ponto de Partida -> Contabilidade Nacional - Formato SNA 93.

A partir de 1997, seguindo as orientações da ONU, o IBGE modificou o seu sistema de contas para incorporar as mudanças sugeridas pelo SNA 93.
O formato anterior (SNA 68) permaneceu apurando as cntas até o ano de 1996.
A motivação de um novo sistema, segundo a ONU é: "Apresentar um sistema de contas que, embora mantendo os fundamentos anteriores, seja atualizado, flexível e harmônico.

Noções Iniciais - SNA 93 e Contabilidade Nacional

No SNA 93, o sistema é formado por:

Tabelas de Recursos e Usos (TRU) - Sua estrutura é baseada na matriz insumo-produto.
Contas Econômicas Integradas (CEI) - Um conjunto integrado de peças contábeis que se aproxima muito das quatro contas do sistema anteriormente vigente (SNA 68).
Contas Econômicas Integradas por Setores Institucionais (CEI-SI) - Como as CEI, são, na realidade, o resultado da análise do desempenho da economia por setores institucionais, criou-se as CEI-SI como elemento fundamental para compreensão da dinâmica do funcionamento do novo sistema.

Noções Iniciais - SNA 93 e Contabilidade Nacional

A mudança no SNA é uma mudança de forma e não de princípios contábeis.
Uma mudança significativa é que deixou-se de utilizar os termos Créditos e Débitos a favor do uso dos termos Recursos e Usos.
A CEI é alimentada por informações da TRU. Por essa razão, comearemos o entendimento da TRU para na sequência entendermos a CEI.
Essa é formada pelas seguintes 6 matrizes:

Noções Iniciais - A Tabela de Recursos e Usos (TRU)

Tabela	Matriz
A	Oferta
A1	Produção
A2	Importação
B1	Consumo Intermediário
B2	Demanda Final
C	Componentes do Valor Adicionado

Sendo válida as seguintes identidades:

$A\equiv A1+A2$ (Oferta Total = Produção + Importação)
$A\equiv B1+B2$ (Oferta Total = Consumo Intermediário + Demanda Final)
$C\equiv A1-B1$ (Valor Adicionado = Produção - Consumo Intermediário)

Noções Iniciais - A Tabela de Recursos e Usos (TRU)

Fonte dos Dados: IBGE.

Link: https://www.ibge.gov.br/estatisticas/economicas/comercio/9052-sistema-de-contas-nacionais-brasil.html?=&t=downloads

Faremos uso dos dados da TRU (SNA 93). Os dados setoriais podem ser desagregados em: 12 , 20, 51 e 68 setores.

Trabalharemos com 12 setores em nossos scripts para facilitar a visualização e interpretação gráfica dos resultados.

Organizando os Dados de Consumo Intermediário em Gráfico de Cordas

Os dados foram feitos download prévio (arquivos .xls) em uma pasta dentro do working directory do R.
A função read_excel faz parte da library(readxl).
O argumento skip define o número de linhas que podem ser inicialmente puladas da tabela original.
O parâmetro sheet faz referência a aba da planilha do excel.
Os dados são mantidos em data.frame no R.

rm(list=ls())

library(readxl)

CI_2001 <- read_excel("D:/Google Drive/Documentos Julio/Rstudio/TRU - IBGE/12_tab4_2001.xls",
                      sheet = "CI", skip = 3)

CI_2009 <- read_excel("D:/Google Drive/Documentos Julio/Rstudio/TRU - IBGE/12_tab4_2009.xls",
                      sheet = "CI", skip = 3)

CI_2019 <- read_excel("D:/Google Drive/Documentos Julio/Rstudio/TRU - IBGE/12_tab4_2019.xls",
                      sheet = "CI", skip = 3)

Tabelas Cruas (Raw Data)

Usamos a library(kableExtra) apenas para melhor visualizar a tabela.

library(kableExtra)

kable(CI_2019) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), 
                full_width = F,
                font_size = 12)

