1 Introdução ao comexTL

O que é o comexTL?

O comexTL é um pacote R avançado que facilita o acesso aos dados oficiais de comércio exterior brasileiro do ComexStat (MDIC). Com uma arquitetura moderna baseada em Apache Arrow e sistema de cache inteligente, o pacote oferece interface unificada para análises desde o nível geral (NCM detalhado) até municipal (SH4).

1.1 Por que usar o comexTL?

O Brasil possui uma das bases de dados de comércio exterior mais robustas do mundo através do ComexStat. No entanto, enquanto a interface gráfica é intuitiva, a API permanece subutilizada devido à complexidade de implementação.

Principais vantagens:

  • Performance: Arquivos Parquet com processamento otimizado
  • Confiabilidade: Dados hospedados em Cloudflare R2 com 99.9% uptime
  • Eficiência: Sistema de cache evita downloads repetidos
  • Flexibilidade: Múltiplos níveis de análise (geral e municipal)
  • Completude: Tabelas de referência integradas

1.2 Instalação

# Instalar devtools se necessário
if (!require(devtools)) {
    install.packages("devtools")
}

# Instalar comexTL do GitHub
devtools::install_github("alanleal-econ/comexTL")

# Carregar o pacote
library(comexTL)
# Carregar bibliotecas para este tutorial
library(dplyr)
library(ggplot2)
library(plotly)
library(DT)

# Configurar tema laranja para gráficos
theme_orange <- theme_minimal() +
  theme(
    plot.title = element_text(color = "#d35400", size = 16, face = "bold"),
    plot.subtitle = element_text(color = "#e67e22", size = 12),
    axis.title = element_text(color = "#b8860b", face = "bold"),
    panel.grid.major = element_line(color = "#fdf6e3"),
    panel.grid.minor = element_line(color = "#fef9e7"),
    legend.title = element_text(color = "#d35400", face = "bold"),
    legend.text = element_text(color = "#e67e22")
  )

# Paleta de cores laranja
cores_laranja <- c("#e67e22", "#f39c12", "#d35400", "#ff7675", "#fd79a8","orange")

2 Tabelas de Referência

2.1 Explorando as Tabelas Disponíveis

O primeiro passo é conhecer as tabelas de referência que facilitarão nossas análises.

# Ver todas as tabelas disponíveis
show_available_tables()
## === TABELAS DE REFERÊNCIA DISPONÍVEIS ===
## 
## Código: 1 
## Arquivo: NCM.csv 
## Descrição: Nomenclatura Comum do Mercosul 
## Uso: load_reference_tables("1")
## 
## Código: 2 
## Arquivo: NCM_SH.csv 
## Descrição: NCM com códigos SH 
## Uso: load_reference_tables("2")
## 
## Código: 3 
## Arquivo: PAIS.csv 
## Descrição: Países 
## Uso: load_reference_tables("3")
## 
## Código: 4 
## Arquivo: UF.csv 
## Descrição: Unidades Federativas 
## Uso: load_reference_tables("4")
## 
## Código: 5 
## Arquivo: UF_MUN.csv 
## Descrição: UF e Municípios 
## Uso: load_reference_tables("5")

Códigos das Tabelas de Referência:

  • “1”: NCM (Nomenclatura Comum do Mercosul)
  • “2”: NCM com códigos SH
  • “3”: Países
  • “4”: Unidades Federativas
  • “5”: UF e Municípios

