O acompanhamento de variáveis econômicas permite avaliar a conjuntura econômica de uma país. É possível realizar essa tarefa através de um método extremamente produtivo, sem perder tempo coletando os dados, realizando a construção de cálculos, gráficos e tabelas de forma manual: por meio da construção de um Dashboard automatizado. No post de hoje, vamos ensinar a como construir um Dashboard de Indicadores Macroeconômicos com o R.
Análise de Conjuntura e Variáveis Macroeconômicas
O objetivo de lidar com dados Macroeconômicos é verificar o comportamento e o ciclo econômico de um determinado país em um dado período tempo, afim de realizar comparações com a Teoria Macroeconômica, bem como analisar o efeito de políticas econômicas e eventos extremos.
A Variáveis Econômicas construídas por meio de estatísticas oficiais de entidades de países ou instituições permitem avaliar os dados necessários para se ter um Análise de Conjuntura.
Portanto, instituições financeiras, empresas e policymakers, entre outros agentes, necessitam do uso de Análise de Conjuntura de forma a avaliar o presente e projetar o futuro.
Qual o beneficio de um Dashboard?
Um Dashboard permite manter diversos gráficos, tabelas entre outras formas de visualização de gráficos em um único ou mais painel de forma interativa e dinâmica. A construção desse tipo de painel permite que o analista construa um sistema em que não somente tenha pronto de forma automática a construção de visualizações para realizar Análise de Conjuntura, bem como haja a coleta automática de dados por meio deste sistema.
Conheça nosso Curso de Análise de Conjuntura usando o R e aprenda a construir esse tipo de análise.
Construindo um Dashboard de Mercado de trabalho com o R
Mas como construir um Dashboard? Aqui na Análise Macro ensinamos nossos alunos a construírem Dashboard de diversas variáveis Macroeconômicas, seja do Mercado de Trabalho, Mercado de Crédito, Inflação, Política Fiscal, Política Monetária, Setor Externo, Economia Internacional e Nível de Atividade. Tudo isso é encontrado no curso Análise de Conjuntura com o R.
No post de hoje, vamos ensinar a construir um Dashboard de Mercado de Trabalho. Os passos seguiram abaixo, o objetivo será construir um projeto no R, um arquivo .R, e um arquivo {flexdashboard}.
Arquivo .R contendo a Coleta e Tratamento de Dados
O arquivo .R será utilizado para definir toda a base de coleta de dados do Dashboard. A separação do back com o front (coleta, tratamento e cálculo com a parte visual) é útil não somente como forma de organização, como também é útil para a utilização do Github Actions para tornar o Dashboard automatizado, com coletas de dados programadas, mas isso fica para outro post.
Vamos começar criando o arquivo .R. Vejamos o processo de coleta abaixo.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 | library(PNADcIBGE)library(dplyr)library(tidyr)library(sidrar)library(rvest)library(xml2)library(httr)library(openssl)### Funções e objetos úteis# Manter atualização automática de dados diária?atualiza <- TRUE# Tratar dados da PNADC-Mensalclean_pnadcm <- function(data, id) { data %>% dplyr::select( date = "Trimestre M\u00f3vel (C\u00f3digo)", value = "Valor" ) %>% dplyr::mutate( date = lubridate::ym(date), variable = id ) %>% dplyr::as_tibble()}# Criar função para coletar, tratar e salvar dadosget_data <- function(update_data) { if (update_data) { ## Parâmetros e códigos para coleta de dados parametros <- list( # Pessoas de 14+ anos (Mil pessoas): ocupados/desocupados na Força de trabalho api_ocupados_desocupados = "/t/6318/n1/all/v/1641/p/all/c629/all", # Taxa de Desocupação (%) api_tx_desocupacao = "/t/6381/n1/all/v/4099/p/all/d/v4099%201", # Nível de Ocupação (%) api_nivel_ocupacao = "/t/6379/n1/all/v/4097/p/all/d/v4097%201", # Taxa de Participação na Força de trabalho (%) api_tx_participacao = "/t/5944/n1/all/v/4096/p/all/d/v4096%201", # Ocupação por Categorias (Mil pessoas): posição na ocupação e categoria do emprego api_categorias = "/t/6320/n1/all/v/4090/p/all/c11913/31722,31723,31724,31727,31731,96170,96171", # Grupos de Atividades (Mil pessoas) api_grupos = "/t/6323/n1/all/v/4090/p/all/c693/allxt", # Rendimento médio real e nominal de todos os trabalhos habitualmente recebidos por mês (R$) api_rendimento = "/t/6390/n1/all/v/5929,5933/p/all", # Massa de rendimento, real e nominal, de todos os trabalhos habitualmente recebidos por mês (R$ milhões) api_massa = "/t/6392/n1/all/v/6288,6293/p/all", # Saldo do Novo CAGED (pessoas) # Microdados da PNADC-T (último trimestre disponível) rvest::html_nodes(".titulo-aba") %>% rvest::html_text() %>% stringr::str_extract("(Divulgação Trimestral) - \\d{1}. trimestre \\d{4}") %>% dplyr::lst( quarter = stringr::str_extract(., "\\d{1}") %>% as.numeric(), year = stringr::str_extract(., "\\d{4}") %>% as.numeric() ), # Query variables api_pnadc_variables = c("Ano", "Trimestre", "UF", "V1028", "VD4002") ) ## Coleta dos dados # Pessoas de 14+ anos (Mil pessoas): ocupados/desocupados na Força de trabalho raw_ocupados_desocupados <- sidrar::get_sidra(api = parametros$api_ocupados_desocupados) # Taxa de Desocupação (%) raw_tx_desocupacao <- sidrar::get_sidra(api = parametros$api_tx_desocupacao) # Nível de Ocupação (%) raw_nivel_ocupacao <- sidrar::get_sidra(api = parametros$api_nivel_ocupacao) # Taxa de Participação na Força de trabalho (%) raw_tx_participacao <- sidrar::get_sidra(api = parametros$api_tx_participacao) # Ocupação por Categorias (Mil pessoas) raw_categorias <- sidrar::get_sidra(api = parametros$api_categorias) # Grupos de Atividades (Mil pessoas) raw_grupos <- sidrar::get_sidra(api = parametros$api_grupos) # Rendimento médio real e nominal de todos os trabalhos habitualmente recebidos por mês (R$) raw_rendimento <- sidrar::get_sidra(api = parametros$api_rendimento) # Massa de rendimento, real e nominal (R$ milhões) raw_massa <- sidrar::get_sidra(api = parametros$api_massa) # Saldo do Novo CAGED #raw_caged <- ipeadatar::ipeadata(code = parametros$api_caged) raw_caged <- httr::GET(parametros$api_caged) ## Tratamento dos dados # Pessoas de 14+ anos (Mil pessoas): ocupados/desocupados na Força de trabalho ocupados_desocupados <- raw_ocupados_desocupados %>% dplyr::select( date = "Trimestre M\u00f3vel (C\u00f3digo)", variable = "Condi\u00e7\u00e3o em rela\u00e7\u00e3o \u00e0 for\u00e7a de trabalho e condi\u00e7\u00e3o de ocupa\u00e7\u00e3o", value = "Valor" ) %>% dplyr::mutate( date = lubridate::ym(date), variable = dplyr::recode( variable, "Total" = "Popula\u00e7\u00e3o total (PIA)", "For\u00e7a de trabalho" = "For\u00e7a de trabalho (PEA)", "For\u00e7a de trabalho - ocupada" = "Ocupados", "For\u00e7a de trabalho - desocupada" = "Desocupados", "Fora da for\u00e7a de