Script para reprodução (se utilizar, citar como acima)

Introdução

Este material é uma sequência ao conteúdo da primeira parte disponível em Figueiredo (2020b). Na primeira parte foram apresentados os indicadores de desigualdade. Agora falaremos dos indicadores de especialização regional, conforme cita Monastério (2011). Outras leituras úteis além deste autor, são Coutinho (2017) e Figueiredo (2019c). Utilizaremos os pacotes REAT de Wieland (2019); e EconGeo de Balland (2017, 2019), além de algumas funções próprias.

Indicadores de Especialização Regional

O objetivo desses indicadores é resumir os padrões espaciais da atividade econômica, tentando compreender como um setor está distribuído em um local ou região, ou ainda, quais os locais mais importantes para um setor. Existem vários indicadores (\(QL\), \(CE\), \(KSI\), \(RDI\), \(DIV\), \(UBIQ\) entre outros) para uma mesma variável (por ex.: do nível de atividade, emprego, produção etc). É importante ressaltar a necessidade de se avaliar e compreender a organização dos dados nas planilhas e nas variáveis ou objetos em um software, de modo a realizar os procedimentos corretamente.

A ideia básica deste arquivo é orientar os procedimentos para o cálculo dos indicadores de análise regional a saber:

1. Quociente Locacional \(QL\)
   
2. Coeficiente de Especialização \(CE\)
   
3. Coeficiente de Especialização de Krugman \(KSI\)
   
4. Índice de Diversidade Regional \(RDI\)
   
5. Índice de Diversidade \(DIV\)
   
6. Índice de Ubiqüidade \(UBIQ\)

Quociente Locacional \(QL\)

O Quociente Locacional (QL) é uma medida que dá a informação de qual o setor mais representado no município (região de análise) quando comparado com o mesmo setor no estado (região de referência). Foi elaborado inicialmente por Haig (1928) e vem sendo muito utilizado em várias análises regionais e de localização industrial. Também chamado de Índice de Revealed Comparative Advantage (RCA – ou Vantagem comparativa revelada, VCR) seguindo Ballasa (1965), ou índice de Hoover-Balassa.

A expressão básica é:

\[ QL_{ki}=\left( {\frac{{\frac{{{E_{ki}}}}{E_i}}}{{\frac{{{E_k}}}{E}}}} \right) \] em que: \({E_{ki}}\) é o emprego no setor \(k\) na localidade de análise \(i\); \({E_i}\) é o emprego total na localidade de análise \(i\); \({E_k}\) é o emprego no setor \(k\) da localidade de referência; e \(E\) é o emprego total da localidade de referência. A ideia é saber se na localidade de análise, a proporção do emprego do setor é maior ou menor que esta proporção no local de referência. Assim, se o resultado for maior que hum \(\left( {QL_{ki}}\gt 1\right)\), então diz-se que a localidade de análise é relativamente mais especializada nesse setor que a localidade de refência. De outro lado, valores menores que a unidade \(\left( {QL_{ki}}\lt 1\right)\) indicam que a localidade analisada tem representação menor deste setor do que a representação deste na localidade de referência. A função REAT:::locq pode ser utilizada para realizar este cálculo de QL, mas só permite para um local e não para uma série. Desta forma, elaborou-se uma função QL para realizar o cálculo do setor e para todas as localidades de modo automatizado. Segue a função QL(e_ki, e_i, e_k, e) a ser utilizada, em que: e_ki é o emprego no setor \(k\) no município \(i\); e_i é o emprego total no município \(i\); e_k é o emprego no setor \(k\) do MS; e e é o emprego total do MS.