2.2 Carregando Tabelas de Referência

# Carregar tabela de países
paises <- load_reference_tables("3")
## Carregando 1 tabela(s): 3 
## 
## === Processando tabela 3 ===
## Descrição: Países 
## Baixando tabela: PAIS.csv 
## Tabela baixada com sucesso. Linhas: 281 Colunas: 6 
## Tabela salva no cache.
## Colunas disponíveis: CO_PAIS, CO_PAIS_ISON3, CO_PAIS_ISOA3, NO_PAIS, NO_PAIS_ING, NO_PAIS_ESP 
## Primeiras linhas:
## # A tibble: 3 × 6
##   CO_PAIS CO_PAIS_ISON3 CO_PAIS_ISOA3 NO_PAIS      NO_PAIS_ING   NO_PAIS_ESP 
##     <int>         <int> <chr>         <chr>        <chr>         <chr>       
## 1       0           898 ZZZ           Não Definido Not defined   No definido 
## 2      13             4 AFG           Afeganistão  Afghanistan   Afganistan  
## 3      15           248 ALA           Aland, Ilhas Aland Islands Alans, Islas
## 
## Retornando tabela única.
head(paises)
## # A tibble: 6 × 6
##   CO_PAIS CO_PAIS_ISON3 CO_PAIS_ISOA3 NO_PAIS            NO_PAIS_ING NO_PAIS_ESP
##     <int>         <int> <chr>         <chr>              <chr>       <chr>      
## 1       0           898 ZZZ           Não Definido       Not defined No definido
## 2      13             4 AFG           Afeganistão        Afghanistan Afganistan 
## 3      15           248 ALA           Aland, Ilhas       Aland Isla… Alans, Isl…
## 4      17             8 ALB           Albânia            Albania     Albania    
## 5      20           724 ESP           Alboran-Perejil, … Alboran-Pe… Alboran-Pe…
## 6      23           276 DEU           Alemanha           Germany     Alemania
# Carregar múltiplas tabelas
referencias <- load_reference_tables(c("3", "4"))
## Carregando 2 tabela(s): 3, 4 
## 
## === Processando tabela 3 ===
## Descrição: Países 
## Usando tabela em cache: PAIS.csv 
## Colunas disponíveis: CO_PAIS, CO_PAIS_ISON3, CO_PAIS_ISOA3, NO_PAIS, NO_PAIS_ING, NO_PAIS_ESP 
## Primeiras linhas:
## # A tibble: 3 × 6
##   CO_PAIS CO_PAIS_ISON3 CO_PAIS_ISOA3 NO_PAIS      NO_PAIS_ING   NO_PAIS_ESP 
##     <int>         <int> <chr>         <chr>        <chr>         <chr>       
## 1       0           898 ZZZ           Não Definido Not defined   No definido 
## 2      13             4 AFG           Afeganistão  Afghanistan   Afganistan  
## 3      15           248 ALA           Aland, Ilhas Aland Islands Alans, Islas
## 
## === Processando tabela 4 ===
## Descrição: Unidades Federativas 
## Baixando tabela: UF.csv 
## Tabela baixada com sucesso. Linhas: 34 Colunas: 4 
## Tabela salva no cache.
## Colunas disponíveis: CO_UF, SG_UF, NO_UF, NO_REGIAO 
## Primeiras linhas:
## # A tibble: 3 × 4
##   CO_UF SG_UF NO_UF    NO_REGIAO   
##   <int> <chr> <chr>    <chr>       
## 1    11 RO    Rondônia REGIAO NORTE
## 2    12 AC    Acre     REGIAO NORTE
## 3    13 AM    Amazonas REGIAO NORTE
## 
## Retornando lista com 2 tabelas.
## Nomes das tabelas na lista: tabela_3_pais, tabela_4_uf
names(referencias)
## [1] "tabela_3_pais" "tabela_4_uf"