trabalho" = "Fora da for\u00e7a (PNEA)" ), value = value / 1000 # converter em milhões de pessoas ) %>% dplyr::as_tibble() # Taxa de Desocupação (%) tx_desocupacao <- raw_tx_desocupacao %>% clean_pnadcm(id = "Taxa de Desocupa\u00e7\u00e3o") # Nível de Ocupação (%) nivel_ocupacao <- raw_nivel_ocupacao %>% clean_pnadcm(id = "N\u00edvel de Ocupa\u00e7\u00e3o") # Taxa de Participação na Força de trabalho (%) tx_participacao <- raw_tx_participacao %>% clean_pnadcm(id = "Taxa de Participa\u00e7\u00e3o") # Juntar dados: Ocupados/Desocupados, Tx. Desocupação, Nível e Tx. Participação resumo_pnadcm <- purrr::map_dfr( .x = list(ocupados_desocupados, tx_desocupacao, nivel_ocupacao, tx_participacao), ~dplyr::bind_rows(.x) ) %>% dplyr::mutate(variable = forcats::as_factor(variable)) # Ocupação por Categorias (Mil pessoas) categorias <- raw_categorias %>% dplyr::select( date = "Trimestre M\u00f3vel (C\u00f3digo)", variable = "Posi\u00e7\u00e3o na ocupa\u00e7\u00e3o e categoria do emprego no trabalho principal", value = "Valor" ) %>% dplyr::mutate( date = lubridate::ym(date), variable = stringr::str_remove_all( variable, "Empregado no setor privado, exclusive trabalhador dom\u00e9stico - " ) %>% dplyr::recode( "com carteira de trabalho assinada" = "Empregado com carteira", "sem carteira de trabalho assinada" = "Empregado sem carteira" ) %>% forcats::as_factor(), value = value / 1000 # converter em milhões de pessoas ) %>% dplyr::as_tibble() # Grupos de Atividades (Mil pessoas) grupos <- raw_grupos %>% dplyr::select( date = "Trimestre M\u00f3vel (C\u00f3digo)", variable = "Grupamento de atividades no trabalho principal - PNADC", value = "Valor" ) %>% dplyr::mutate( date = lubridate::ym(date), variable = forcats::as_factor(variable), value = value / 1000 # converter em milhões de pessoas ) %>% dplyr::as_tibble() # Rendimento médio real e nominal de todos os trabalhos habitualmente recebidos por mês (R$) rendimento <- raw_rendimento %>% dplyr::select( date = "Trimestre M\u00f3vel (C\u00f3digo)", variable = "Vari\u00e1vel", value = "Valor" ) %>% dplyr::mutate( date = lubridate::ym(date), variable = forcats::as_factor(variable) %>% forcats::fct_recode( "Rendimento nominal" = "Rendimento m\u00e9dio nominal de todos os trabalhos, habitualmente recebido por m\u00eas, pelas pessoas de 14 anos ou mais de idade, ocupadas na semana de refer\u00eancia, com rendimento de trabalho", "Rendimento real" = "Rendimento m\u00e9dio real de todos os trabalhos, habitualmente recebido por m\u00eas, pelas pessoas de 14 anos ou mais de idade, ocupadas na semana de refer\u00eancia, com rendimento de trabalho" ) ) %>% dplyr::as_tibble() # Massa de rendimento, real e nominal (R$ milhões) massa <- raw_massa %>% dplyr::select( date = "Trimestre M\u00f3vel (C\u00f3digo)", variable = "Vari\u00e1vel", value = "Valor" ) %>% dplyr::mutate( date = lubridate::ym(date), value = value / 1000, # converter em R$ bilhões variable = forcats::as_factor(variable) %>% forcats::fct_recode( "Massa de rendimento nominal" = "Massa de rendimento nominal de todos os trabalhos, habitualmente recebido por m\u00eas, pelas pessoas de 14 anos ou mais de idade, ocupadas na semana de refer\u00eancia, com rendimento de trabalho", "Massa de rendimento real" = "Massa de rendimento real de todos os trabalhos, habitualmente recebido por m\u00eas, pelas pessoas de 14 anos ou mais de