# chamar os dados para o QL, IHH, PR e ICN E<-sum(ei) # ei é o emprego total da
# regiao i, E é o emprego total MS Ek<-sum(eki) # Ek é o emprego total MS do
# setor k
QL <- function(e_ki, e_i, e_k, e) {
    
    # if (e_ki > e_i) { return (NA) }
    
    # if (e_k > e) { return (NA) }
    
    # if (e_i > e) { return (NA) }
    
    s_ki <- e_ki/e_i
    
    s_i <- e_k/e
    
    LQ <- s_ki/s_i
    
    return(LQ)
}
# chamar dados de emprego
library(readxl)
dadosemprego <- read_excel("emprego.xlsx", sheet = "2006")
# View(dadosemprego) attach(dadosemprego)

ei <- rowSums(as.matrix(dadosemprego[, 2:88]))
E <- colSums(dadosemprego[, 89], dims = 1)
ei <- dadosemprego[, 89]
# ei é o emprego total da regiao i, E é o emprego total MS Ek é o emprego total
# MS do setor k
Ek <- t(colSums(dadosemprego[, 2:88], dims = 1))

# teste - divisao 1
ql.ms <- QL(dadosemprego$`ADMINISTRAÇÃO PÚBLICA, DEFESA E SEGURIDADE SOCIAL`, ei, 
    Ek[1, 1], E)
ql.ms

   Total Geral
1    0.5885943
2    2.3529584
3    0.8262805
4    0.8822858
5    1.2637334
6    1.2985383
7    1.9092714
8    0.4753689
9    0.9879424
10   0.8761921
11   1.0401673
12   0.5424961
13   0.8364130
14   1.3289886
15   1.5954022
16   0.8367661
17   0.8925487
18   0.6731297
19   0.6843459
20   1.2576270
21   1.5534681
22   0.8610384
23   0.5865701
24   1.5131407
25   2.2058608
26   0.8546693
27   0.6247939
28   0.6344731
29   1.5808544
30   1.4852178
31   2.5448897
32   0.5009117
33   0.8749706
34   1.1197010
35   2.3193849
36   1.3218915
37   1.1905414
38   0.9259678
39   1.0366051
40   1.1898294
41   1.1488521
42   1.0273243
43   2.5730655
44   1.3250931
45   1.0120171
46   1.6500574
47   1.2840273
48   2.8691370
49   0.8995683
50   0.5618607
51   1.2206324
52   0.9600342
53   0.5158767
54   1.6215692
55   0.7014554
56   0.4900194
57   2.0168215
58         NaN
59   0.5978855
60   2.2979930
61   1.3607819
62   0.9999897
63   1.3111352
64   0.4954135
65   0.4167490
66   1.9431336
67   0.8263557
68   1.1759888
69   1.0622074
70   0.4284303
71   1.3179046
72   1.5697461
73   0.5904868
74   0.3900750
75   1.7493119
76   2.4270873
77   0.8594391
78   0.3943292
79   1.9148783

# agora tentar automatizar para todas as colunas QL <- function (e_ki, e_i, e_k,
# e)
QL.MS.2006 <- dadosemprego$Munic
for (k in 1:87) {
    # retirando linha 80 e coluna 1
    dadosemp2 <- dadosemprego[1:79, k + 1]
    QL.2006 <- QL(dadosemp2, ei, Ek[1, k], E)
    QL.MS.2006 <- cbind(QL.MS.2006, QL.2006)
}
QL.MS.2006[, 1:3]  # pedi para sair apenas duas divisoes

