ProjetoBCGraficos.Rmd

---
title: "Projeto BC Graficos"
author: "Econdata Analytics"
date: "`r Sys.Date()`"
output: pdf_document
---

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```

# Importacao de Pacotes
```{r, message=FALSE}
library(tidyverse)
library(janitor)
library(rbcb)
library(lubridate)
library(zoo)
library(RcppRoll)
library(scales)
```

```{r, echo=FALSE}
start_date = "2009-12-01"

remove_end_date <- function(df){
  if("end_date" %in% colnames(df)){
    df <- df %>%
      select(-end_date)
    return(df)
  }else{
    return(df)
  }
}
```

```{r, echo=FALSE}
inflacao <- rbcb::get_series(c("ipca" = 433,
                           "ipca_alimentacao_e_bebidas" = 1635,
                           "ipca_habitacao" = 1636,
                           "ipca_artigos_de_residencia" = 1637,
                           "ipca_vestuario" = 1638,
                           "ipca_transportes" = 1639,
                           "ipca_comunicacao" = 1640,
                           "ipca_saude_e_cuidados_pessoais" = 1641,
                           "ipca_despesas_pessoais" = 1642,
                           "ipca_educacao" = 1643,
                           "ipca_comercializaveis" = 4447,
                           "ipca_nao_comercializaveis" = 4448,
                           "ipca_monitorados" = 4449,
                           "ipca_nucleo_medias_aparadas(suavizado)" = 4466,
                           "ipca_nucleo_medias_aparadas(sem_suavizado)" = 11426,
                           "ipca_nao_duraveis" = 10841,
                           "ipca_semi_duraveis" = 10842,
                           "ipca_duraveis" = 10843,
                           "ipca_servicos" = 10844,
                           "ipca_livres" = 11428,
                           "ipca_industriais" = 27863,
                           "ipca_alimentacao_no_domicilio" = 27864,
                           "indice_de_difusao" = 21379), start_date) %>%
  reshape::merge_recurse() %>%
  remove_end_date()
inflacao <- inflacao %>%
  clean_names()
```

```{r, echo=FALSE}

ICBR <- get_series(c("ICBR" = 27574,
                     "ICBR_Agro" = 27575,
                     "ICBR_Metal" = 27576,
                     "ICBR_Energia" = 27577), start_date) %>%
  reshape::merge_recurse() %>%
  remove_end_date

ICBR_temp <- ICBR[,-1] 

n <- nrow(ICBR_temp) - 1 

m <- ncol(ICBR_temp)

variacao = data.frame()

for(i in 1:n){
  for(j in 1:m){
    taxa_variacao_ICBR <- (ICBR_temp[i+1,j]/ICBR_temp[i,j])-1
    variacao[i + 1, j] <- round(100 *taxa_variacao_ICBR, digits = 2)
  }
}

names(variacao) <- c("Tx.Var_ICBR", "Tx.Var_ICBR_Agro", "Tx.Var_ICBR_Metal", "Tx.Var_ICBR_Energia")

ICBR <- cbind(ICBR, variacao) %>%
  clean_names()

inflacao <- dplyr::right_join(inflacao, ICBR, by = "date")
```

```{r, echo=FALSE}
#Setor Publico

setor_publico <- rbcb::get_series(c("Gov. Federal e BC" = 2053,
                                    "Gov. Federal" = 2054,
                                    "BC" = 2055,
                                    "Estaduais e Municipais" = 2056,
                                    "Estaduais" = 2057,
                                    "Municipais" = 2058,
                                    "Estatais" = 2059,
                                    "Estatais Federais" = 2060,
                                    "Estatais Estaduais" = 2061,
                                    "Estatais Municipais" = 2062), start_date) %>%
  reshape::merge_recurse() %>%
  remove_end_date()


setor_publico_temp <- setor_publico[,-1] 

n <- nrow(setor_publico_temp) - 1

m <- ncol(setor_publico_temp)

variacao = data.frame()

for(i in 1:n){
  for(j in 1:m){
    taxa_variacao_setor_publico <- (setor_publico_temp[i+1,j]/setor_publico_temp[i,j])-1
    variacao[i + 1, j] <- round(100 *taxa_variacao_setor_publico, digits = 2)
  }
}

names(variacao) <- c("Tx.Var_Gov. Federal e BC", "Tx.Var_Gov. Federal", "Tx.Var_BC", "Tx.Var_Estaduais e Municipais","Estaduais","Municipais","Estatais","Estatais Federais","Estatais Estaduais","Estatais Municipais")

setor_publico <- cbind(setor_publico, variacao)

setor_publico <- setor_publico %>%
  clean_names()
```

```{r, echo=FALSE}
#Setor Externo

setor_externo <- get_series(c("Reservas Internacionais" = 3546,
                              "Transacoes Correntes_Saldo" = 22701,
                              "Transacoes Correntes_Receita" = 22702,
                              "Transacoes Correntes_Despesa" = 22703,
                              "Conta Capital_Saldo" = 22851,
                              "Conta Capital_Receita" = 22852,
                              "Conta Capital_Despesa" = 22853,
                              "Conta Financeira" = 22863,
                              "Investimento Direto" = 23080,
                              "Dolar" = 3696), start_date) %>%
  reshape::merge_recurse()%>%
  remove_end_date()


