Análise Espacial das Exportações de Café Arábica em Minas Gerais

Imputação e Visualização de Dados Municipais - 2023

1 Introdução

Essa página implementa o algoritmo desenvolvido por Leal e Martins (2025), sobre imputação de exportações ao nível municipal, para imputar as exportações de café nos municípios mineiros em 2023. Usamos também o pacote comexTL desenvolvido por (Alan) Leal para lidar com os dados de comex brasileiro com maior facilidade no R. Os dados de área colhida do café em 2023 foram obtidos na PAM, como distribuídos pelo Base dos Dados.

2 Carregamento de Pacotes

# Lista de pacotes necessários
pacotes <- c(
  "comexTL",      # Dados de comércio exterior
  "tidyverse",    # Manipulação de dados
  "sf",           # Dados espaciais
  "spdep",        # Econometria espacial
  "ggplot2",      # Gráficos
  "leaflet",      # Mapas interativos
  "plotly",       # Gráficos interativos
  "DT",           # Tabelas interativas
  "kableExtra",   # Formatação de tabelas
  "viridis",      # Paletas de cores
  "geobr"         # Geometrias do Brasil
)

# Instalar pacotes que não estão instalados
novos_pacotes <- pacotes[!(pacotes %in% installed.packages()[,"Package"])]
if(length(novos_pacotes)) install.packages(novos_pacotes)

# Carregar todos os pacotes
lapply(pacotes, library, character.only = TRUE)

## [[1]]
## [1] "comexTL"   "stats"     "graphics"  "grDevices" "utils"     "datasets" 
## [7] "methods"   "base"     
## 
## [[2]]
##  [1] "lubridate" "forcats"   "stringr"   "dplyr"     "purrr"     "readr"    
##  [7] "tidyr"     "tibble"    "ggplot2"   "tidyverse" "comexTL"   "stats"    
## [13] "graphics"  "grDevices" "utils"     "datasets"  "methods"   "base"     
## 
## [[3]]
##  [1] "sf"        "lubridate" "forcats"   "stringr"   "dplyr"     "purrr"    
##  [7] "readr"     "tidyr"     "tibble"    "ggplot2"   "tidyverse" "comexTL"  
## [13] "stats"     "graphics"  "grDevices" "utils"     "datasets"  "methods"  
## [19] "base"     
## 
## [[4]]
##  [1] "spdep"     "spData"    "sf"        "lubridate" "forcats"   "stringr"  
##  [7] "dplyr"     "purrr"     "readr"     "tidyr"     "tibble"    "ggplot2"  
## [13] "tidyverse" "comexTL"   "stats"     "graphics"  "grDevices" "utils"    
## [19] "datasets"  "methods"   "base"     
## 
## [[5]]
##  [1] "spdep"     "spData"    "sf"        "lubridate" "forcats"   "stringr"  
##  [7] "dplyr"     "purrr"     "readr"     "tidyr"     "tibble"    "ggplot2"  
## [13] "tidyverse" "comexTL"   "stats"     "graphics"  "grDevices" "utils"    
## [19] "datasets"  "methods"   "base"     
## 
## [[6]]
##  [1] "leaflet"   "spdep"     "spData"    "sf"        "lubridate" "forcats"  
##  [7] "stringr"   "dplyr"     "purrr"     "readr"     "tidyr"     "tibble"   
## [13] "ggplot2"   "tidyverse" "comexTL"   "stats"     "graphics"  "grDevices"
## [19] "utils"     "datasets"  "methods"   "base"     
## 
## [[7]]
##  [1] "plotly"    "leaflet"   "spdep"     "spData"    "sf"        "lubridate"
##  [7] "forcats"   "stringr"   "dplyr"     "purrr"     "readr"     "tidyr"    
## [13] "tibble"    "ggplot2"   "tidyverse" "comexTL"   "stats"     "graphics" 
## [19] "grDevices" "utils"     "datasets"  "methods"   "base"     
## 
## [[8]]
##  [1] "DT"        "plotly"    "leaflet"   "spdep"     "spData"    "sf"       
##  [7] "lubridate" "forcats"   "stringr"   "dplyr"     "purrr"     "readr"    
## [13] "tidyr"     "tibble"    "ggplot2"   "tidyverse" "comexTL"   "stats"    
## [19] "graphics"  "grDevices" "utils"     "datasets"  "methods"   "base"     
## 
## [[9]]
##  [1] "kableExtra" "DT"         "plotly"     "leaflet"    "spdep"     
##  [6] "spData"     "sf"         "lubridate"  "forcats"    "stringr"   
## [11] "dplyr"      "purrr"      "readr"      "tidyr"      "tibble"    
## [16] "ggplot2"    "tidyverse"  "comexTL"    "stats"      "graphics"  
## [21] "grDevices"  "utils"      "datasets"   "methods"    "base"      
## 
## [[10]]
##  [1] "viridis"     "viridisLite" "kableExtra"  "DT"          "plotly"     
##  [6] "leaflet"     "spdep"       "spData"      "sf"          "lubridate"  
## [11] "forcats"     "stringr"     "dplyr"       "purrr"       "readr"      
## [16] "tidyr"       "tibble"      "ggplot2"     "tidyverse"   "comexTL"    
## [21] "stats"       "graphics"    "grDevices"   "utils"       "datasets"   
## [26] "methods"     "base"       
## 
## [[11]]
##  [1] "geobr"       "viridis"     "viridisLite" "kableExtra"  "DT"         
##  [6] "plotly"      "leaflet"     "spdep"       "spData"      "sf"         
## [11] "lubridate"   "forcats"     "stringr"     "dplyr"       "purrr"      
## [16] "readr"       "tidyr"       "tibble"      "ggplot2"     "tidyverse"  
## [21] "comexTL"     "stats"       "graphics"    "grDevices"   "utils"      
## [26] "datasets"    "methods"     "base"