                 QL.MS.2006 ADMINISTRAÇÃO PÚBLICA, DEFESA E SEGURIDADE SOCIAL
1             MS-AGUA CLARA                                         0.5885943
2            MS-ALCINOPOLIS                                         2.3529584
3                MS-AMAMBAI                                         0.8262805
4              MS-ANASTACIO                                         0.8822858
5           MS-ANAURILANDIA                                         1.2637334
6               MS-ANGELICA                                         1.2985383
7           MS-ANTONIO JOAO                                         1.9092714
8   MS-APARECIDA DO TABOADO                                         0.4753689
9             MS-AQUIDAUANA                                         0.9879424
10          MS-ARAL MOREIRA                                         0.8761921
11          MS-BANDEIRANTES                                         1.0401673
12            MS-BATAGUASSU                                         0.5424961
13             MS-BATAYPORA                                         0.8364130
14            MS-BELA VISTA                                         1.3289886
15             MS-BODOQUENA                                         1.5954022
16                MS-BONITO                                         0.8367661
17           MS-BRASILANDIA                                         0.8925487
18               MS-CAARAPO                                         0.6731297
19               MS-CAMAPUA                                         0.6843459
20          MS-CAMPO GRANDE                                         1.2576270
21               MS-CARACOL                                         1.5534681
22           MS-CASSILANDIA                                         0.8610384
23       MS-CHAPADAO DO SUL                                         0.5865701
24             MS-CORGUINHO                                         1.5131407
25      MS-CORONEL SAPUCAIA                                         2.2058608
26               MS-CORUMBA                                         0.8546693
27            MS-COSTA RICA                                         0.6247939
28                 MS-COXIM                                         0.6344731
29            MS-DEODAPOLIS                                         1.5808544
30 MS-DOIS IRMAOS DO BURITI                                         1.4852178
31             MS-DOURADINA                                         2.5448897
32              MS-DOURADOS                                         0.5009117
33              MS-ELDORADO                                         0.8749706
   AGÊNCIAS DE VIAGENS, OPERADORES TURÍSTICOS E SERVIÇOS DE RESERVAS
1                                                          0.0000000
2                                                          0.0000000
3                                                          0.0000000
4                                                          0.0000000
5                                                          0.0000000
6                                                          0.0000000
7                                                          0.0000000
8                                                          0.0000000
9                                                          5.4161192
10                                                         0.0000000
11                                                         0.0000000
12                                                         0.0000000
13                                                         0.0000000
14                                                         0.0000000
15                                                         0.0000000
16                                                        23.1868323
17                                                         0.2788992
18                                                         0.0000000
19                                                         0.0000000
20                                                         0.9923635
21                                                         0.0000000
22                                                         0.8042345
23                                                         0.4957804
24                                                         0.0000000
25                                                         0.0000000
26                                                         4.9645736
27                                                         0.0000000
28                                                         0.2880881
29                                                         0.8085942
30                                                         0.0000000
31                                                         0.0000000
32                                                         0.7293951
33                                                         0.0000000
 [ reached 'max' / getOption("max.print") -- omitted 46 rows ]

O mesmo procedimento é mais facilmente obtido com uso do pacote EconGeo de Balland (2019). Outra opção é calcular no Excel. Maiores detalhes podem ser obtidos em Figueiredo (2020c) Agora vamos recalcular para 2006 e 2016, com dados da RAIS no mesmo formato.

• Para 2006:

require(EconGeo)
library(readxl)
dadosemprego <- read_excel("emprego.xlsx", sheet = "2006")
nomes <- read_excel("emprego.xlsx", sheet = "nomes")
mat_0 <- as.matrix(dadosemprego[1:79, 2:88])  # 2006
rownames(mat_0) <- (dadosemprego$Munic)
class(mat_0) <- "numeric"
# considerando T0 para 20006 e T1 para 2016
QL_T0 <- as.data.frame(round(RCA(mat_0), digits = 4))
QL_T0 <- cbind(nomes, QL_T0)
# salvar data.frames para csv com write.csv() ou para excel
# writexl::write_xlsx(QL_T0,'qlms2006.xlsx')

• Para 2016:

require(EconGeo)
library(readxl)
dadosemprego_1 <- read_excel("emprego.xlsx", sheet = "2016")
mat_1 <- as.matrix(dadosemprego_1[1:79, 2:88])  # 2016
rownames(mat_1) <- (dadosemprego_1$Munic)
class(mat_1) <- "numeric"
# considerando T0 para 20006 e T1 para 2016
QL_T1 <- as.data.frame(round(RCA(mat_1), digits = 4))
QL_T1 <- cbind(nomes, QL_T1)
# salvar data.frames para csv com write.csv() ou para excel
# writexl::write_xlsx(QL_T1,'qlms2016.xlsx')

library(dplyr)
library(ggplot2)
library(sf)
QL_T1_AGR <- QL_T1$`AGRICULTURA, PECUÁRIA E SERVIÇOS RELACIONADOS`
dataset_T1 = left_join(all_mun_ms, QL_T1, by = c(code_muni = "code_muni"))
max(dataset_T1$`AGRICULTURA, PECUÁRIA E SERVIÇOS RELACIONADOS`)

[1] 6.1393

min(dataset_T1$`AGRICULTURA, PECUÁRIA E SERVIÇOS RELACIONADOS`)