setor_externo_temp <- setor_externo[,-1] 

n <- nrow(setor_externo_temp) - 1

m <- ncol(setor_externo_temp)

variacao = data.frame()

for(i in 1:n){
  for(j in 1:m){
    taxa_variacao_setor_externo <- (setor_externo_temp[i+1,j]/setor_externo_temp[i,j])-1
    variacao[i + 1, j] <- round(100 *taxa_variacao_setor_externo, digits = 2)
  }
}

names(variacao) <- c("Tx.Var Reservas Internacionais", 
                     "Tx.Var Transacoes Correntes_Saldo", 
                     "Tx.Var Transacoes Correntes_Receita",
                     "Tx.Var Transacoes Correntes_Despesa",
                     "Tx.Var Conta Capital_Saldo",
                     "Tx.Var Conta Capital_Receita",
                     "Tx.Var Conta Capital_Despesa",
                     "Tx.Var Conta Financeira",
                     "Tx.Var Investimento Direto",
                     "Tx.Var Dolar")

setor_externo <- cbind(setor_externo, variacao)
setor_externo <- setor_externo %>% 
  clean_names()
```

```{r, echo=FALSE}
#Atividade
atividade <- rbcb::get_series(c("Producao Industrial" = 21859,
                                "Producao de Oleo Bruto" = 1389,
                                "Producao de LGN" = 1390,
                                "Producao Total de Derivados de Petroleo" = 1391,
                                "Producao de Gas Natural" = 1392,
                                "Consumo de Energia Eletrica - Comercial" = 1402,
                                "Consumo de Energia Eletrica - Residencial" = 1403,
                                "Consumo de Energia Eletrica - Industrial" = 1404,
                                "Consumo de Energia Eletrica - Outros" = 1405,
                                "Consumo de Energia Eletrica - Total" = 1406,
                                "Consumo de Gasolina" = 1393,
                                "Consumo de GLP" = 1394,
                                "Consumo de Oleo Combustivel" = 1395,
                                "Consumo de Oleo Diesel" = 1396,
                                "Consumo de Outros Derivados de Petroleo" = 1397,
                                "Consumo de Derivados de Petroleo - Total" = 1398,
                                "Consumo de Alcool Hidratado" = 1399,
                                "Consumo de Alcool Anidro" = 1400,
                                "Consumo de Alcool Carburante" = 1401,
                                "Indice de volume de vendas no varejo - Total" = 1455,
                                "IBCBR" = 24363,
                                "Renda media real habitual - Pessoas Ocupadas" = 24381,
                                "Renda media real habitual - Com Carteira" = 24383,
                                "Renda media real habitual - Sem Carteira" = 24384,
                                "Renda media real habitual - Setor Privado" = 24385,
                                "Renda media real habitual - Setor Publico" = 24386,
                                "Renda media real habitual - Conta Propria" = 24387,
                                "Renda media real habitual - Empregadores" = 24388,
                                "Empregados no setor publico" = 24372,
                                "Empregados por conta propria" = 24373,
                                "Empregadores" = 24374,
                                "Empregados no setor privado - Com carteira" = 24375,
                                "Empregados no setor privado - Sem Carteira" = 24376,
                                "Pessoas ocupadas" = 24379,
                                "Taxa de desocupacao" = 24369), start_date) %>%
  reshape::merge_recurse() %>%
  remove_end_date()

atividade_temp <- atividade[,-1] 

n <- nrow(atividade_temp) - 1

m <- ncol(atividade_temp)

variacao = data.frame()

for(i in 1:n){
  for(j in 1:m){
    taxa_variacao_atividade <- (atividade_temp[i+1,j]/atividade_temp[i,j])-1
    variacao[i + 1, j] <- round(100 *taxa_variacao_atividade, digits = 2)
  }
}

names(variacao) <- c("Tx.Var Producao Industrial", 
                     "Tx.Var Producao de Oleo Bruto", 
                     "Tx.Var Producao de LGN",
                     "Tx.Var Producao Total de Derivados de Petroleo",
                     "Tx.Var Producao de Gas Natural",
                     "Tx.Var Consumo de Energia Eletrica - Comercial",
                     "Tx.Var Consumo de Energia Eletrica - Residencial",
                     "Tx.Var Consumo de Energia Eletrica - Industrial",
                     "Tx.Var Consumo de Energia Eletrica - Outros",
                     "Tx.Var Consumo de Energia Eletrica - Total",
                     "Tx.Var Consumo de Gasolina",
                     "Tx.Var Consumo de GLP",
                     "Tx.Var Consumo de Oleo Combustivel",
                     "Tx.Var Consumo de Oleo Diesel",
                     "Tx.Var Consumo de Outros Derivados de Petroleo",