…1	…2	01 Agropecuária	02 Indústrias extrativas	03 Indústrias de transformação	04 Eletricidade e gás, água, esgoto, atividades de gestão de resíduos	05 Construção	06 Comércio	07 Transporte, armazenagem e correio	08 Informação e comunicação	09 Atividades financeiras, de seguros e serviços relacionados	10 Atividades imobiliárias	11 Outras atividades de serviços	12 Administração, defesa, saúde e educação públicas e seguridade social	Total do produto
NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
01	Agropecuária	34080	2	295699	44	1064	14069	0	0	0	0	11138	2759	358855
02	Indústrias extrativas	803	13824	198089	14547	8914	117	6	0	0	552	87	135	237074
03	Indústrias de transformação	211470	99003	1589589	40758	205846	135253	175408	22092	9585	10134	264281	67261	2830680
04	Eletricidade e gás, água, esgoto, atividades de gestão de resíduos	16471	4027	55190	131432	1048	34996	5057	4389	3620	1517	43660	27095	328502
05	Construção	326	6078	3234	5405	63217	1296	1918	5481	1167	2038	6207	22857	119224
06	Comércio	296	1979	39511	1294	480	11467	8162	4374	141	27	3593	3301	74625
07	Transporte, armazenagem e correio	9539	34514	127119	5948	3513	71299	80210	3457	7421	372	28169	14099	385660
08	Informação e comunicação	64	1655	20833	3539	1696	22087	6146	56919	29880	1297	73435	32201	249752
09	Atividades financeiras, de seguros e serviços relacionados	11525	8312	66172	11309	9507	37520	18168	13711	98432	27082	35919	66366	404023
10	Atividades imobiliárias	40	670	6927	1947	1290	52328	5169	5647	6116	2691	41091	3996	127912
11	Outras atividades de serviços	3346	53249	183664	24675	18331	151014	47920	81770	73941	7509	228366	125024	998809
12	Administração, defesa, saúde e educação públicas e seguridade social	0	0	0	0	0	0	0	0	0	0	0	0	0
NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
Total	NA	287960	223313	2586027	240898	314906	531446	348164	197840	230303	53219	735946	365094	6115116

Tabelas Tratadas e Normalizadas

Para tratar os dados, iremos remover as linhas e colunas que possuem apenas valores NA.
Para normalizar os dados, iremos dividir o valor do consumo intermediário de um setor pela soma de todo o consumo intermediário desse setor frente aos demais setores da economia.

## Tratamento
CI_2001_Tratado <- CI_2001[-c(1,14,15),-c(1,2,15)]

CI_2009_Tratado <- CI_2009[-c(1,14,15),-c(1,2,15)]

CI_2019_Tratado <- CI_2019[-c(1,14,15),-c(1,2,15)]

# Normalização
CI_2001_Normalizado <- CI_2001_Tratado/rowSums(CI_2001_Tratado)
CI_2009_Normalizado <- CI_2009_Tratado/rowSums(CI_2009_Tratado)
CI_2019_Normalizado <- CI_2019_Tratado/rowSums(CI_2019_Tratado)

Formatando os Dados

Encurtando os Nomes e igualando os rótulos das linhas sendo iguais aos das colunas.

Nomes <- c("Agropecuária",
           "Indústria Extrativa",
           "Indústria Transformação",
           "Utilidade Púb.",
           "Construção",
           "Comércio",
           "Transporte, Armazenagem e Correio",
           "Informação e Comunicação",
           "Atividades Financeiras, de Seguros e Correlatos",
           "Atividades Imobiliárias",
           "Outras Serviços",
           "Adm. Pública")

rownames(CI_2001_Tratado) <- colnames(CI_2001_Tratado) <- Nomes
rownames(CI_2009_Tratado) <- colnames(CI_2009_Tratado) <- Nomes
rownames(CI_2019_Tratado) <- colnames(CI_2019_Tratado) <- Nomes

rownames(CI_2001_Normalizado) <- colnames(CI_2001_Normalizado) <- Nomes
rownames(CI_2009_Normalizado) <- colnames(CI_2009_Normalizado) <- Nomes
rownames(CI_2019_Normalizado) <- colnames(CI_2019_Normalizado) <- Nomes

Verificando a Tabela Tratada

kable(CI_2019_Tratado) %>%
  kable_styling(bootstrap_options = "striped", 
                full_width = F,
                font_size = 12)