[1] 0.0527

library(ggplot2)
library("ggspatial")
ggplot() + geom_sf(data = dataset_T1, aes(fill = `AGRICULTURA, PECUÁRIA E SERVIÇOS RELACIONADOS`), 
    color = NA, size = 0.15) + labs(title = "QL 2016 dos Municípios de MS para AGRIC", 
    caption = "Fonte: Elaboração própria", size = 8) + scale_fill_distiller(palette = "RdGy", 
    limits = c(0, 7), name = "QL_T1") + theme_minimal() + annotation_north_arrow(location = "bl", 
    which_north = "true", pad_x = unit(0.65, "in"), pad_y = unit(0.3, "in"), style = north_arrow_fancy_orienteering) + 
    annotation_scale(location = "bl", width_hint = 0.3)

Coeficiente de Especialização \(CE\)

O Coeficiente de especialização (\(CE\)) de Hoover e Giarratani (1984) faz uma análise alternativa ao indicador de quociente locacional, também para avaliar se o local é especializado em determinada atividade comparativamente ao local de referência. Para seu cálculo, recomenda-se utilizar os dados de emprego de cada local para cada setor, e comparar com os mesmos dados da economia de referência. Utiliza-se aqui a mesma notação utilizada no \(QL\), para a expressão de \(CE\) para a localidade \(i\):

\[ C{E_i} = \frac{1}{2}\sum\limits_k {\left| {\frac{{{E_{ki}}}}{{{E_i}}} - \frac{{{E_k}}}{E}} \right|} \]

em que: \({E_{ki}}\) é o emprego no setor \(k\) na localidade de análise \(i\); \({E_i}\) é o emprego total na localidade de análise \(i\); \({E_k}\) é o emprego no setor \(k\) da localidade de referência; e \(E\) é o emprego total da localidade de referência.

Valores próximos de zero (\(\left( {CE_{i}}= 0\right)\)) indicam que o local \(i\) tem estrutura no mesmo padrão de especialização que a localidade de referência. De forma oposta, valores próximos a hum (\(\left( {CE_{i}}= 1\right)\)) indicam que o local \(i\) tem padrão de especialização completamente diferente da localidade de referência.

O chunk abaixo é para um setor. É preciso fazer para cada setor e depois somar para todos os setores. Isto será finalizado, portanto, após o outro chunk.

# para um setor E<-sum(ei) # ei é o emprego total da regiao i, E é o emprego
# total MS Ek<-sum(eki) # Ek é o emprego total MS do setor k
CE <- function(e_ki, e_i, e_k, e) {
    
    s_ki <- e_ki/e_i
    
    s_i <- e_k/e
    
    CEH <- 0.5 * abs(s_ki - s_i)  # está fazendo para um setor apenas
    
    return(CEH)
    
}
# chamar dados de emprego 2006

# dadosemprego <- read_excel('emprego.xlsx', sheet = '2006') View(dadosemprego)
# attach(dadosemprego) ei é o emprego total da regiao i
# ei<-rowSums(as.matrix(dadosemprego[,2:88])) # mas já coloquei o total geral no
# xlsx E é o emprego total MS
E <- colSums(dadosemprego[, 89], dims = 1)
ei <- dadosemprego[, 89]

# Ek é o emprego total MS do setor k
Ek <- t(colSums(dadosemprego[, 2:88], dims = 1))

# teste - divisao 1
ce.ms <- CE(dadosemprego$`ADMINISTRAÇÃO PÚBLICA, DEFESA E SEGURIDADE SOCIAL`, ei, 
    Ek[1, 1], E)

Agora tentar automatizar para todas as colunas e ano de 2006. Reforço: o chunk acima é para um setor. É preciso fazer para cada setor e depois somar para todos os setores.

# agora tentar automatizar para todas as colunas e 2006 CE <- function (e_ki,
# e_i, e_k, e) QL <- function (e_ki, e_i, e_k, e)
CE.MS.2006 <- dadosemprego$Munic
for (k in 1:87) {
    # retirando linha 80 e coluna 1
    dadosemp2 <- dadosemprego[1:79, k + 1]
    
    # CE.2006<- apply(X=dadosemp2,MARGIN=2,FUN = QL,e_i=ei, e_k=Ek,e=E)
    CE.2006 <- CE(dadosemp2, ei, Ek[1, k], E)
    CE.MS.2006 <- cbind(CE.MS.2006, CE.2006)
}

CE_2006 <- round(rowSums(as.matrix(CE.MS.2006[, 2:88])), 4)
knitr::kable(CE_2006)

Esta rotina pode ser resumida fazendo o uso do pacote EconGeo, e a função spec.coeff. Ela utiliza uma matriz contendo os dados no formato abaixo, em que \((I1,I2,I3)\) são as indústrias ou setores, para os municípios \((R1,R2,R3)\).