idade, ocupadas na semana de refer\u00eancia, com rendimento de trabalho" ) ) %>% dplyr::as_tibble() # Saldo do Novo CAGED # caged <- raw_caged %>% # dplyr::select(date, value) %>% # dplyr::mutate(value = value / 1000) %>% # converter em milhares # dplyr::as_tibble() caged <- httr::content(raw_caged)[[2]] %>% dplyr::bind_rows() %>% dplyr::select( "date" = `VALDATA`, "value" = `VALVALOR` ) %>% dplyr::mutate( date = lubridate::as_date(date), value = value / 1000 # converter em milhares ) # Criar lista de nomes dos estados do Brasil para gráfico states <- tibble( states = c( "Rondônia", "Acre", "Amazonas", "Roraima", "Pará", "Amapá", "Tocantins", "Maranhão", "Piauí", "Ceará", "Rio Grande do Norte", "Paraíba", "Pernambuco", "Alagoas", "Sergipe", "Bahia", "Minas Gerais", "Espírito Santo", "Rio de Janeiro", "São Paulo", "Paraná", "Santa Catarina", "Rio Grande do Sul", "Mato Grosso do Sul", "Mato Grosso", "Goiás", "Distrito Federal" ), code = c( "RO", "AC", "AM", "RR", "PA", "AP", "TO", "MA", "PI", "CE", "RN", "PB", "PE", "AL", "SE", "BA", "MG", "ES", "RJ", "SP", "PR", "SC", "RS", "MS", "MT", "GO", "DF" ) ) ## Salvar dados # Remover objetos desnecessários rm( list = c(lsf.str()), envir = environment() ) # Salvar save( list = ls(), file = file.path("dados.Rdata"), envir = environment() ) }}get_data(update_data = atualiza) |
O código permite coletar diversas variáveis úteis para avaliar o Mercado de Trabalho Brasileiro, isso tudo controlado por meio de uma função que salva os dados dentro de um arquivo .Rdata, que será carregado no arquivo .Rmd para criação de gráficos.
Arquivo .Rmd criado com flexdashboard para construir o visual do Dashboard
A tarefa agora será criar um arquivo .Rmd para constituir o Dashboard. Aqui utilizaremos o {flexdashboard}. Para aqueles que não possuem o pacote, é necessário instalar e criar um arquivo por meio de New File -> R Markdown -> From Template -> Flex Dashboard.
Conheça nosso Curso de Análise de Conjuntura usando o R e aprenda a construir esse tipo de análise.
Uma vez instalado segue-se o código abaixo. Cada bloco representa um chunk do arquivo .Rmd.
1 2 3 4 5 6 7 8 9 | # Carregar pacoteslibrary(rmarkdown)library(flexdashboard)library(shiny)library(dplyr)library(ggplot2)library(lubridate)library(scales)library(rsconnect) |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 | ### Funções e objetos úteis# Cores para gráficos e tabelascolors <- c(blue = "#282f6b",red = "#b22200",yellow = "#eace3f",green = "#224f20",purple = "#5f487c",orange = "#b35c1e",turquoise = "#419391",green_two = "#839c56",light_blue = "#3b89bc",gray = "#666666")# Fonte para gráficos e tabelasfoot_ibge <- "Fonte: analisemacro.com.br com dados do Sidra/IBGE." |
1 2 | # Carrega dados salvdosload("dados.Rdata", envir = .GlobalEnv) |
Visão Geral {data-icon="fa-signal"} ===================================== Row {.sidebar data-width=200} -------------------------------------
1 2 3 4 | # Texto informativo na barra lateralshiny::strong(shiny::h3("Sobre"))shiny::h5("Essa dashboard permite o monitoramento do Mercado de Trabalho brasileiro usando o ecossistema Shiny para a criação de aplicações web dinâmicas, com dados do IBGE.")shiny::h5("Desenvolvimento: Análise Macro.") |
Row
-------------------------------------