	Agropecuária	Indústria Extrativa	Indústria Transformação	Utilidade Púb.	Construção	Comércio	Transporte, Armazenagem e Correio	Informação e Comunicação	Atividades Financeiras, de Seguros e Correlatos	Atividades Imobiliárias	Outras Serviços	Adm. Pública
Agropecuária	34080	2	295699	44	1064	14069	0	0	0	0	11138	2759
Indústria Extrativa	803	13824	198089	14547	8914	117	6	0	0	552	87	135
Indústria Transformação	211470	99003	1589589	40758	205846	135253	175408	22092	9585	10134	264281	67261
Utilidade Púb.	16471	4027	55190	131432	1048	34996	5057	4389	3620	1517	43660	27095
Construção	326	6078	3234	5405	63217	1296	1918	5481	1167	2038	6207	22857
Comércio	296	1979	39511	1294	480	11467	8162	4374	141	27	3593	3301
Transporte, Armazenagem e Correio	9539	34514	127119	5948	3513	71299	80210	3457	7421	372	28169	14099
Informação e Comunicação	64	1655	20833	3539	1696	22087	6146	56919	29880	1297	73435	32201
Atividades Financeiras, de Seguros e Correlatos	11525	8312	66172	11309	9507	37520	18168	13711	98432	27082	35919	66366
Atividades Imobiliárias	40	670	6927	1947	1290	52328	5169	5647	6116	2691	41091	3996
Outras Serviços	3346	53249	183664	24675	18331	151014	47920	81770	73941	7509	228366	125024
Adm. Pública	0	0	0	0	0	0	0	0	0	0	0	0

Verificando a Tabela Normalizada

kable(CI_2019_Normalizado) %>%
  kable_styling(bootstrap_options = "striped", 
                full_width = F,
                font_size = 12)

	Agropecuária	Indústria Extrativa	Indústria Transformação	Utilidade Púb.	Construção	Comércio	Transporte, Armazenagem e Correio	Informação e Comunicação	Atividades Financeiras, de Seguros e Correlatos	Atividades Imobiliárias	Outras Serviços	Adm. Pública
Agropecuária	0.0949687	0.0000056	0.8240069	0.0001226	0.0029650	0.0392053	0.0000000	0.0000000	0.0000000	0.0000000	0.0310376	0.0076883
Indústria Extrativa	0.0033871	0.0583109	0.8355577	0.0613606	0.0376001	0.0004935	0.0000253	0.0000000	0.0000000	0.0023284	0.0003670	0.0005694
Indústria Transformação	0.0747064	0.0349750	0.5615573	0.0143987	0.0727196	0.0477811	0.0619667	0.0078045	0.0033861	0.0035801	0.0933631	0.0237614
Utilidade Púb.	0.0501397	0.0122587	0.1680051	0.4000950	0.0031902	0.1065321	0.0153941	0.0133606	0.0110197	0.0046179	0.1329063	0.0824805
Construção	0.0027343	0.0509797	0.0271254	0.0453348	0.5302372	0.0108703	0.0160874	0.0459723	0.0097883	0.0170939	0.0520617	0.1917148
Comércio	0.0039665	0.0265193	0.5294606	0.0173400	0.0064322	0.1536616	0.1093735	0.0586131	0.0018894	0.0003618	0.0481474	0.0442345
Transporte, Armazenagem e Correio	0.0247342	0.0894933	0.3296142	0.0154229	0.0091091	0.1848753	0.2079811	0.0089639	0.0192423	0.0009646	0.0730410	0.0365581
Informação e Comunicação	0.0002563	0.0066266	0.0834147	0.0141701	0.0067907	0.0884357	0.0246084	0.2279021	0.1196387	0.0051932	0.2940317	0.1289319
Atividades Financeiras, de Seguros e Correlatos	0.0285256	0.0205731	0.1637828	0.0279910	0.0235308	0.0928660	0.0449677	0.0339362	0.2436297	0.0670308	0.0889034	0.1642629
Atividades Imobiliárias	0.0003127	0.0052380	0.0541544	0.0152214	0.0100851	0.4090938	0.0404106	0.0441475	0.0478141	0.0210379	0.3212443	0.0312402
Outras Serviços	0.0033500	0.0533125	0.1838830	0.0247044	0.0183529	0.1511941	0.0479771	0.0818675	0.0740292	0.0075180	0.2286383	0.1251731
Adm. Pública	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN

Parametrizando o Diagrama de Acordes

library(RColorBrewer)
groupColors <- brewer.pal(n = 12, name = "Set3")

## Diagrama de Acordes
#Parametros Gráficos
groupnamePadding  = 40
groupnameFontsize = 10
ticklabelFontsize = 8

#devtools::install_github("mattflor/chorddiag", force  = TRUE)
library(chorddiag)