• Para 2006, usando a matriz mat_0, criada anteriormente: :

# Coeficiente de especialização de Hoover pelo EconGeo retorna exatamente o
# coeficiente (CE) visto anteriormente
library(EconGeo)
## gerar a matriz industrial da região, para T0=2006 para a matriz mat_0 criada
## anteriormente run the function
CE_T0 <- as.data.frame(round(spec.coeff(mat_0), digits = 4))
CE_T0 <- cbind(nomes, CE_T0)
colnames(CE_T0) <- c("code_muni", "nomemun", "CE_T0")
# salvar data.frames para csv com write.csv() ou para excel
# writexl::write_xlsx(CE_T0,'cems2006.xlsx')
knitr::kable(CE_T0)

• Para 2016, usando a matriz mat_1, criada anteriormente:

require(EconGeo)
library(readxl)
# considerando T0 para 20006 e T1 para 2016
CE_T1 <- as.data.frame(round(spec.coeff(mat_1), digits = 4))
CE_T1 <- cbind(nomes, CE_T1)
colnames(CE_T1) <- c("code_muni", "nomemun", "CE_T1")
# salvar data.frames para csv com write.csv() ou para excel
# writexl::write_xlsx(CE_T1,'cems2016.xlsx')
knitr::kable(CE_T1)

Os resultados por essa rotina são exatamente os mesmos daqueles obtidos pela função do for-loop dos setores.

require(dplyr)
require(ggplot2)
require(sf)
dataset_CET1 = left_join(all_mun_ms, CE_T1, by = c(code_muni = "code_muni"))
max(dataset_CET1$CE_T1)

[1] 0.7682

min(dataset_CET1$CE_T1)

[1] 0.19

library(ggplot2)
library("ggspatial")
ggplot() + geom_sf(data = dataset_CET1, aes(fill = CE_T1), color = NA, size = 0.15) + 
    labs(title = "CE 2016 dos Municípios de MS", caption = "Fonte: Elaboração própria", 
        size = 8) + scale_fill_distiller(palette = "RdGy", limits = c(0.1, 0.8), 
    name = "CE_T1") + theme_minimal() + annotation_north_arrow(location = "bl", which_north = "true", 
    pad_x = unit(0.65, "in"), pad_y = unit(0.3, "in"), style = north_arrow_fancy_orienteering) + 
    annotation_scale(location = "bl", width_hint = 0.3)

Coeficiente de Especialização de Krugman \(KSI\)

Baseado em Krugman (1991), esse indicador remete ao índice de Florence (1948) para comparações entre economias; neste caso, faz-se o município i e o estado j pela expressão:

\[ KS{I_{ij}} = \sum\limits_k {\left| {\frac{{{E_{ki}}}}{{{E_i}}} - \frac{{{E_{kj}}}}{{{E_j}}}} \right|} \] com \(0 \le KSI \le 2\) em que: \({E_{ki}}\) é o emprego no setor \(k\) na localidade de análise \(i\); \({E_i}\) é o emprego total na localidade de análise \(i\); \({E_k}\) é o emprego no setor \(k\) da localidade de referência \(j\); e \(E\) é o emprego total da localidade de referência \(j\).
Valores próximos de zero (\(\left( {KSI_{ij}}= 0\right)\)) indicam que o local \(i\) tem estrutura no mesmo padrão de especialização que a localidade de referência. De forma oposta, valores próximos a dois (\(\left( {KSI_{ij}}= 2\right)\)) indicam que o local \(i\) tem padrão de especialização completamente diferente da localidade de referência. Se dividido por 2, indica o mesmo que o \(CE_i\), ou o quanto da estrutura produtiva de uma localidade teria que ser modificada para ficar semelhante à de referência.