3 Definição de Funções Auxiliares

# Função para formatar valores monetários
format_currency <- function(x) {
  paste0("US$ ", format(round(x), big.mark = ".", decimal.mark = ","))
}

# Tema personalizado para gráficos
theme_cafe <- function(base_size = 12) {
  theme_minimal(base_size = base_size) +
    theme(
      plot.background = element_rect(fill = "white", color = NA),
      panel.background = element_rect(fill = "white", color = NA),
      plot.title = element_text(
        color = "#d35400", 
        size = 16, 
        face = "bold",
        hjust = 0.5,
        margin = margin(b = 20)
      ),
      plot.subtitle = element_text(
        color = "#7f8c8d",
        size = 12,
        hjust = 0.5,
        margin = margin(b = 15)
      ),
      axis.title = element_text(color = "#2c3e50", size = 11, face = "bold"),
      axis.text = element_text(color = "#34495e", size = 10),
      legend.title = element_text(color = "#d35400", face = "bold"),
      legend.text = element_text(color = "#2c3e50"),
      panel.grid.major = element_line(color = "#ecf0f1", size = 0.5),
      panel.grid.minor = element_blank(),
      strip.text = element_text(color = "#d35400", face = "bold")
    )
}

4 Carregamento e Preparação dos Dados

cat("📊 Carregando dados de área colhida (PAM/IBGE)...\n")

## 📊 Carregando dados de área colhida (PAM/IBGE)...

# URL dos dados
data_url <- "https://raw.githubusercontent.com/alanleal-econ/cafe-mg-imputacao/refs/heads/main/cafe_arabica_pam.csv"