                     "Tx.Var Consumo de Derivados de Petroleo - Total",
                     "Tx.Var Consumo de Alcool Hidratado",
                     "Tx.Var Consumo de Alcool Anidro",
                     "Tx.Var Consumo de Alcool Carburante",
                     "Tx.Var Volume de Vendas no Varejo",
                     "Tx.Var IBC-BR",
                     "Tx.Var Renda média real habitual - Pessoas Ocupadas",
                     "Tx.Var Renda média real habitual - Com Carteira",
                     "Tx.Var Renda média real habitual - Sem Carteira",
                     "Tx.Var Renda média real habitual - Setor Privado",
                     "Tx.Var Renda média real habitual - Setor Público",
                     "Tx.Var Renda média real habitual - Conta Própria",
                     "Tx.Var Renda média real habitual - Empregadores",
                     "Tx.Var Empregados no setor público",
                     "Tx.Var Empregador por conta própria",
                     "Tx.Var Empregadores",
                     "Tx.Var Empregados no setor privado - Com carteira",
                     "Tx.Var Empregados no setor privado - Sem Carteira",
                     "Tx.Var da Taxa de Desocupacao")

atividade <- cbind(atividade, variacao)

atividade <- atividade %>%
  clean_names()

```

## Inflacao

```{r, echo=FALSE, warning=FALSE}
inflacao_atual <- inflacao %>%
  select(1:11) %>%
  pivot_longer(-c(date, ipca), names_to = "Tipo", values_to = "Valores")

inf_temp <- inflacao %>% select(1:11)
names(inf_temp) <- c("date", "IPCA","Aliment. e Beb.","Habitacao","Art. de Resid.","Vestuario","Transportes",
                     "Comunicacao","Saude","Desp. Pessoais","Educacao")
inf_temp <- inf_temp %>%
  pivot_longer(-date, names_to = "Tipo", values_to = "Valores") %>%
  transform(Tipo = factor(Tipo, levels = c("IPCA","Aliment. e Beb.","Art. de Resid.","Comunicacao","Desp. Pessoais",
                                           "Educacao","Habitacao","Saude","Transportes","Vestuario")))

inflacao <- inflacao %>%
  mutate(ipca_alimentos = ipca_livres - ((37.22/74.91) * ipca_servicos) - ((24.59/74.91) * ipca_industriais)) 

vec <- c(2:23, 33)

for(i in 1:length(vec)){
  inflacao[,vec[i]] <- roll_prodr(1 + (inflacao[,vec[i]]/100), n = 12L, fill = NA) - 1
  inflacao[,vec[i]] <- round(100 * inflacao[,vec[i]], 2)
}

#Pesos calculados conforme POF 2017-2018 disponibilizado pelo BCB no seguinte link: #https://www.bcb.gov.br/content/ri/relatorioinflacao/201912/ri201912b7p.pdf

inflacao_atual_12_pesos <- inflacao %>%
  select(1:11) %>%
  mutate(ipca_alimentacao_e_bebidas = 0.1899 * ipca_alimentacao_e_bebidas) %>%
  mutate(ipca_habitacao = 0.1516 * ipca_habitacao) %>%
  mutate(ipca_artigos_de_residencia = 0.0402 * ipca_artigos_de_residencia) %>%
  mutate(ipca_vestuario = 0.0480 * ipca_vestuario) %>%
  mutate(ipca_transportes = 0.2084 * ipca_transportes) %>%
  mutate(ipca_comunicacao = 0.0619 * ipca_comunicacao) %>%
  mutate(ipca_saude_e_cuidados_pessoais = 0.1346 * ipca_saude_e_cuidados_pessoais) %>%
  mutate(ipca_despesas_pessoais = 0.106 * ipca_despesas_pessoais) %>%
  mutate(ipca_educacao = 0.0595 * ipca_educacao) %>%
  pivot_longer(-c(date, ipca), names_to = "Tipo", values_to = "Valores")

inflacao_atual_12 <- inflacao %>%
  select(1:11) %>%
  pivot_longer(-c(date, ipca), names_to = "Tipo", values_to = "Valores")

icbr <- inflacao %>% select(1, 25:28) %>%
  pivot_longer(-date,
               names_to = "Tipo",
               values_to = "Valores")
################################################################################
# ICBR
################################################################################
icbr %>% ggplot(aes(x = date, y = Valores, color = Tipo)) +
  geom_line() +
  scale_x_date(date_labels = "%b/%Y",
               breaks = scales::pretty_breaks(10))  +
  scale_y_continuous(breaks = scales::pretty_breaks(5)) +
  labs(x = "", y = "Valores", title = "ICBR", subtitle = "Desagregações ICBR",
                       caption = "Econdata Analytics, fonte: BCB", colour = "") +
  scale_color_manual(values = c("icbr" = "dark blue",
                                "icbr_agro" = "red",
                                "icbr_energia" = "purple",
                                "icbr_metal" = "green"), 
                     labels = c("ICBR", "ICBR Agro", "ICBR Energia", "ICBR Metal")) +
  theme_minimal()+
  theme(plot.title = element_text(size = 18,
                                  face = "bold"),
        legend.position = "bottom") 
################################################################################
# IPCA
################################################################################
inflacao_atual_12_pesos %>% filter(year(date) >= 2020) %>% ggplot(aes(x = month(date), y = Valores, fill = Tipo))+
  geom_col() +
  geom_line(aes(x = month(date), y = ipca), color = "dark blue", size = 0.75) +
  facet_grid(rows = vars(year(date))) +