### Ocupados (`r format(max(ocupados_desocupados$date), "%b/%Y")` - IBGE)
1 2 3 4 5 6 7 8 9 10 | # Criar Value Boxocupados_desocupados %>%dplyr::filter(variable == "Ocupados" & date == max(date)) %>%dplyr::mutate(value = paste0(format(round(value, 2), decimal.mark = ","), " milhões")) %>%dplyr::pull(value) %>%flexdashboard::valueBox(value = .,icon = "fa-users",color = colors["blue"]) |
### Desocupados (`r format(max(ocupados_desocupados$date), "%b/%Y")` - IBGE)
1 2 3 4 5 6 7 8 9 10 | # Criar Value Boxocupados_desocupados %>%dplyr::filter(variable == "Desocupados" & date == max(date)) %>%dplyr::mutate(value = paste0(format(round(value, 2), decimal.mark = ","), " milhões")) %>%dplyr::pull(value) %>%flexdashboard::valueBox(value = .,icon = "fa-user-times",color = colors["red"]) |
### Taxa de Desocupação (`r format(max(tx_desocupacao$date), "%b/%Y")` - IBGE)
1 2 3 4 5 6 7 8 9 10 11 12 | tx_desocupacao %>%dplyr::filter(date == max(date)) %>%dplyr::mutate(value = format(value, decimal.mark = ",") %>% paste0("%")) %>%dplyr::pull(value) %>%flexdashboard::valueBox(value = .,icon = "fa-percentage",color = dplyr::case_when(. < mean(tx_desocupacao$value) ~ colors["green"],. > mean(tx_desocupacao$value) ~ colors["red"])) |
Row
-------------------------------------
### Gráfico da Taxa de Desocupação {.no-title}
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 | # Gerar gáficoshiny::renderPlot({resumo_pnadcm %>% dplyr::filter(variable == "Taxa de Desocupação",date >= Sys.Date() %m-% lubridate::years(5)) %>% ggplot2::ggplot(ggplot2::aes(x = date, y = value, colour = variable)) +ggplot2::geom_line(size = 2) +ggplot2::scale_x_date(breaks = scales::date_breaks("10 months"), labels = scales::date_format("%Y\n(%b)")) +ggplot2::scale_colour_manual(values = unname(colors)) +ggplot2::theme(legend.position = "none",plot.title = ggplot2::element_text(size = 16, face = "bold"),plot.subtitle = ggplot2::element_text(size = 14, face = "italic"),axis.text.x = ggplot2::element_text(hjust = 0.9),axis.text = ggplot2::element_text(size = 12), plot.caption = ggplot2::element_text(size = 12)) +ggplot2::labs(x = NULL,y = "%",title = "Taxa de Desocupação",subtitle = "PNADC-Mensal",caption = foot_ibge)}) |
Termômetro PNADC {data-icon="fa-tachometer-alt"}
=====================================
Row {.tabset}
-------------------------------------
### Principais indicadores da PNADC
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 | # Gerar gáficoshiny::renderPlot({ resumo_pnadcm %>% dplyr::group_by(variable) %>% dplyr::filter(date >= Sys.Date() %m-% lubridate::years(5)) %>% dplyr::ungroup() %>% dplyr::mutate( labels = dplyr::if_else( variable %in% unique(resumo_pnadcm$variable)[1:5], "Milhões de pessoas", "%" ) ) %>% ggplot2::ggplot(ggplot2::aes(x = date, y = value, colour = variable)) + ggplot2::geom_line(size = 2) + ggplot2::facet_wrap(~variable~labels, scales = "free_y") + ggplot2::scale_y_continuous(labels = scales::label_number(accuracy = 1)) + ggplot2::scale_x_date( breaks = scales::date_breaks("15 months"), labels = scales::date_format("%Y\n(%b)") ) + ggplot2::scale_colour_manual(values = unname(colors)) + ggplot2::theme( legend.position = "none", strip.text = ggplot2::element_text(size = 14, face = "bold"), plot.title = ggplot2::element_text(size = 16, face = "bold"), plot.subtitle = ggplot2::element_text(size = 14, face = "italic"), axis.text.x = ggplot2::element_text(hjust = 0.9), axis.text = ggplot2::element_text(size = 12), strip.text.x = ggplot2::element_text(margin = margin(1, 0, 1, 0)), plot.caption = ggplot2::element_text(size = 12) ) + ggplot2::labs( x = NULL, y = NULL, title = "Visão Geral do Mercado de Trabalho", subtitle = "Indicadores da PNADC-Mensal", caption = foot_ibge )}) |