# Carregamento dos dados de área colhida (PAM/IBGE)
pam <- readr::read_csv(data_url, show_col_types = FALSE)

# Vetor r: proporção da área colhida por município
area_mg <- pam %>%
  filter(sigla_uf == "MG", ano == 2023) %>%
  group_by(id_municipio) %>%
  summarise(
    area = sum(area_colhida, na.rm = TRUE),
    .groups = 'drop'
  ) %>%
  mutate(r = area / sum(area, na.rm = TRUE)) %>%
  filter(area > 0)  # Remove municípios sem produção

cat("✅ Municípios com produção de café:", nrow(area_mg), "\n")

## ✅ Municípios com produção de café: 476

5 Dados de Exportação Municipal (HS4)

cat("📈 Carregando dados de exportação municipal (HS4)...\n")

## 📈 Carregando dados de exportação municipal (HS4)...

# Dados de exportação municipal (SH4 = 901: Café)
exp_sh4 <- analise_comex_municipal(
  tipo = "exportacao",
  anos = 2023,
  sh4 = 901,
  sg_uf_mun = "MG",
  agregar_por = "CO_MUN"
)

## Processando dados MUNICIPAIS de EXPORTACAO de 1 ano(s): 2023 
## Arquivos necessários: municipio/exportacao/EXP_2023_MUN.parquet 
## 
## === Processando exportacao municipal do ano 2023 ===
## Baixando arquivo municipal: municipio/exportacao/EXP_2023_MUN.parquet 
## Arquivo baixado com sucesso. Linhas: 1121352 
## Arquivo municipal salvo no cache.
## 
## === Combinando dados municipais de exportacao de todos os anos ===
## Total de linhas combinadas: 1121352 
## 
## === Aplicando filtros nos dados municipais ===
## Filtrado por SH4: 901 
## Filtrado por UFs das empresas: MG 
## Linhas após filtros: 5799 
## 
## === Agregando dados municipais ===
## Agregando por: SH4, CO_MUN 
## Calculando métricas: VL_FOB, KG_LIQUIDO 
## Resultado final: 86 linhas

# Preparação do vetor E4 (exportações municipais HS4)
E4 <- exp_sh4 %>% 
  select(CO_MUN, VL_FOB) %>%
  rename(exp_sh4 = VL_FOB)

cat("✅ Municípios exportadores (HS4):", nrow(E4), "\n")

## ✅ Municípios exportadores (HS4): 86

6 Cálculo do Fator de Conversão

cat("🔄 Calculando fator de conversão HS4 → HS6...\n")

## 🔄 Calculando fator de conversão HS4 → HS6...

# Cálculo do total estadual e fator de conversão
tot_sh4 <- sum(E4$exp_sh4)

exp_sh6_state <- comex_stat_geral_exps(
  anos = 2023,
  sh6 = 090111,  # Café arábica não torrado
  sg_uf_ncm = "MG"
)

## Processando 1 ano(s): 2023 
## Arquivos necessários: exportacao/EXP_2023.parquet 
## 
## === Processando ano 2023 ===
## Baixando arquivo: exportacao/EXP_2023.parquet 
## Arquivo baixado com sucesso. Linhas: 1563659 
## Arquivo salvo no cache.
## 
## === Combinando dados de todos os anos ===
## Total de linhas combinadas: 1563659 
## 
## === Aplicando filtros ===
## Filtrado por SH6: 90111 
## Filtrado por UFs: MG 
## Linhas após filtros: 1562 
## 
## === Agregando dados ===
## Agregando por: sh6 
## Calculando métricas: VL_FOB, KG_LIQUIDO, QT_ESTAT 
## Resultado final: 1 linhas

alpha <- sum(exp_sh6_state$VL_FOB) / tot_sh4

# Estatísticas preliminares
cat("\n📊 ESTATÍSTICAS PRELIMINARES:\n")

## 
## 📊 ESTATÍSTICAS PRELIMINARES:

cat("   • Total exportações HS4 (MG):", format_currency(tot_sh4), "\n")

##    • Total exportações HS4 (MG): US$ 5.668.807.514

cat("   • Total exportações HS6 (MG):", format_currency(sum(exp_sh6_state$VL_FOB)), "\n")