  scale_y_continuous(breaks = scales::pretty_breaks(4)) +
  labs(x = "Meses", y = "Valores", title = "IPCA", subtitle = "Desagregações IPCA acumulado 12 meses",
       caption = "Econdata Analytics, fonte: BCB", fill = "") +
  scale_fill_manual(values = c("ipca_alimentacao_e_bebidas" = "green",
                               "ipca_artigos_de_residencia" = "red",
                               "ipca_comunicacao" = "purple",
                               "ipca_despesas_pessoais" = "#572C00",
                               "ipca_educacao" = "#00FFFF",
                               "ipca_habitacao" = "blue",
                               "ipca_saude_e_cuidados_pessoais" = "orange",
                               "ipca_transportes" = "#017901",
                               "ipca_vestuario" = "magenta"), labels = c("Alimentacao e Bebidas",
                                                                         "Art. de Residencia",
                                                                         "Comunicacao", 
                                                                         "Desp. Pessoais",
                                                                         "Educacao",
                                                                         "Habitacao",
                                                                         "Saude",
                                                                         "Transportes",
                                                                         "Vestuario")) +
  scale_x_continuous(
    breaks = seq_along(month.name), 
    labels = month.name
  ) +
  theme_minimal() + 
  geom_hline(yintercept=0, linetype="dashed", color = "black") +
  theme(plot.title = element_text(size = 18,
                                  face = "bold"),
        legend.position = "bottom",
        axis.text.x.bottom = element_text(size = 6.5))

inflacao_atual_12 %>% ggplot(aes(x = date, y = Valores, color = Tipo))+
  geom_line()  +
  scale_y_continuous(breaks = scales::pretty_breaks(3))  +
  scale_x_date(date_labels = "%b/%Y",
               breaks = scales::pretty_breaks(10)) +
  labs(x = "", y = "Valores", title = "IPCA", subtitle = "Desagregações IPCA acumulado 12 meses (em %)",
       caption = "Econdata Analytics, fonte: BCB", colour = "") +
  scale_color_manual(values = c("ipca" = "dark blue",
                                "ipca_alimentacao_e_bebidas" = "green",
                               "ipca_artigos_de_residencia" = "red",
                               "ipca_comunicacao" = "purple",
                               "ipca_despesas_pessoais" = "#572C00",
                               "ipca_educacao" = "#00FFFF",
                               "ipca_habitacao" = "blue",
                               "ipca_saude_e_cuidados_pessoais" = "orange",
                               "ipca_transportes" = "#017901",
                               "ipca_vestuario" = "magenta"),labels = c("IPCA", 
                                                                         "Alimentacao e Bebidas",
                                                                         "Art. de Residencia",
                                                                         "Comunicacao", 
                                                                         "Desp. Pessoais",
                                                                         "Educacao",
                                                                         "Habitacao",
                                                                         "Saude",
                                                                         "Transportes",
                                                                         "Vestuario")) +
  theme_minimal() +
  theme(plot.title = element_text(size = 18,
                                  face = "bold"),
        legend.position = "bottom",
        legend.text = element_text(size = 8))

inf_temp %>% filter(year(date) >= 2018) %>% ggplot(aes(x = month(date), y = Valores, color = Tipo))+
  geom_line() +
  facet_grid(rows = vars(year(date)),
             cols = vars(Tipo)) +
  scale_y_continuous(breaks = scales::pretty_breaks(3)) +
  scale_x_continuous(breaks = scales::pretty_breaks(4)) +
  labs(x = "Meses", y = "Valores", title = "IPCA", subtitle = "Desagregações IPCA (variações mensais)",
       caption = "Econdata Analytics, fonte: BCB", colour = "") +
  scale_color_manual(values = c("IPCA" = "dark blue",
                                "Aliment. e Beb." = "green",
                                "Art. de Resid." = "red",
                                "Comunicacao" = "purple",
                                "Desp. Pessoais" = "#572C00",
                                "Educacao" = "#00FFFF",
                                "Habitacao" = "blue",