# Gráficos p1, p2, p3
p1 <- chorddiag(as.matrix(CI_2001_Tratado), 
                groupColors       = groupColors, 
                groupnamePadding  = groupnamePadding, 
                groupnameFontsize = groupnameFontsize,
                ticklabelFontsize = ticklabelFontsize)

p2 <- chorddiag(as.matrix(CI_2009_Tratado), 
                groupColors       = groupColors, 
                groupnamePadding  = groupnamePadding, 
                groupnameFontsize = groupnameFontsize,
                ticklabelFontsize = ticklabelFontsize)

p3 <- chorddiag(as.matrix(CI_2019_Tratado), 
                groupColors = groupColors, 
                groupnamePadding = groupnamePadding, 
                groupnameFontsize = groupnameFontsize,
                ticklabelFontsize = ticklabelFontsize)

O Diagrama de Acordes - Valores em Milhões de R$ Correntes

Usamos dois pacotes para gráficos interativos, sendo eles o library(htmltools) e o library(highcharter).
A função browsable() permite plotar uma lista de figuras.
A função tagList() permite adicionar rótulos (títulos, subtítulos, etc).

library(htmltools)
library(highcharter)

browsable(
tagList(
  tags$h2("Consumo Intermediário - 12 Setores - 2001"),p1,
  tags$h2("Consumo Intermediário - 12 Setores - 2009"),p2,
  tags$h2("Consumo Intermediário - 12 Setores - 2019"),p3))

Consumo Intermediário - 12 Setores - 2001

Consumo Intermediário - 12 Setores - 2009

Consumo Intermediário - 12 Setores - 2019

O Diagrama de Acordes - Valores Normalizados

Agora com os valores normalizados, podemos extender nossa análise para verificar percentualmente quanto de um setor representa nas compras setoriais (consumo intermediário) de outro setor.

p4 <- chorddiag(as.matrix(CI_2009_Normalizado), 
                groupColors       = groupColors, 
                groupnamePadding  = groupnamePadding, 
                groupnameFontsize = groupnameFontsize,
                ticklabelFontsize = ticklabelFontsize)

p5 <- chorddiag(as.matrix(CI_2019_Normalizado), 
                groupColors       = groupColors, 
                groupnamePadding  = groupnamePadding, 
                groupnameFontsize = groupnameFontsize,
                ticklabelFontsize = ticklabelFontsize)

p6 <- chorddiag(as.matrix(CI_2019_Normalizado), 
                groupColors       = groupColors, 
                groupnamePadding  = groupnamePadding, 
                groupnameFontsize = groupnameFontsize,
                ticklabelFontsize = ticklabelFontsize)

browsable(
tagList(
  tags$h2("Consumo Intermediário Normalizado - 12 Setores - 2001"), p4,
  tags$h2("Consumo Intermediário Normalizado - 12 Setores - 2009"), p5,
  tags$h2("Consumo Intermediário Normalizado - 12 Setores - 2019"), p6))

Consumo Intermediário Normalizado - 12 Setores - 2001

Consumo Intermediário Normalizado - 12 Setores - 2009

Consumo Intermediário Normalizado - 12 Setores - 2019

Demanda Final e Intermediária de Bens - 12 Setores

Utilizamos agora a aba demanda da tabela 4 da TRU do referido ano calendário.
Criamos a variável Consumo Intermediário como sendo a diferença entre a Demanda Total e a Demanda Final.
Tratamos os Dados removendo as colunas e linhas repletas de NA.
Resumindo o Destino.

DA_2019 <- read_excel("D:/Google Drive/Documentos Julio/Rstudio/TRU - IBGE/12_tab4_2019.xls",
                      sheet = "demanda", skip = 3)

DA_2019$CI <- DA_2019[,10] - DA_2019[,9]

DA_2019_Tratado <- DA_2019[-c(1,14:18),-c(1,2,9,10)]

Destinacao <- c("Exportações",
                "Consumo do Governo",
                "Consumo das ISFL",
                "Consumo das Famílias",
                "FBCF",
                "Variação de Estoque",
                "Consumo Intermediário")

Demanda Final - 12 Setores

Precisamos organizar os dados em três colunas. A primeira é a origem dos dados (from), a segunda é o destino dos dados (to) e, por fim, o peso (weight).
Exportaremos em Java e usaremos o plot iterativo do Highcharter

library(jsonlite)