##    • Total exportações HS6 (MG): US$ 5.528.856.335

cat("   • Fator de conversão (α):", round(alpha, 4), "\n")

##    • Fator de conversão (α): 0.98

cat("   • Municípios com produção:", nrow(area_mg), "\n")

##    • Municípios com produção: 476

cat("   • Municípios exportadores (HS4):", nrow(E4), "\n")

##    • Municípios exportadores (HS4): 86

7 Matriz de Pesos Espaciais

cat("\n🗺️  Criando matriz de pesos espaciais...\n")

## 
## 🗺️  Criando matriz de pesos espaciais...

# Carregamento das geometrias municipais
uf_mun <- geobr::read_municipality(year = 2020) %>% 
  filter(code_state == 31) %>%  # Código de MG
  select(code_muni, name_muni, geom)

cat("✅ Geometrias carregadas para", nrow(uf_mun), "municípios\n")

## ✅ Geometrias carregadas para 853 municípios

# Cálculo dos centroides e matriz de distâncias
coords <- sf::st_centroid(uf_mun)
dist_mat <- sf::st_distance(coords)

# Matriz de pesos: inverso da distância
inv_dist <- 1 / as.matrix(dist_mat)
diag(inv_dist) <- 0  # Remove auto-correlação

# Normalização por linha (matriz estocástica)
W <- inv_dist / rowSums(inv_dist)
rownames(W) <- uf_mun$code_muni
colnames(W) <- uf_mun$code_muni

cat("✅ Matriz de pesos espaciais criada (", nrow(W), "x", ncol(W), ")\n")

## ✅ Matriz de pesos espaciais criada ( 853 x 853 )

8 Imputação Espacial

cat("\n🎯 Executando imputação espacial...\n")

## 
## 🎯 Executando imputação espacial...

# Preparação dos vetores na ordem correta
E4_vec <- E4$exp_sh4[match(uf_mun$code_muni, E4$CO_MUN)]
E4_vec[is.na(E4_vec)] <- 0

r_vec <- area_mg$r[match(uf_mun$code_muni, area_mg$id_municipio)]
r_vec[is.na(r_vec)] <- 0

# Imputação espacial seguindo a metodologia:
# E₆ᵢ = α × Σⱼ wᵢⱼ × E₄ⱼ + rᵢ × (E₆⁻ᴹᴳ - Σᵢ α × Σⱼ wᵢⱼ × E₄ⱼ)

spatial_comp <- alpha * (W %*% E4_vec)
total_spatial <- sum(spatial_comp)
residual <- sum(exp_sh6_state$VL_FOB) - total_spatial

adj_comp <- r_vec * residual
E6_est <- spatial_comp + adj_comp

# Adição dos resultados ao dataframe espacial
uf_mun$E6_imputado <- as.numeric(E6_est)
uf_mun$E4_observado <- E4_vec
uf_mun$componente_espacial <- as.numeric(spatial_comp)
uf_mun$componente_area <- as.numeric(adj_comp)
uf_mun$prop_area <- r_vec

cat("✅ Imputação concluída!\n")

## ✅ Imputação concluída!

cat("   • Total imputado:", format_currency(sum(uf_mun$E6_imputado)), "\n")

##    • Total imputado: US$ 5.528.856.335

cat("   • Diferença com oficial:", format_currency(sum(uf_mun$E6_imputado) - sum(exp_sh6_state$VL_FOB)), "\n")

##    • Diferença com oficial: US$ 0

9 Análise dos Resultados

cat("\n📊 Analisando resultados...\n")