                                "Saude" = "orange",
                                "Transportes" = "#017901",
                                "Vestuario" = "magenta"),labels = c("IPCA", 
                                                                         "Alimentacao e Bebidas",
                                                                         "Artigos de Residencia",
                                                                         "Comunicacao", 
                                                                         "Despesas Pessoais",
                                                                         "Educacao",
                                                                         "Habitacao",
                                                                         "Saude",
                                                                         "Transportes",
                                                                         "Vestuario")) +
  theme_minimal()  +
  theme(plot.title = element_text(size = 18,
                                  face = "bold"),
        legend.position = "bottom",
        legend.text = element_text(size = 8),
        strip.text.x = element_text(size = 5))
################################################################################
# Índice de Difusão
################################################################################

inflacao %>% 
  ggplot(aes(x = date, y = indice_de_difusao)) +
  geom_col(fill = "blue", color = "black") +
  scale_x_date(date_labels = "%B/%Y",
               breaks = scales::pretty_breaks(5)) +
  labs(x = "", y = "Índice de Difusão", title = "Índice de Difusão da Inflação (em %)",
       caption = "Econdata Analytics, fonte: BCB", colour = "") +
  coord_cartesian(ylim=c(40, 80)) +
  theme_minimal() +
  theme(plot.title = element_text(size = 18,
                                  face = "bold"),
        legend.position = "bottom")

inflacao %>%
  ggplot(aes(x = date, y = indice_de_difusao)) +
  geom_line(color = "blue") +
  scale_x_date(date_labels = "%B/%Y",
               breaks = scales::pretty_breaks(5)) +
  labs(x = "", y = "Índice de Difusão", title = "Índice de Difusão da Inflação (em %)",
       caption = "Econdata Analytics, fonte: BCB", colour = "") +
  coord_cartesian(ylim=c(40, 80)) +
  theme_minimal() +
  theme(plot.title = element_text(size = 18,
                                  face = "bold"),
        legend.position = "bottom")
################################################################################
# IPCA e Bens Duráveis
################################################################################

#ipca_duraveis <- inflacao %>% select(1, 2, 17:19) %>% pivot_longer(-date, names_to = "Tipo", values_to = "Valores")

# Câmbio atrasado três meses
#cambio <- setor_externo %>%
#  select(date, dolar) %>%
#  mutate(dolar = lag(dolar, 3))

#ipca_duraveis_cambio <- ipca_duraveis %>%
#  left_join(cambio, by = "date")

# Taxa de variação do Câmbio acumulada de 12 meses
#cambio <- setor_externo %>%
#  mutate(dolar_atrasado = lag(dolar,12)) %>%
#  filter(!is.na(dolar_atrasado))%>%
#  mutate(dolar_var = (dolar - lag(dolar, 12))/(lag(dolar,12)- 4.75))%>%
#  rename(Valores = dolar_var) %>%
#  mutate(Tipo = "dolar") %>%
#  select(date, Tipo, Valores)
#ipca_duraveis_cambio <- ipca_duraveis %>%
#  rbind(cambio)


#ipca_duraveis_cambio %>%
#  ggplot(aes(x = date, y = Valores)) +
#  geom_line(aes(color = Tipo)) +
#  geom_line(aes(y = dolar), color = "black")+
#  scale_x_date(date_labels = "%B/%Y",
#               breaks = scales::pretty_breaks(5)) +
#  scale_y_continuous(sec.axis = sec_axis(rescale(~., to = c(4.75, 6), name = "Dólar atrasado Três meses")))+
#  labs(x = "", y = "Valores", title = "IPCA e Bens Duráveis", subtitle = "Acumulado 12 meses (em %)",
#       caption = "Econdata Analytics, fonte: BCB", colour = "") +
#  scale_color_manual(values = c("ipca" = "dark blue",
#                                "ipca_nao_duraveis" = "red",
#                                "ipca_semi_duraveis" = "green",
#                                "ipca_duraveis" = "orange"),
#                     labels = c("IPCA",
#                                "Não Duráveis",
#                                "Semi Duráveis",
#                                "Duráveis",
#                                "Dólar")) +
#  theme_minimal() +
#  theme(plot.title = element_text(size = 18,
#                                  face = "bold"),
#        legend.position = "bottom")
  
ipca_subgrupos <- inflacao %>% select(1,2, 20:22) %>% pivot_longer(-date, names_to = "Tipo", values_to = "Valores")

ipca_subgrupos %>% 
  ggplot(aes(x = date, y = Valores, color = Tipo)) +
  geom_line() +
  scale_x_date(date_labels = "%B/%Y",
               breaks = scales::pretty_breaks(5)) +
  labs(x = "", y = "Valores", title = "IPCA e SubGrupos", subtitle = "Acumulado 12 meses (em %)",