Para usar o pacote REAT, e a função krugman.spec, os dados devem estar no formato:

Neste caso, o comando será krugman.spec(e_ij, e_il) sendo: e_ij <- um vetor numérico com o emprego dos setores i na região j; e_il <- um vetor numérico com o emprego dos setores i na região l.

require(REAT)
# os dados emprego estao com setores nas colunas e municipios nas linhas farei
# para campo grande e 2006
cg <- t(dadosemprego[20, 2:88])
KSI.ms <- krugman.spec(cg, Ek)
KSI.ms

[1] 0.3959924

# [1] 0.3959924 === dobro do CE!!!

# Calcularei agora para dourados
dour <- t(dadosemprego[32, 2:88])
KSId.ms <- krugman.spec(dour, Ek)
KSId.ms

[1] 0.5432039

# [1] 0.5432039 === dobro do CE!!!

Agora, faz-se o mesmo cálculo de KSI para o conjunto de municípios de MS em 2006 com uso do pacote EconGeo e da função Krugman.index. Será necessário criar uma matriz com os dados desejados, no mesmo formato daquele utilizado para CE, ou seja:

Ela utiliza uma matriz contendo os dados no formato abaixo, em que \((I1,I2,I3)\) são as indústrias ou setores, para os municípios \((R1,R2,R3)\).

# Coeficiente de especialização de Krugman pelo EconGeo
library(EconGeo)
# gerar a matriz industrial da região, para 2006 = mat_0, e para 2016 mat_1
KSI_T0 <- Krugman.index(mat_0)
KSI_T1 <- Krugman.index(mat_1)
KSI_T01 <- cbind(nomes, KSI_T0, KSI_T1)
knitr::kable(cbind(nomes, KSI_T0, KSI_T1), caption = "Coeficiente de especialização de Krugman em T0 e T1")

# retorna exatamente o mesmo que anteriormente para campo grande e dourados, mas
# agora fez para todos os municípios de MS

require(dplyr)
require(ggplot2)
require(sf)
dataset_KSIT1 = left_join(all_mun_ms, KSI_T01, by = c(code_muni = "code_muni"))
max(dataset_KSIT1$KSI_T1)

[1] 1.536452

min(dataset_KSIT1$KSI_T1)

[1] 0.3799177

library(ggplot2)
library("ggspatial")
ggplot() + geom_sf(data = dataset_KSIT1, aes(fill = KSI_T1), color = NA, size = 0.15) + 
    labs(title = "KSI 2016 dos Municípios de MS", caption = "Fonte: Elaboração própria", 
        size = 8) + scale_fill_distiller(palette = "RdGy", limits = c(0.3, 1.6), 
    name = "KSI_T1") + theme_minimal() + annotation_north_arrow(location = "bl", 
    which_north = "true", pad_x = unit(0.65, "in"), pad_y = unit(0.3, "in"), style = north_arrow_fancy_orienteering) + 
    annotation_scale(location = "bl", width_hint = 0.3)

Índice de Diversidade Regional \(RDI\)

O Índice de Diversidade Industrial Regional (RDI, regional industrial diversity, ou Relative Diversity index - MCCANN, 2001, p.82), é o inverso do KSI.

# farei para campo grande e 2006

RDI.ms <- 1/KSI.ms
RDI.ms

[1] 2.525301

# Calcularei agora para dourados

RDId.ms <- 1/KSId.ms
RDId.ms

[1] 1.840929

Usando os objetos gerados no item anterior, para KSI_T0 e KSI_T1, tem-se:

RDI_T0 <- 1/KSI_T0
RDI_T1 <- 1/KSI_T1
RDI_T01 <- cbind(RDI_T0, RDI_T1)
knitr::kable(round(RDI_T01, digits = 4), caption = "Coeficiente de especialização de Krugman em T0 e T1")

require(dplyr)
require(ggplot2)
require(sf)
RDI_T01 <- cbind(nomes, RDI_T0, RDI_T1)
dataset_RDIT1 = left_join(all_mun_ms, RDI_T01, by = c(code_muni = "code_muni"))
max(dataset_RDIT1$RDI_T1)

[1] 2.632149

min(dataset_RDIT1$RDI_T1)