2.3 Buscando Informações Específicas

# Buscar códigos NCM para soja
soja_ncm <- search_in_table("1", "soja")
## Baixando tabela: NCM.csv 
## Tabela baixada com sucesso. Linhas: 13722 Colunas: 14 
## Tabela salva no cache.
## Encontrados 16 registros para o termo ' soja '
print(soja_ncm)
## # A tibble: 16 × 14
##      CO_NCM CO_UNID CO_SH6 CO_PPE CO_PPI CO_FAT_AGREG CO_CUCI_ITEM CO_CGCE_N3
##       <int>   <int>  <int>  <int>  <int>        <int> <chr>             <int>
##  1 12081000      10 120810   3990   3990            3 2239                220
##  2 21031090      10 210310   3990   3990            3 09841               324
##  3 23099050      10 230990   3755   3755            3 08199               324
##  4 23040010      21 230400   1180   1180            1 08131               240
##  5 23040090      21 230400   1180   1180            1 08131               240
##  6 15071000      21 150710   2180   2180            2 42111               220
##  7 15079010      21 150790   3536   3990            3 42119               324
##  8 15079011      21 150790   3536   3990            3 42119               324
##  9 15079019      21 150790   3536   3990            3 42119               324
## 10 15079090      21 150790   3540   3990            3 42119               324
## 11 12010010      10 120100   1315   1315            1 2222                230
## 12 12010090      21 120100   1315   1315            1 2222                210
## 13 12011000      10 120110   1315   1315            1 2222                230
## 14 12019000      21 120190   1315   1315            1 2222                210
## 15 21031010      10 210310   3990   3990            3 09841               324
## 16 35040020      10 350400   3648   3990            3 59225               240
## # ℹ 6 more variables: CO_SIIT <int>, CO_ISIC_CLASSE <int>, CO_EXP_SUBSET <int>,
## #   NO_NCM_POR <chr>, NO_NCM_ESP <chr>, NO_NCM_ING <chr>
# Buscar países que contêm "Unidos"
paises_unidos <- search_in_table("3", "Unidos")
## Usando tabela em cache: PAIS.csv 
## Encontrados 4 registros para o termo ' Unidos '
print(paises_unidos)
## # A tibble: 4 × 6
##   CO_PAIS CO_PAIS_ISON3 CO_PAIS_ISOA3 NO_PAIS            NO_PAIS_ING NO_PAIS_ESP
##     <int>         <int> <chr>         <chr>              <chr>       <chr>      
## 1     244           784 ARE           Emirados Árabes U… United Ara… Emiratos Á…
## 2     249           840 USA           Estados Unidos     United Sta… Estados Un…
## 3     566           581 UMI           Pacífico, Ilhas d… Pacific Is… Pacífico, …
## 4     866           850 VIR           Virgens, Ilhas (A… Virgin Isl… Vírgenes d…

3 Análise de Exportações

3.1 Exportações por Produto (SH2)

Vamos começar analisando as exportações brasileiras de soja em 2024:

# Exportações de soja (SH2 = 12) por UF em 2024
exp_soja_2024 <- comex_stat_geral_exps(
    anos = 2024,
    sh2 = 12,
    agregar_por = c("SG_UF_NCM"),
    metricas = c("VL_FOB", "KG_LIQUIDO")
)
## Processando 1 ano(s): 2024 
## Arquivos necessários: exportacao/EXP_2024.parquet 
## 
## === Processando ano 2024 ===
## Baixando arquivo: exportacao/EXP_2024.parquet 
## Arquivo baixado com sucesso. Linhas: 1603796 
## Arquivo salvo no cache.
## 
## === Combinando dados de todos os anos ===
## Total de linhas combinadas: 1603796 
## 
## === Aplicando filtros ===
## Filtrado por SH2: 12 
## Linhas após filtros: 8407 
## 
## === Agregando dados ===
## Agregando por: sh2, SG_UF_NCM 
## Calculando métricas: VL_FOB, KG_LIQUIDO 
## Resultado final: 26 linhas
# Visualizar resultados
head(exp_soja_2024) %>% 
  datatable(
    caption = "Exportações de Soja por UF - 2024",
    options = list(pageLength = 10)
  )
# Gráfico das principais UFs exportadoras de soja
exp_soja_2024 %>%
  arrange(desc(VL_FOB)) %>%
  slice_head(n = 10) %>%
  ggplot(aes(x = reorder(SG_UF_NCM, VL_FOB), y = VL_FOB/1e9)) +
  geom_col(fill = "#e67e22", alpha = 0.8) +
  coord_flip() +
  labs(
    title = "Top 10 UFs Exportadoras de Soja",
    subtitle = "Valores em US$ bilhões - 2024",
    x = "Unidade Federativa",
    y = "Valor FOB (US$ bilhões)"
  ) +
  theme_orange