## 
## 📊 Analisando resultados...

# Estatísticas finais
final_stats <- uf_mun %>%
  st_set_geometry(NULL) %>%
  summarise(
    municipios_total = n(),
    municipios_produtores = sum(prop_area > 0, na.rm = TRUE),
    municipios_exportadores_hs4 = sum(E4_observado > 0, na.rm = TRUE),
    municipios_imputados = sum(E6_imputado > 0, na.rm = TRUE),
    total_imputado = sum(E6_imputado, na.rm = TRUE),
    media_imputada = mean(E6_imputado[E6_imputado > 0], na.rm = TRUE),
    mediana_imputada = median(E6_imputado[E6_imputado > 0], na.rm = TRUE),
    max_imputado = max(E6_imputado, na.rm = TRUE),
    .groups = 'drop'
  )

# Análise dos componentes
component_summary <- uf_mun %>%
  st_set_geometry(NULL) %>%
  filter(E6_imputado > 0) %>%
  summarise(
    total_imputado = sum(E6_imputado),
    total_espacial = sum(componente_espacial),
    total_area = sum(componente_area),
    .groups = 'drop'
  ) %>%
  mutate(
    perc_espacial = (total_espacial / total_imputado) * 100,
    perc_area = (total_area / total_imputado) * 100
  )

# Preparação dos dados do ranking
top_exporters <- uf_mun %>%
  st_set_geometry(NULL) %>%
  filter(E6_imputado > 0) %>%
  arrange(desc(E6_imputado)) %>%
  slice_head(n = 15) %>%
  mutate(
    rank = row_number(),
    participacao = (E6_imputado / sum(exp_sh6_state$VL_FOB)) * 100,
    exp_milhoes = E6_imputado / 1e6
  ) %>%
  select(
    rank, name_muni, E6_imputado, participacao, 
    E4_observado, componente_espacial, componente_area
  )

10 Visualizações

10.1 Mapa Interativo das Exportações

cat("   • Mapa interativo das exportações...\n")

##    • Mapa interativo das exportações...

# Paleta de cores
pal <- colorNumeric(
  palette = viridis::viridis(100, option = "plasma"),
  domain = range(uf_mun$E6_imputado[uf_mun$E6_imputado > 0], na.rm = TRUE),
  na.color = "transparent"
)

# Mapa interativo
mapa_exportacoes <- leaflet(uf_mun, options = leafletOptions(zoomControl = TRUE)) %>%
  addProviderTiles(
    "CartoDB.Positron",
    options = providerTileOptions(opacity = 0.8)
  ) %>%
  addPolygons(
    weight = 0.8,
    color = "#ffffff",
    fillColor = ~pal(E6_imputado),
    fillOpacity = 0.8,
    smoothFactor = 0.2,
    popup = ~paste0(
      "<div style='font-family: Arial; font-size: 12px;'>",
      "<b>", name_muni, "</b><br/>",
      "<b>Exportações HS6:</b> ", format_currency(E6_imputado), "<br/>",
      "<b>Exportações HS4:</b> ", format_currency(E4_observado), "<br/>",
      "<b>% da Área Estadual:</b> ", round(prop_area * 100, 2), "%",
      "</div>"
    ),
    popupOptions = popupOptions(maxWidth = 300),
    highlightOptions = highlightOptions(
      weight = 3,
      color = "#d35400",
      fillOpacity = 0.9,
      bringToFront = TRUE
    )
  ) %>%
  addLegend(
    pal = pal, 
    values = ~E6_imputado,
    title = "Exportações HS6<br/>(US$ milhares)",
    position = "bottomright",
    opacity = 0.8,
    labFormat = labelFormat(
      transform = function(x) x / 1000,
      suffix = "k"
    )
  ) %>%
  setView(lng = -44.5, lat = -18.5, zoom = 7)

mapa_exportacoes

10.2 Gráfico do Top 10 Exportadores

cat("   • Gráfico do Top 10 exportadores...\n")