       caption = "Econdata Analytics, fonte: BCB", colour = "") +
  scale_color_manual(values = c("ipca" = "dark blue",
                                "ipca_industriais" = "red",
                                "ipca_livres" = "green",
                                "ipca_servicos" = "orange"),
                     labels = c("IPCA",
                                "Industriais",
                                "Livres",
                                "Serviços")) +
  theme_minimal() +
  theme(plot.title = element_text(size = 18,
                                  face = "bold"),
        legend.position = "bottom")

ipca_comercializaveis <- inflacao %>% select(1:2, 12:13) %>%
  pivot_longer(-date, names_to = "Tipo", values_to = "Valores") 


ipca_comercializaveis %>%
  ggplot(aes(x = date, y = Valores, color = Tipo)) +
  geom_line() +
  scale_x_date(date_labels = "%Y",
               breaks = scales::pretty_breaks(3)) +
  labs(x = "", y = "Valores", title = "IPCA Comercializáveis", subtitle = "Acumulado 12 meses (em %)",
       caption = "Econdata Analytics, fonte: BCB", colour = "") +
  theme(plot.title = element_text(size = 18,
                                  face = "bold")) +
  scale_color_manual(values = c("ipca" = "dark blue",
                                "ipca_comercializaveis" = "red",
                                "ipca_nao_comercializaveis" = "green"),
                     labels = c("IPCA",
                                "Comercializáveis",
                                "Não Comercializáveis")) +
  theme_minimal() +
  theme(plot.title = element_text(size = 18,
                                  face = "bold"),
        legend.position = "bottom")


ipca_nucleo <- inflacao %>% select(1, 15, 16) %>%
  pivot_longer(-date, names_to = "Tipo", values_to = "Valores") 

ipca_nucleo %>% 
  ggplot(aes(x = date, y = Valores, color = Tipo)) +
  geom_line() +
  scale_x_date(date_labels = "%B/%Y",
               breaks = scales::pretty_breaks(5)) +
  labs(x = "", y = "Valores", title = "Núcleos de Inflação", subtitle = "Acumulado 12 meses (em %)",
       caption = "Econdata Analytics, fonte: BCB", colour = "") +
  theme(plot.title = element_text(size = 18,
                                  face = "bold")) +
  scale_color_manual(values = c("ipca_nucleo_medias_aparadas_suavizado" = "red",
                                "ipca_nucleo_medias_aparadas_sem_suavizado" = "green"),
                     labels = c("Núcleo Médias Aparadas(suavizado)",
                                "Núcleo Médias Aparadas(sem suavizado)")) +
  theme_minimal() +
  theme(plot.title = element_text(size = 18,
                                  face = "bold"),
        legend.position = "bottom")

```

## Atividade

```{r, echo=FALSE, warning=FALSE}
plot_titles = data.frame(titles = c("Indicadores da Produção Industrial - Geral",
                                    "Produção de Óleo Bruto",
                                    "Produção de LGN",
                                    "Produção Total de Derivados de Petróleo",
                                    "Produção de Gás Natural",
                                    "Consumo de Energia Elétrica - Comercial",
                                    "Consumo de Energia Elétrica - Residencial",
                                    "Consumo de Energia Elétrica - Industrial",
                                    "Consumo de Energia Elétrica - Outros",
                                    "Consumo de Energia Elétrica - Total",
                                    "Consumo de Gasolina",
                                    "Consumo de GLP",
                                    "Consumo de Óleo Combustível",
                                    "Consumo de Óleo Diesel",
                                    "Consumo de Outros Derivados de Petróleo",
                                    "Consumo de Derivados de Petróleo - Total",
                                    "Consumo de Álcool Hidratado",
                                    "Consumo de Álcool Anidro",
                                    "Consumo de Álcool Carburante",
                                    "Volume de Vendas no Varejo",
                                    "IBC-BR"),
                         unidades = c("Índice (2012 = 100)",
                                      "Barris/dia (mil)",
                                      "Barris/dia (mil)",
                                      "Barris/dia (mil)",
                                      "Barris/dia (mil)",
                                      "GWh",
                                      "GWh",
                                      "GWh",
                                      "GWh",
                                      "GWh",
                                      "Barris/dia (mil)",
                                      "Barris/dia (mil)",