3.2 Análise Multi-anual por País

# Exportações para China e EUA (2023-2024)
exp_china_eua <- comex_stat_geral_exps(
    anos = c(2023, 2024),
    sh2 = 12,  # Soja
    co_pais = c(160, 249),  # China e EUA
    agregar_por = c("CO_ANO", "CO_PAIS", "CO_MES")
)
## Processando 2 ano(s): 2023, 2024 
## Arquivos necessários: exportacao/EXP_2023.parquet, exportacao/EXP_2024.parquet 
## 
## === Processando ano 2023 ===
## Baixando arquivo: exportacao/EXP_2023.parquet 
## Arquivo baixado com sucesso. Linhas: 1563659 
## Arquivo salvo no cache.
## === Processando ano 2024 ===
## Usando arquivo em cache: exportacao/EXP_2024.parquet 
## 
## === Combinando dados de todos os anos ===
## Total de linhas combinadas: 3167455 
## 
## === Aplicando filtros ===
## Filtrado por SH2: 12 
## Filtrado por países: 160, 249 
## Linhas após filtros: 1914 
## 
## === Agregando dados ===
## Agregando por: sh2, CO_ANO, CO_PAIS, CO_MES 
## Calculando métricas: VL_FOB, KG_LIQUIDO, QT_ESTAT 
## Resultado final: 48 linhas
# Preparar dados para visualização
exp_plot_data <- exp_china_eua %>%
  mutate(
    PAIS = case_when(
      CO_PAIS == 160 ~ "China",
      CO_PAIS == 249 ~ "Estados Unidos",
      TRUE ~ "Outros"
    ),
    DATA = as.Date(paste(CO_ANO, CO_MES, "01", sep = "-"))
  )

# Gráfico temporal
p_temporal <- exp_plot_data %>%
  ggplot(aes(x = DATA, y = VL_FOB/1e6, color = PAIS)) +
  geom_line(size = 1.2) +
  geom_point(size = 2) +
  scale_color_manual(values = c("China" = "#e67e22", "Estados Unidos" = "#f39c12")) +
  labs(
    title = "Exportações Brasileiras de Soja",
    subtitle = "China vs Estados Unidos (2023-2024)",
    x = "Período",
    y = "Valor FOB (US$ milhões)",
    color = "País de Destino"
  ) +
  theme_orange

ggplotly(p_temporal) %>%
  layout(title = list(font = list(color = "#d35400")))

4 Análise de Importações

4.1 Importações com Análise de Custos

As importações possuem métricas específicas que incluem frete e seguro:

# Importações de máquinas elétricas (SH2 = 85)
imp_maquinas <- comex_stat_geral_imps(
    anos = 2024,
    sh2 = 85,
    co_pais = c(160, 249),  # China e EUA
    agregar_por = c("CO_PAIS"),
    metricas = c("VL_FOB", "VL_FRETE", "VL_SEGURO")
)
## Processando IMPORTAÇÕES de 1 ano(s): 2024 
## Arquivos necessários: importacao/IMP_2024.parquet 
## 
## === Processando importações do ano 2024 ===
## Baixando arquivo de importação: importacao/IMP_2024.parquet 
## Arquivo baixado com sucesso. Linhas: 2273708 
## Arquivo de importação salvo no cache.
## 
## === Combinando dados de importação de todos os anos ===
## Total de linhas combinadas: 2273708 
## 
## === Aplicando filtros nas importações ===
## Filtrado por SH2: 85 
## Filtrado por países: 160, 249 
## Linhas após filtros: 137764 
## 
## === Agregando dados de importação ===
## Agregando por: sh2, CO_PAIS 
## Calculando métricas: VL_FOB, VL_FRETE, VL_SEGURO 
## Métricas derivadas adicionadas: VL_TOTAL_CIF, PERC_FRETE, PERC_SEGURO
## Resultado final: 2 linhas
# O pacote calcula automaticamente métricas derivadas
names(imp_maquinas)  # Inclui VL_TOTAL_CIF, PERC_FRETE, PERC_SEGURO
## [1] "sh2"          "CO_PAIS"      "VL_FOB"       "VL_FRETE"     "VL_SEGURO"   
## [6] "VL_TOTAL_CIF" "PERC_FRETE"   "PERC_SEGURO"