### Ocupação por categorias
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 | # Gerar gáficoshiny::renderPlot({ categorias %>% dplyr::group_by(variable) %>% dplyr::filter(date >= Sys.Date() %m-% lubridate::years(5)) %>% dplyr::ungroup() %>% ggplot2::ggplot(ggplot2::aes(x = date, y = value, colour = variable)) + ggplot2::geom_line(size = 2) + ggplot2::facet_wrap(~variable, scales = "free_y") + ggplot2::scale_x_date( breaks = scales::date_breaks("15 months"), labels = scales::date_format("%Y\n(%b)") ) + ggplot2::scale_colour_manual(values = unname(colors)) + ggplot2::theme( legend.position = "none", strip.text = ggplot2::element_text(size = 14, face = "bold"), plot.title = ggplot2::element_text(size = 16, face = "bold"), plot.subtitle = ggplot2::element_text(size = 14, face = "italic"), axis.text = ggplot2::element_text(size = 12), axis.text.x = ggplot2::element_text(hjust = 0.9), axis.title.y = ggplot2::element_text(size = 12), plot.caption = ggplot2::element_text(size = 12) ) + ggplot2::labs( x = NULL, y = "Milhão de pessoas", title = "Categorias do emprego de pessoas ocupadas", subtitle = "Indicadores da PNADC-Mensal", caption = foot_ibge )}) |
### Grupos de atividades
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 | # Gerar gáficoshiny::renderPlot({ grupos %>% dplyr::group_by(variable) %>% dplyr::filter(date >= Sys.Date() %m-% lubridate::years(5)) %>% dplyr::ungroup() %>% ggplot2::ggplot(ggplot2::aes(x = date, y = value, colour = variable)) + ggplot2::geom_line(size = 2) + ggplot2::facet_wrap( ~variable, scales = "free_y", ncol = 3, labeller = ggplot2::label_wrap_gen(41) ) + ggplot2::scale_x_date( breaks = scales::date_breaks("15 months"), labels = scales::date_format("%Y\n(%b)") ) + ggplot2::scale_colour_manual(values = unname(colors)) + ggplot2::theme( legend.position = "none", strip.text = ggplot2::element_text(size = 14, face = "bold"), plot.title = ggplot2::element_text(size = 16, face = "bold"), plot.subtitle = ggplot2::element_text(size = 14, face = "italic"), axis.text = ggplot2::element_text(size = 12), axis.text.x = ggplot2::element_text(hjust = 0.9), axis.title.y = ggplot2::element_text(size = 12), plot.caption = ggplot2::element_text(size = 12) ) + ggplot2::labs( x = NULL, y = "Milhão de pessoas", title = "Grupos de atividade", subtitle = "Indicadores da PNADC-Mensal", caption = foot_ibge )}) |
### Rendimentos
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 | # Gerar gáficoshiny::renderPlot({ rendimento %>% dplyr::group_by(variable) %>% dplyr::filter(date >= Sys.Date() %m-% lubridate::years(5)) %>% dplyr::ungroup() %>% ggplot2::ggplot(ggplot2::aes(x = date, y = value, colour = variable)) + ggplot2::geom_line(size = 2) + ggplot2::scale_y_continuous(labels = scales::label_number(accuracy = 1)) + ggplot2::scale_x_date( breaks = scales::date_breaks("15 months"), labels = scales::date_format("%Y\n(%b)") ) + ggplot2::scale_colour_manual(NULL, values = unname(colors)) + ggplot2::theme( legend.position = "bottom", plot.title = ggplot2::element_text(size = 16, face = "bold"), plot.subtitle = ggplot2::element_text(size = 14, face = "italic"), axis.text = ggplot2::element_text(size = 12), axis.text.x = ggplot2::element_text(hjust = 0.9), axis.title.y = ggplot2::element_text(size = 12), legend.text = ggplot2::element_text(size = 12), plot.caption = ggplot2::element_text(size = 12) ) + ggplot2::labs( x = NULL, y = "R$", title = "Rendimento médio real e nominal", subtitle = "Indicadores da PNADC-Mensal", caption = foot_ibge )}) |