[1] 0.65085

library(ggplot2)
library("ggspatial")
ggplot() + geom_sf(data = dataset_RDIT1, aes(fill = RDI_T1), color = NA, size = 0.15) + 
    labs(title = "RDI 2016 dos Municípios de MS", caption = "Fonte: Elaboração própria", 
        size = 8) + scale_fill_distiller(palette = "RdGy", limits = c(0.6, 2.7), 
    name = "RDI_T1") + theme_minimal() + annotation_north_arrow(location = "bl", 
    which_north = "true", pad_x = unit(0.65, "in"), pad_y = unit(0.3, "in"), style = north_arrow_fancy_orienteering) + 
    annotation_scale(location = "bl", width_hint = 0.3)

Índice de Diversidade \(DIV\)

Cálculo da diversidade pelo pacote EconGeo, função diversity. A função calcula uma medida simples de diversidade das regiões calculando o número de setores nos quais a região tem vantagem comparativa relativa (RCA), ou seja, QL > 1 em relação as regiões das matrizes de incidência.

# gerar a matriz industrial da região, para 2006 = mat_0, e para 2016 mat_1
DIV_T0 <- diversity(mat_0, RCA = TRUE)
DIV_T1 <- diversity(mat_1, RCA = TRUE)
DIV_T01 <- cbind(DIV_T0, DIV_T1)
knitr::kable(round(DIV_T01, digits = 4), caption = "Índice de diversidade dos municípios de MS em T0 e T1")

require(dplyr)
require(ggplot2)
require(sf)
DIV_T01 <- cbind(nomes, DIV_T0, DIV_T1)
dataset_DIVT1 = left_join(all_mun_ms, DIV_T01, by = c(code_muni = "code_muni"))
max(dataset_DIVT1$DIV_T1)

[1] 51

min(dataset_DIVT1$DIV_T1)

[1] 1

library(ggplot2)
library("ggspatial")
ggplot() + geom_sf(data = dataset_DIVT1, aes(fill = DIV_T1), color = NA, size = 0.15) + 
    labs(title = "DIV 2016 dos Municípios de MS", caption = "Fonte: Elaboração própria", 
        size = 8) + scale_fill_distiller(palette = "RdGy", limits = c(0, 52), name = "DIV_T1") + 
    theme_minimal() + annotation_north_arrow(location = "bl", which_north = "true", 
    pad_x = unit(0.65, "in"), pad_y = unit(0.3, "in"), style = north_arrow_fancy_orienteering) + 
    annotation_scale(location = "bl", width_hint = 0.3)

Índice de Ubiqüidade \(UBIQ\)

A função ubiquity do pacote EconGeo calcula uma medida simples do número de regiões em que um setor é encontrado (ou seja, com QL>1). Teoricamente, setores que são mais comumente encontrados são setores menos complexos e, portanto, menos exigentes de capacidades técnicas.

UBIQ_T0 <- ubiquity(mat_0, RCA = TRUE)  # 2006
UBIQ_T1 <- ubiquity(mat_1, RCA = TRUE)  # 2016
UBIQ_T01 <- cbind(UBIQ_T0, UBIQ_T1)
knitr::kable(round(UBIQ_T01, digits = 4), caption = "Índice de Ubiqüidade dos municípios de MS em T0 e T1")

Nesse caso, as ubiqüidades são medidas por divisão CNAE e podemos verificar os valores ordenados. Ou seja, ranquear as divisões da maior para menor ubiqüidade. Os maiores valores são as divisões mais comuns nos municípios do estado de MS em 2016.

divisoes <- read_excel("emprego.xlsx", sheet = "divisoes", col_names = FALSE)
UBIQ_T01 <- cbind(divisoes, UBIQ_T0, UBIQ_T1)
rank.UBIQ <- UBIQ_T01[order(-UBIQ_T01$UBIQ_T1), ]
knitr::kable(rank.UBIQ[3:4])

Olhando os dados acima, percebemos que as divisões “Agricultura,…” e “Administração pública, …” são as mais ubíqüas, ou seja, as que mais apresentam municípios especializados nessas divisões, consideradas básicas. São em geral atividades de baixa complexidade econômica. É possível observar que mais municípios se especializaram nelas de 2006 (T0) para 2016 (T1).