Métricas Automáticas de Importação:

O comexTL calcula automaticamente: - VL_TOTAL_CIF: FOB + Frete + Seguro - PERC_FRETE: Percentual do frete sobre FOB - PERC_SEGURO: Percentual do seguro sobre FOB

# Preparar dados para visualização
imp_custos_plot <- imp_maquinas %>%
  mutate(
    PAIS = case_when(
      CO_PAIS == 132 ~ "China",
      CO_PAIS == 249 ~ "Estados Unidos",
      TRUE ~ "Outros"
    )
  ) %>%
  select(PAIS, VL_FOB, VL_FRETE, VL_SEGURO) %>%
  pivot_longer(cols = c(VL_FOB, VL_FRETE, VL_SEGURO), 
               names_to = "COMPONENTE", 
               values_to = "VALOR") %>%
  mutate(
    COMPONENTE = case_when(
      COMPONENTE == "VL_FOB" ~ "FOB",
      COMPONENTE == "VL_FRETE" ~ "Frete",
      COMPONENTE == "VL_SEGURO" ~ "Seguro"
    )
  )

# Gráfico de custos de importação
p_custos <- imp_custos_plot %>%
  ggplot(aes(x = PAIS, y = VALOR/1e6, fill = COMPONENTE)) +
  geom_col(position = "stack", alpha = 0.8) +
  scale_fill_manual(values = c("FOB" = "#e67e22", "Frete" = "#f39c12", "Seguro" = "#d35400")) +
  labs(
    title = "Composição dos Custos de Importação",
    subtitle = "Máquinas Elétricas - China vs EUA (2024)",
    x = "País de Origem",
    y = "Valor (US$ milhões)",
    fill = "Componente"
  ) +
  theme_orange

ggplotly(p_custos)

5 Análise Municipal

5.1 Exportações por Município

Os dados municipais são limitados ao nível SH4 e focam no município da empresa:

# Exportações municipais de soja por UF
exp_municipal_uf <- analise_comex_municipal(
    tipo = "exportacao",
    anos = 2024,
    sh2 = 12,  # Soja (derivado de SH4)
    sg_uf_mun = c("MT", "RS", "GO", "PR"),
    agregar_por = c("SG_UF_MUN")
)
## Processando dados MUNICIPAIS de EXPORTACAO de 1 ano(s): 2024 
## Arquivos necessários: municipio/exportacao/EXP_2024_MUN.parquet 
## 
## === Processando exportacao municipal do ano 2024 ===
## Baixando arquivo municipal: municipio/exportacao/EXP_2024_MUN.parquet 
## Arquivo baixado com sucesso. Linhas: 1144828 
## Arquivo municipal salvo no cache.
## 
## === Combinando dados municipais de exportacao de todos os anos ===
## Total de linhas combinadas: 1144828 
## 
## === Aplicando filtros nos dados municipais ===
## Filtrado por SH2 (derivado de SH4): 12 
## Filtrado por UFs das empresas: MT, RS, GO, PR 
## Linhas após filtros: 3948 
## 
## === Agregando dados municipais ===
## Agregando por: sh2, SG_UF_MUN 
## Calculando métricas: VL_FOB, KG_LIQUIDO 
## Adicionada contagem de municípios únicos por grupo (N_MUNICIPIOS)
## Resultado final: 4 linhas
# Note que inclui automaticamente N_MUNICIPIOS
names(exp_municipal_uf)
## [1] "sh2"          "SG_UF_MUN"    "VL_FOB"       "KG_LIQUIDO"   "N_MUNICIPIOS"