Links <- data.frame("from"   = rep(Nomes, each = 6),
                    "to"     = rep(Destinacao[1:6], times = 12),
                    "weight" = as.vector(t(DA_2019_Tratado[,-7]))) %>%
toJSON()

highchart() %>%
  hc_chart(type = 'sankey') %>%
  hc_add_series(data = Links) %>%
  hc_title(text = "Demanda Final - 12 setores - 2019")

Demanda Final e Intermediária de Bens - 12 Setores

Precisamos organizar os dados em três colunas. A primeira é a origem dos dados (from), a segunda é o destino dos dados (to) e, por fim, o peso (weight).
Exportaremos em Java e usaremos o plot iterativo do Highcharter

Links <- data.frame("from"   = rep(Nomes, each = 7),
                    "to"     = rep(Destinacao, times = 12),
                    "weight" = as.vector(t(DA_2019_Tratado))) %>%
toJSON()

highchart() %>%
  hc_chart(type = 'sankey') %>%
  hc_add_series(data = Links) %>%
  hc_title(text = "Demanda Total e Intermediária - 12 setores - 2019")

Demanda Final, Intermediária e Importações - 12 setores

Vejamos as seguintes relações:

Identidade Fundamental da CEI - Conta 0 - Conta de Bens e Serviços

\[VBP+M+(IpM-Sub.pM)\equiv CI+CF+FBCF+\Delta E+X \]

Sabendo que $Y\equiv VBP-CI+(Ip.M-Sub.pM)$, temos a seguinte identidade abaixo gerada:

\[Y+M\equiv CF+FBCF+\Delta E+X \]

Sendo que essa última não faz parte do sistema.

Onde: $VBP$ é o valor bruto da produção, $M$ são as importações, $Ip.M$ são os impostos sobre importações + demais impostos sobre o produto, $Sub.pM$ são os subsídios sobre a produção e importação, $CF$ é o consumo final, $FBCF$ é a formação bruta de capital fixo, $\Delta E$ é a variação de estoques e $X$ são as exportações.

M_2019 <- read_excel("D:/Google Drive/Documentos Julio/Rstudio/TRU - IBGE/12_tab3_2019.xls", 
                     sheet = "importacao", skip = 3)

M_2019_Tratado <- M_2019[-c(1,14:18),-c(1,2)]

Links_Imp <- data.frame("from"   = rep("Importações", each = 12),
                        "to"     = rep(Nomes, times = 1),
                        "weight" = as.vector(t(M_2019_Tratado)))

Links <- data.frame("from"   = rep(Nomes, each = 7),
                    "to"     = rep(Destinacao, times = 12),
                    "weight" = as.vector(t(DA_2019_Tratado)))

Links2 <- rbind(Links_Imp,Links) %>%

toJSON()

highchart() %>%
  hc_chart(type = 'sankey') %>%
  hc_add_series(data = Links2) %>%
  hc_title(text = "Demanda Final, Consumo Intermediário e Importações - 12 setores - 2019")

Demanda Final, Intermediária e Importações - 12 setores - Ano de 2009

Demanda Final, Intermediária e Importações - 12 setores - Ano de 2001

Valor Adicionado Bruto - Ótica da Renda - 12 Setores - 2019

A respeito da ótica da renda, temos a conta 2.1 do CEI - Distribuição Primária da Renda, que nos aponta a seguinte identidade: \[PIB\equiv W+CS+RMB+EOD+(Ip.M-Sub.P)\]

onde $W$ são os salários, $CS$ são as contribuições sociais, $RMB$ são os rendimentos misto bruto, $EOD$ é o Excedente Operacional Bruto.

VA_2019 <- read_excel("D:/Google Drive/Documentos Julio/Rstudio/TRU - IBGE/12_tab2_2019.xls",
                      sheet = "VA", skip = 3)

VA_2019_Tratado <- data.frame(t(VA_2019[-c(1,2,3,6:9,14:19),-c(1,14)]))

Nomes <- c("Agropecuária",
           "Indústrias Extrativas",
           "Indústrias de Transformação",
           "Eletrecidade e Gás, Água, Esgoto, Atividades de Gestão de Resíduos",
           "Construção",
           "Comércio",
           "Transporte, Armazenagem e Correio",
           "Informação e Comunicação",
           "Atividades Financeiras, de Seguros e Serviços Relacionados",
           "Atividades Imobiliárias",
           "Outras Atividades de Serviços",
           "Administração, Defesa, Saúde e Educação Públicas e Seguridade Social")