##    • Gráfico do Top 10 exportadores...

top10_data <- top_exporters %>%
  slice_head(n = 10) %>%
  mutate(
    name_muni = str_wrap(name_muni, width = 15),
    exp_milhoes = E6_imputado / 1e6
  )

grafico_top10 <- ggplot(top10_data, aes(x = reorder(name_muni, exp_milhoes), y = exp_milhoes)) +
  geom_col(
    fill = "#e67e22",
    alpha = 0.8,
    width = 0.7
  ) +
  geom_text(
    aes(label = paste0("US$ ", round(exp_milhoes, 1), "M")),
    hjust = -0.1,
    color = "#2c3e50",
    size = 3.5,
    fontface = "bold"
  ) +
  coord_flip() +
  scale_y_continuous(
    expand = expansion(mult = c(0, 0.15)),
    labels = function(x) paste0("US$ ", x, "M")
  ) +
  labs(
    title = "Top 10 Exportadores de Café Arábica",
    subtitle = "Minas Gerais - 2023 (Valores Imputados)",
    x = NULL,
    y = "Exportações (US$ Milhões)",
    caption = "Fonte: Elaboração própria com dados SECEX/IBGE"
  ) +
  theme_cafe() +
  theme(
    axis.text.y = element_text(size = 10),
    plot.margin = margin(20, 20, 20, 20)
  )

print(grafico_top10)

10.3 Gráfico de Composição dos Componentes

cat("   • Gráfico de composição dos componentes...\n")

##    • Gráfico de composição dos componentes...

component_data <- data.frame(
  Componente = c("Componente Espacial", "Componente por Área"),
  Valor = c(component_summary$total_espacial, component_summary$total_area),
  Percentual = c(component_summary$perc_espacial, component_summary$perc_area)
)

grafico_componentes <- ggplot(component_data, aes(x = "", y = Percentual, fill = Componente)) +
  geom_bar(stat = "identity", width = 1, color = "white", size = 2) +
  coord_polar("y", start = 0) +
  scale_fill_manual(
    values = c("#e67e22", "#3498db"),
    labels = paste0(component_data$Componente, "\n(", round(component_data$Percentual, 1), "%)")
  ) +
  labs(
    title = "Composição da Imputação Total",
    subtitle = paste0("Total Imputado: ", format_currency(component_summary$total_imputado)),
    fill = "Componentes"
  ) +
  theme_void() +
  theme(
    plot.title = element_text(color = "#d35400", size = 16, face = "bold", hjust = 0.5),
    plot.subtitle = element_text(color = "#7f8c8d", size = 12, hjust = 0.5),
    legend.position = "bottom",
    legend.title = element_text(color = "#d35400", face = "bold"),
    legend.text = element_text(color = "#2c3e50", size = 10)
  )

print(grafico_componentes)

10.4 Mapa do Componente Espacial

cat("   • Mapa do componente espacial...\n")

##    • Mapa do componente espacial...

uf_mun_filtered <- uf_mun %>%
  filter(E6_imputado > 0)

pal_espacial <- colorNumeric("Oranges", domain = uf_mun_filtered$componente_espacial)

mapa_componente_espacial <- leaflet(uf_mun_filtered) %>%
  addProviderTiles("CartoDB.Positron") %>%
  addPolygons(
    weight = 0.5,
    color = "white",
    fillColor = ~pal_espacial(componente_espacial),
    fillOpacity = 0.7,
    popup = ~paste0(
      "<b>", name_muni, "</b><br/>",
      "Componente Espacial: ", format_currency(componente_espacial)
    )
  ) %>%
  addLegend(
    pal = pal_espacial,
    values = ~componente_espacial,
    title = "Componente<br/>Espacial (US$)",
    position = "bottomright"
  ) %>%
  setView(lng = -44.5, lat = -18.5, zoom = 7)