Limitações dos Dados Municipais:

  • Apenas SH4 (4 dígitos), não NCM completo
  • SH2 é derivado automaticamente de SH4
  • Métricas limitadas: VL_FOB e KG_LIQUIDO
  • Foco no município da empresa, não da produção
# Gráfico de exportações municipais por UF
exp_municipal_uf %>%
  ggplot(aes(x = reorder(SG_UF_MUN, VL_FOB), y = VL_FOB/1e9)) +
  geom_col(fill = "#e67e22", alpha = 0.8) +
  geom_text(aes(label = paste(N_MUNICIPIOS, "municípios")), 
            hjust = -0.1, color = "#d35400", fontface = "bold") +
  coord_flip() +
  labs(
    title = "Exportações Municipais de Soja por UF",
    subtitle = "Valores por UF e número de municípios exportadores - 2024",
    x = "Unidade Federativa",
    y = "Valor FOB (US$ bilhões)"
  ) +
  theme_orange

6 Dicas Avançadas

6.1 Otimização de Performance

Boas Práticas para Performance:

  1. Use filtros específicos sempre que possível
  2. Aproveite o sistema de cache - evite force_download = TRUE
  3. Para análises exploratórias, limite os anos inicialmente
  4. Use hierarquia SH6 > SH4 > SH2 conforme necessidade
# MELHOR: análise específica e rápida
resultado_otimizado <- comex_stat_geral_exps(
    anos = 2024,
    sh4 = c(1201, 1202),  # Soja específica
    co_pais = c(160, 249), # China e EUA
    agregar_por = c("CO_PAIS")
)
## Processando 1 ano(s): 2024 
## Arquivos necessários: exportacao/EXP_2024.parquet 
## 
## === Processando ano 2024 ===
## Usando arquivo em cache: exportacao/EXP_2024.parquet 
## 
## === Combinando dados de todos os anos ===
## Total de linhas combinadas: 1603796 
## 
## === Aplicando filtros ===
## Filtrado por SH4: 1201, 1202 
## Filtrado por países: 160, 249 
## Linhas após filtros: 699 
## 
## === Agregando dados ===
## Agregando por: sh4, CO_PAIS 
## Calculando métricas: VL_FOB, KG_LIQUIDO, QT_ESTAT 
## Resultado final: 4 linhas
# EVITAR: análise muito ampla que pode ser lenta
# resultado_lento <- comex_stat_geral_exps(anos = c(2020:2024))

6.2 Tratamento de Dados Faltantes

# Sempre verificar se dados foram encontrados
resultado <- comex_stat_geral_exps(
    anos = 2024,
    sh6 = 999999  # Código que pode não existir
)
## Processando 1 ano(s): 2024 
## Arquivos necessários: exportacao/EXP_2024.parquet 
## 
## === Processando ano 2024 ===
## Usando arquivo em cache: exportacao/EXP_2024.parquet 
## 
## === Combinando dados de todos os anos ===
## Total de linhas combinadas: 1603796 
## 
## === Aplicando filtros ===
## Filtrado por SH6: 999999 
## AVISO: Alguns anos solicitados não foram encontrados nos dados
## Linhas após filtros: 0
if (nrow(resultado) == 0) {
  cat("Nenhum dado encontrado com os filtros aplicados\n")
  # Verificar códigos válidos
  ncm_validos <- search_in_table("1", "produto_interesse")
} else {
  print(paste("Encontrados", nrow(resultado), "registros"))
}
## Nenhum dado encontrado com os filtros aplicados
## Usando tabela em cache: NCM.csv 
## Encontrados 0 registros para o termo ' produto_interesse '