                                      "Barris/dia (mil)",
                                      "Barris/dia (mil)",
                                      "Barris/dia (mil)",
                                      "Barris/dia (mil)",
                                      "Barris/dia (mil)",
                                      "Barris/dia (mil)",
                                      "Barris/dia (mil)",
                                      "Índice",
                                      "Índice (2002 = 100)"))
for (i in 2:22){
  print(
    ggplot(data = atividade) +
    geom_line(aes(x = date, y = atividade[,i]), colour = "#021b3d", size = 0.7) +
    xlab("") + 
    ylab(as.character(plot_titles[i-1,2])) +
    ggtitle(as.character(plot_titles[i-1,1]))  +
    theme_minimal() +   
    labs(caption = "Econdata Analytics, fonte: BCB") +
    theme(plot.title = element_text(size = 18, 
                                    face = 'bold'),
          axis.title.x = element_text(size = 8)) +
    scale_y_continuous(labels = scales::comma)
  )
}
```

```{r, echo = FALSE, warning = FALSE}
mercado_de_trabalho <- atividade %>%
  select(date, renda_media_real_habitual_pessoas_ocupadas, renda_media_real_habitual_com_carteira, renda_media_real_habitual_sem_carteira, renda_media_real_habitual_setor_privado,
         renda_media_real_habitual_setor_publico, renda_media_real_habitual_conta_propria, renda_media_real_habitual_empregadores, empregados_no_setor_publico, 
         empregados_por_conta_propria, empregados_no_setor_privado_com_carteira, empregados_no_setor_privado_sem_carteira, empregadores, taxa_de_desocupacao)
#################################
# Rendas médias reais habituais
#################################
mercado_de_trabalho %>%
  pivot_longer(c(renda_media_real_habitual_com_carteira, renda_media_real_habitual_sem_carteira,
         renda_media_real_habitual_setor_publico, renda_media_real_habitual_conta_propria, renda_media_real_habitual_empregadores), names_to = "categoria", values_to = "renda_media_habitual")%>%
  ggplot()+
  geom_line(aes(x = date, y = renda_media_habitual, color = categoria))+
  labs(title = "Rendimento mensal médio habitual real",
       caption = "Econdata Analytics, fonte: BCB",
       y = "Renda mensal real",
       legend = "Categoria")+
    theme(plot.title = element_text(family='sans',hjust = 0.5,colour='#002060',size=13,face='bold'),
          legend.title = element_text(family='sans',colour='#002060',size=13,face='bold'),
          axis.title.x = element_text(family="sans",color="cornsilk4", size=8),
          panel.border = element_blank(), panel.grid.major = element_blank(),
          panel.grid.minor = element_blank(), axis.line = element_line(colour = "black"))+
  scale_x_date(limits = c(base::as.Date("01-03-2012", format ="%d-%m-%Y"),tail(mercado_de_trabalho$date, n=1)))+
  scale_colour_manual(values = c(renda_media_real_habitual_empregadores = "green",
                                 renda_media_real_habitual_setor_publico = "blue",
                                 renda_media_real_habitual_com_carteira = "orange",
                                 renda_media_real_habitual_conta_propria = "brown", 
                                 renda_media_real_habitual_sem_carteira = "red"),
                      labels = c("Empregados",
                                 "Empregados do setor público",
                                 "Empregados do setor privado com carteira",
                                 "Empregados do setor por conta própria",
                                 "Empregados do setor privado sem carteira"))
#########################################################
#  Empregados
#########################################################
a <- mercado_de_trabalho %>%
  pivot_longer(c(empregados_no_setor_publico, empregados_por_conta_propria, empregados_no_setor_privado_com_carteira, empregados_no_setor_privado_sem_carteira,empregadores), names_to = "categoria", values_to = "numero")
a %>%
  #group_by(date)%>%
  #mutate(numero = numero/sum(numero,na.rm = T))%>%
  ggplot()+
  geom_line(aes(x=date,y=numero,color=categoria))+
  labs(title = "Decomposição da população ocupada",
       caption = "Econdata Analytics, fonte: BCB",
       y = "Número de Pessoas (mil)",
       legend = "Categoria")+
    theme(plot.title = element_text(family='sans',hjust = 0.5,colour='#002060',size=13,face='bold'),
          legend.title = element_text(family='sans',colour='#002060',size=13,face='bold'),
          axis.title.x = element_text(family="sans",color="cornsilk4", size=8),
          panel.border = element_blank(), panel.grid.major = element_blank(),
          panel.grid.minor = element_blank(), axis.line = element_line(colour = "black"))+
  scale_x_date(limits = c(base::as.Date("01-03-2012", format ="%d-%m-%Y"),tail(mercado_de_trabalho$date, n=1)))+
  scale_colour_manual(values = c(empregadores= "green",