Colunas <- c("Salários",
             "Cont. Sociais",
             "Rendimento Misto Bruto",
             "Excedente Operacional Bruto (EOB)",
             "Outros Impostos sobre a produção",
             "Outros Subsídios à produção")


colnames(VA_2019_Tratado) <- Colunas


Links_VA_2019 <- data.frame("from"   = rep(Nomes, each = 6),
                             "to"     = rep(Colunas, times = 12),
                             "weight" = as.vector(t(VA_2019_Tratado))) %>%

  toJSON()

highchart() %>%
  hc_chart(type = 'sankey') %>%
  hc_add_series(data = Links_VA_2019) %>%
  hc_title(text = "Valor Adicionado - Ótica da Renda - 12 setores - 2019")

Valor Adicionado Bruto - Ótica da Renda - 12 Setores - 2009 e 2001

Apontamentos sobre a Diferença nos PIBs Setoriais

Por que razão, o PIB de alguns setores aparece distinto quando medidos pela VA na ótica da renda em comparação ao lado do dispêndio?
A diferença está nos conceitos de PIB medido em preços do consumidor e medido em preços básicos.
No SNA 93, o termo preços ao consumidor é correlato ao termo antigo de preços de mercado.
Preços Básicos é um conceito que aplica-se aos setores. Dessa forma, não encontra correspondência no Preço a Custo de Fatores (previamente utilizado). Nesse, estava implicitamente considerado as Margens de Comercialização e Custo de Transporte. No agregado isso desaparece.

Agora temos a seguinte identidade contábil: \[PC=PB+Imp.pM+MC+Transp.\] onde: $PC$ é o PIB em preços ao consumidor; $PB$ é o PIB medido em preços básicos; $Imp.pM$ são impostos sobre a produção e a importação; $MC$ é margem de comércio; $Transp$ é a margem de transporte.

Parte Final - Criando Séries Temporais com as Tabelas TRU SNA 93

Já sabemos que os arquivos do diretório tem o mesmo texto, variando apenas o ano.
Vamos então criar uma sequência com os devidos “diretórios”.
Ao fim, usamos a função lapply() para aplicar a função read_excel() em toda a sequência de anos.

Str1 <- "D:/Google Drive/Documentos Julio/Rstudio/TRU - IBGE/12_tab2_"
Str2 <- as.character(seq(from = 2001, to = 2019, by = 1))
Str3 <- ".xls"


Arquivos <- paste(Str1,Str2,Str3, sep = "")

Lista_VA <- lapply(Arquivos, function(x) read_excel(x, skip = 3, sheet = "VA"))

Parte Final - Criando Séries Temporais com as Tabelas TRU SNA 93

Fazemos agora um looping através do comando for (i in 1:NROW(Arquivos)) {} para separar os dados de VA, Salários e Empregos setoriais.

Lista_VA_Tratada <- list()
VA_Setores <- data.frame(matrix(NA , ncol = 12, nrow = 19))
Salarios   <- data.frame(matrix(NA , ncol = 12, nrow = 19))
Empregos   <- data.frame(matrix(NA , ncol = 12, nrow = 19))

for (i in  1:NROW(Arquivos)) {
  
  Lista_VA_Tratada[[i]] <- as.data.frame(Lista_VA[[i]][-c(1,16:18),-c(1,14)])
  VA_Setores[i,]        <- Lista_VA_Tratada[[i]][1,]
  Salarios[i,]          <- Lista_VA_Tratada[[i]][2,]
  Empregos[i,]          <- Lista_VA_Tratada[[i]][14,]
}

Parte Final - Criando Séries Temporais com as Tabelas TRU SNA 93

Transformando os dados separados em tabelas (data.frame) em séries temporais
Analisaremos aqui o PIB Setorial em termos de share, os empregos setoriais em termos de share e os salários em termos de share da renda.

colnames(VA_Setores) <- colnames(Salarios) <- colnames(Empregos) <- Nomes

VA_Shares_ts       <- ts(VA_Setores/rowSums(VA_Setores), start = 2001)
Empregos_Shares_ts <- ts(Empregos/rowSums(Empregos), start = 2001)
Wage_Shares_ts     <- ts(Salarios/VA_Setores, start = 2001)

Cores <- brewer.pal(n = 12, name = "Set3")