### Massa de rendimentos
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 | # Gerar gáficoshiny::renderPlot({ massa %>% dplyr::group_by(variable) %>% dplyr::filter(date >= Sys.Date() %m-% lubridate::years(5)) %>% dplyr::ungroup() %>% ggplot2::ggplot(ggplot2::aes(x = date, y = value, colour = variable)) + ggplot2::geom_line(size = 2) + ggplot2::scale_y_continuous(labels = scales::label_number(accuracy = 1)) + ggplot2::scale_x_date( breaks = scales::date_breaks("15 months"), labels = scales::date_format("%Y\n(%b)") ) + ggplot2::scale_colour_manual(NULL, values = unname(colors)) + ggplot2::theme( legend.position = "bottom", plot.title = ggplot2::element_text(size = 16, face = "bold"), plot.subtitle = ggplot2::element_text(size = 14, face = "italic"), axis.text = ggplot2::element_text(size = 12), axis.text.x = ggplot2::element_text(hjust = 0.9), axis.title.y = ggplot2::element_text(size = 12), legend.text = ggplot2::element_text(size = 12), plot.caption = ggplot2::element_text(size = 12) ) + ggplot2::labs( x = NULL, y = "R$ bilhões", title = "Massa de rendimento real e nominal", subtitle = "Indicadores da PNADC-Mensal", caption = foot_ibge )}) |
Novo CAGED {data-icon="fa-users"}
=====================================
Row
-------------------------------------
### Saldo do Novo CAGED {.no-title}
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 | # Gerar gáficoshiny::renderPlot({ # Gerar gáfico caged %>% dplyr::filter(date >= Sys.Date() %m-% lubridate::years(5)) %>% ggplot2::ggplot(ggplot2::aes(x = date, y = value)) + ggplot2::geom_bar( fill = ifelse(caged$value > 0, colors["blue"], colors["red"]), stat = "identity" ) + ggplot2::geom_text( ggplot2::aes(y = value + sign(value), label = round(value, 0)), position = ggplot2::position_dodge(width = 0.9), vjust = ifelse(caged$value > 0, -0.5, 1.3), size = 6, colour = ifelse(caged$value > 0, colors["blue"], colors["red"]), fontface = "bold" ) + ggplot2::scale_y_continuous( expand = ggplot2::expansion(mult = 0.1), breaks = scales::breaks_extended(n = 6), labels = scales::label_number(accuracy = 1) ) + ggplot2::scale_x_date( breaks = scales::date_breaks("2 months"), labels = scales::date_format("%Y\n(%b)") ) + ggplot2::theme( plot.title = ggplot2::element_text(size = 16, face = "bold"), plot.subtitle = ggplot2::element_text(size = 14, face = "italic"), axis.text = ggplot2::element_text(size = 12), axis.text.x = ggplot2::element_text(hjust = 0.9), plot.caption = ggplot2::element_text(size = 12) ) + ggplot2::labs( x = NULL, y = NULL, title = "Saldo do Novo CAGED", subtitle = "Diferença entre o total de admissões e demissões de empregados, em milhares", caption = "Fonte: analisemacro.com.br com dados do Ministério da Economia." )}) |
Ao final, o resultado será um Dashboard semelhante ao da imagem.
É possível acessar o Dashboard de Mercado de Trabalho da Análise Macro por meio do seguinte link.
Quer saber mais?
Veja a nossa trilha de Macroeconomia Aplicada.