                                 empregados_no_setor_publico = "blue",
                                 empregados_no_setor_privado_com_carteira = "orange",
                                 empregados_por_conta_propria = "brown", 
                                 empregados_no_setor_privado_sem_carteira = "red"),
                      labels = c("Empregadores",
                                 "Empregados do setor público",
                                 "Empregados do setor privado com carteira",
                                 "Empregados por conta própria",
                                 "Empregados do setor privado sem carteira"))
################################################################################
# Taxa de descocupação
################################################################################
ggplot(mercado_de_trabalho)+
    geom_line(aes(x = date, y = taxa_de_desocupacao), colour = "#021b3d", size = 0.7)+
    xlab("")+ylab("Percentual da Força de Trabalho")+
    ggtitle("Taxa de Desocupação")+
    theme_minimal()+
      labs(caption = "Econdata Analytics, fonte: BCB") +
    theme(plot.title = element_text(size = 18, 
                                    face = 'bold'),
          axis.title.x = element_text(size = 8)) +
    scale_y_continuous(labels = scales::comma) +
  scale_x_date(limits = c(base::as.Date("01-03-2012", format ="%d-%m-%Y"),tail(mercado_de_trabalho$date, n=1)))


```

## Setor Publico

```{r, echo=FALSE}
setor_publico %>%
  ggplot()+
  geom_line(aes(x = date, y = gov_federal), color = 'blue')+
  geom_rect(aes(xmin = as.Date('01/04/2014', format = '%d/%m/%Y'),
                xmax = as.Date('01/10/2016', format = '%d/%m/%Y'),
                ymin = -Inf,
                ymax = Inf), alpha = 0.005)+
  geom_rect(aes(xmin = as.Date('01/01/2020', format = '%d/%m/%Y'),
                xmax = as.Date('01/10/2021', format = '%d/%m/%Y'),
                ymin = -Inf,
                ymax = Inf), alpha = 0.005)+
  theme_minimal()+
  labs(x = '',
       y = 'Reais',
       caption = 'Econdata Analytics, Fonte: Banco Central e CODACE',
       title = 'Dívida Líquida do Governo Federal e Recessões Brasileiras') +
    theme(plot.title = element_text(size = 13, 
                                    face = 'bold'),
          axis.title.x = element_text(size = 8))

setor_publico %>%
  ggplot()+
  geom_line(aes(x = date, y = bc), color = 'blue')+
  geom_rect(aes(xmin = as.Date('01/04/2014', format = '%d/%m/%Y'),
                xmax = as.Date('01/10/2016', format = '%d/%m/%Y'),
                ymin = -Inf,
                ymax = Inf), alpha = 0.005)+
  geom_rect(aes(xmin = as.Date('01/01/2020', format = '%d/%m/%Y'),
                xmax = as.Date('01/10/2021', format = '%d/%m/%Y'),
                ymin = -Inf,
                ymax = Inf), alpha = 0.005)+
  theme_minimal()+
  labs(x = '',
       y = 'Reais',
       caption = 'Econdata Analytics, Fonte: Banco Central e CODACE',
       title = 'Dívida Líquida do Banco Central e Recessões Brasileiras') +
    theme(plot.title = element_text(size = 13, 
                                    face = 'bold'),
          axis.title.x = element_text(size = 8))

setor_publico %>%
  ggplot()+
  geom_line(aes(x = date, y = estaduais_e_municipais), color = 'blue')+
  geom_rect(aes(xmin = as.Date('01/04/2014', format = '%d/%m/%Y'),
                xmax = as.Date('01/10/2016', format = '%d/%m/%Y'),
                ymin = -Inf,
                ymax = Inf), alpha = 0.005)+
  geom_rect(aes(xmin = as.Date('01/01/2020', format = '%d/%m/%Y'),
                xmax = as.Date('01/10/2021', format = '%d/%m/%Y'),
                ymin = -Inf,
                ymax = Inf), alpha = 0.005)+
  theme_minimal()+
  labs(x = '',
       y = 'Reais',
       caption = 'Econdata Analytics, Fonte: Banco Central e CODACE',
       title = 'Dívida Líquida de Estados e Municípios e Recessões Brasileiras') +
    theme(plot.title = element_text(size = 13, 
                                    face = 'bold'),
          axis.title.x = element_text(size = 8))

setor_publico %>%
  ggplot()+
  geom_line(aes(x = date, y = estatais), color = 'blue')+
  geom_rect(aes(xmin = as.Date('01/04/2014', format = '%d/%m/%Y'),
                xmax = as.Date('01/10/2016', format = '%d/%m/%Y'),
                ymin = -Inf,
                ymax = Inf), alpha = 0.005)+
  geom_rect(aes(xmin = as.Date('01/01/2020', format = '%d/%m/%Y'),
                xmax = as.Date('01/10/2021', format = '%d/%m/%Y'),
                ymin = -Inf,
                ymax = Inf), alpha = 0.005)+
  theme_minimal()+
  labs(x = '',
       y = 'Reais',
       caption = 'Econdata Analytics, Fonte: Banco Central e CODACE',
       title = 'Dívida Líquida de Estatais e Recessões Brasileiras') +
    theme(plot.title = element_text(size = 13, 
                                    face = 'bold'),
          axis.title.x = element_text(size = 8))

```