Gerando as Figuras

f1 <- hchart(VA_Shares_ts[,1],         color = Cores[1],  name = Nomes[1]) %>%
      hc_add_series(VA_Shares_ts[,2],  color = Cores[2],  name = Nomes[2]) %>%
      hc_add_series(VA_Shares_ts[,3],  color = Cores[3],  name = Nomes[3]) %>%
      hc_add_series(VA_Shares_ts[,4],  color = Cores[4],  name = Nomes[4]) %>%
      hc_add_series(VA_Shares_ts[,5],  color = Cores[5],  name = Nomes[5]) %>%
      hc_add_series(VA_Shares_ts[,6],  color = Cores[6],  name = Nomes[6]) %>%
      hc_add_series(VA_Shares_ts[,7],  color = Cores[7],  name = Nomes[7]) %>%
      hc_add_series(VA_Shares_ts[,8],  color = Cores[8],  name = Nomes[8]) %>%
      hc_add_series(VA_Shares_ts[,9],  color = Cores[9],  name = Nomes[9]) %>%
      hc_add_series(VA_Shares_ts[,10], color = Cores[10], name = Nomes[10]) %>%
      hc_add_series(VA_Shares_ts[,11], color = Cores[11], name = Nomes[11]) %>%
      hc_add_series(VA_Shares_ts[,12], color = Cores[12], name = Nomes[12])

f2 <- hchart(Empregos_Shares_ts[,1], color = Cores[1],  name = Nomes[1]) %>%
      hc_add_series(Empregos_Shares_ts[,2],  color = Cores[2],  name = Nomes[2]) %>%
      hc_add_series(Empregos_Shares_ts[,3],  color = Cores[3],  name = Nomes[3]) %>%
      hc_add_series(Empregos_Shares_ts[,4],  color = Cores[4],  name = Nomes[4]) %>%
      hc_add_series(Empregos_Shares_ts[,5],  color = Cores[5],  name = Nomes[5]) %>%
      hc_add_series(Empregos_Shares_ts[,6],  color = Cores[6],  name = Nomes[6]) %>%
      hc_add_series(Empregos_Shares_ts[,7],  color = Cores[7],  name = Nomes[7]) %>%
      hc_add_series(Empregos_Shares_ts[,8],  color = Cores[8],  name = Nomes[8]) %>%
      hc_add_series(Empregos_Shares_ts[,9],  color = Cores[9],  name = Nomes[9]) %>%
      hc_add_series(Empregos_Shares_ts[,10], color = Cores[10], name = Nomes[10]) %>%
      hc_add_series(Empregos_Shares_ts[,11], color = Cores[11], name = Nomes[11]) %>%
      hc_add_series(Empregos_Shares_ts[,12], color = Cores[12], name = Nomes[12])

f3 <- hchart(Wage_Shares_ts[,1],         color = Cores[1],  name = Nomes[1]) %>%
      hc_add_series(Wage_Shares_ts[,2],  color = Cores[2],  name = Nomes[2]) %>%
      hc_add_series(Wage_Shares_ts[,3],  color = Cores[3],  name = Nomes[3]) %>%
      hc_add_series(Wage_Shares_ts[,4],  color = Cores[4],  name = Nomes[4]) %>%
      hc_add_series(Wage_Shares_ts[,5],  color = Cores[5],  name = Nomes[5]) %>%
      hc_add_series(Wage_Shares_ts[,6],  color = Cores[6],  name = Nomes[6]) %>%
      hc_add_series(Wage_Shares_ts[,7],  color = Cores[7],  name = Nomes[7]) %>%
      hc_add_series(Wage_Shares_ts[,8],  color = Cores[8],  name = Nomes[8]) %>%
      hc_add_series(Wage_Shares_ts[,9],  color = Cores[9],  name = Nomes[9]) %>%
      hc_add_series(Wage_Shares_ts[,10], color = Cores[10], name = Nomes[10]) %>%
      hc_add_series(Wage_Shares_ts[,11], color = Cores[11], name = Nomes[11]) %>%
      hc_add_series(Wage_Shares_ts[,12], color = Cores[12], name = Nomes[12])

Plot Final

browsable(
tagList(
  tags$h2("PIB Setorial - Shares - 12 Setores - 2001 a 2019"), f1,
  tags$h2("Emprego Setorial - Shares - 12 Setores - 2001 a 2019"), f2,
  tags$h2("Wage Shares (W/Y) - 12 Setores - 2001 a 2019"), f3))