6.3 Combinando Análises

# Análise integrada: geral + municipal para comparação
# 1. Dados gerais por UF
exp_geral_uf <- comex_stat_geral_exps(
    anos = 2024,
    sh2 = 12,
    agregar_por = c("SG_UF_NCM")
)
## Processando 1 ano(s): 2024 
## Arquivos necessários: exportacao/EXP_2024.parquet 
## 
## === Processando ano 2024 ===
## Usando arquivo em cache: exportacao/EXP_2024.parquet 
## 
## === Combinando dados de todos os anos ===
## Total de linhas combinadas: 1603796 
## 
## === Aplicando filtros ===
## Filtrado por SH2: 12 
## Linhas após filtros: 8407 
## 
## === Agregando dados ===
## Agregando por: sh2, SG_UF_NCM 
## Calculando métricas: VL_FOB, KG_LIQUIDO, QT_ESTAT 
## Resultado final: 26 linhas
# 2. Dados municipais por UF
exp_municipal_uf <- analise_comex_municipal(
    tipo = "exportacao",
    anos = 2024,
    sh2 = 12,
    agregar_por = c("SG_UF_MUN")
)
## Processando dados MUNICIPAIS de EXPORTACAO de 1 ano(s): 2024 
## Arquivos necessários: municipio/exportacao/EXP_2024_MUN.parquet 
## 
## === Processando exportacao municipal do ano 2024 ===
## Usando arquivo municipal em cache: municipio/exportacao/EXP_2024_MUN.parquet 
## 
## === Combinando dados municipais de exportacao de todos os anos ===
## Total de linhas combinadas: 1144828 
## 
## === Aplicando filtros nos dados municipais ===
## Filtrado por SH2 (derivado de SH4): 12 
## Linhas após filtros: 11022 
## 
## === Agregando dados municipais ===
## Agregando por: sh2, SG_UF_MUN 
## Calculando métricas: VL_FOB, KG_LIQUIDO 
## Adicionada contagem de municípios únicos por grupo (N_MUNICIPIOS)
## Resultado final: 25 linhas
# 3. Comparar metodologias
comparacao <- exp_geral_uf %>%
  select(UF = SG_UF_NCM, VL_GERAL = VL_FOB) %>%
  full_join(
    exp_municipal_uf %>% select(UF = SG_UF_MUN, VL_MUNICIPAL = VL_FOB),
    by = "UF"
  ) %>%
  mutate(
    DIFERENCA_PERC = round(((VL_MUNICIPAL - VL_GERAL) / VL_GERAL) * 100, 2)
  )

# Visualizar diferenças metodológicas
comparacao %>%
  filter(!is.na(VL_GERAL) & !is.na(VL_MUNICIPAL)) %>%
  datatable(
    caption = "Comparação: Dados Gerais vs Municipais",
    options = list(pageLength = 10)
  )

7 Conclusão

Resumo do Tutorial:

Neste tutorial, exploramos as principais funcionalidades do pacote comexTL:

  1. Tabelas de Referência: Sistema integrado de códigos e buscas
  2. Análise de Exportações: Dados gerais detalhados por NCM
  3. Análise de Importações: Métricas específicas com custos logísticos
  4. Análise Municipal: Dados por município da empresa (SH4)
  5. Dashboards: Criação de visualizações interativas
  6. Otimização: Dicas para melhor performance

O comexTL democratiza o acesso aos dados de comércio exterior brasileiro, oferecendo uma ferramenta robusta e eficiente para pesquisadores, analistas e profissionais do setor.

7.1 Próximos Passos

  • Explore os dados com diferentes filtros e agregações
  • Combine diferentes níveis de análise conforme sua necessidade
  • Automatize relatórios usando R Markdown
  • Contribua para o projeto no GitHub com sugestões e melhorias

7.2 Recursos Adicionais

Tutorial criado por Alan Leal - Theta Lab | 2025-07-25