mapa_componente_espacial

11 Tabelas Resumo

11.1 Ranking dos Top 15 Exportadores

# Tabela do ranking Top 15
tabela_ranking <- top_exporters %>%
  mutate(
    `Exportações HS6` = format_currency(E6_imputado),
    `Participação (%)` = paste0(round(participacao, 2), "%"),
    `Exportações HS4` = format_currency(E4_observado),
    `Comp. Espacial` = format_currency(componente_espacial),
    `Comp. Área` = format_currency(componente_area)
  ) %>%
  select(
    `Ranking` = rank,
    `Município` = name_muni,
    `Exportações HS6`,
    `Participação (%)`,
    `Exportações HS4`,
    `Comp. Espacial`,
    `Comp. Área`
  )

kable(tabela_ranking, 
      caption = "Ranking dos Top 15 Exportadores Municipais", 
      align = c("c", "l", "r", "r", "r", "r", "r")) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"),
                full_width = TRUE,
                position = "center",
                font_size = 12) %>%
  row_spec(0, bold = TRUE, color = "white", background = "#e67e22") %>%
  column_spec(1, bold = TRUE, color = "#d35400") %>%
  column_spec(2, bold = TRUE)

Ranking dos Top 15 Exportadores Municipais

Ranking	Município	Exportações HS6	Participação (%)	Exportações HS4	Comp. Espacial	Comp. Área
1	Guaranésia	US$ 29.199.710	0.53%	US$ 62.274	US$ 29.550.681	US$ -350.971
2	Elói Mendes	US$ 24.555.056	0.44%	US$ 1.308.623	US$ 25.532.903	US$ -977.847
3	Monsenhor Paulo	US$ 23.148.851	0.42%	US$ 2.961.614	US$ 23.480.424	US$ -331.573
4	Muzambinho	US$ 22.636.321	0.41%	US$ 0	US$ 23.177.665	US$ -541.344
5	Três Pontas	US$ 22.504.877	0.41%	US$ 52.373.049	US$ 24.183.042	US$ -1.678.165
6	Juruaia	US$ 22.484.066	0.41%	US$ 0	US$ 22.902.705	US$ -418.639
7	São Pedro Da União	US$ 21.971.450	0.4%	US$ 0	US$ 22.281.820	US$ -310.370
8	Fama	US$ 21.118.077	0.38%	US$ 0	US$ 21.229.955	US$ -111.878
9	Paraguaçu	US$ 19.596.169	0.35%	US$ 15.093.615	US$ 20.493.897	US$ -897.728
10	Arceburgo	US$ 19.595.811	0.35%	US$ 0	US$ 19.750.996	US$ -155.185
11	Carmo Da Cachoeira	US$ 18.832.404	0.34%	US$ 0	US$ 19.761.710	US$ -929.307
12	Serrania	US$ 18.527.678	0.34%	US$ 0	US$ 18.834.439	US$ -306.761
13	Areado	US$ 18.508.701	0.33%	US$ 3.521.678	US$ 18.771.252	US$ -262.552
14	Três Corações	US$ 18.079.523	0.33%	US$ 54.874.847	US$ 18.864.471	US$ -784.948
15	Monte Santo De Minas	US$ 18.077.362	0.33%	US$ 1.528.864	US$ 18.972.834	US$ -895.473

12 Resultados Principais

cat("\n🎉 ANÁLISE CONCLUÍDA!\n")

## 
## 🎉 ANÁLISE CONCLUÍDA!

cat("\n📊 PRINCIPAIS CONCLUSÕES:\n")

## 
## 📊 PRINCIPAIS CONCLUSÕES:

cat("1. Cobertura Territorial: Imputação para", final_stats$municipios_imputados, "municípios\n")

## 1. Cobertura Territorial: Imputação para 853 municípios

cat("2. Concentração: Top 10 representa", round(sum(top_exporters$participacao[1:10]), 1), "% do total estadual\n")

## 2. Concentração: Top 10 representa 4.1 % do total estadual

cat("3. Validação: Total imputado corresponde ao valor oficial estadual\n")

## 3. Validação: Total imputado corresponde ao valor oficial estadual

cat("4. Componente Espacial:", round(component_summary$perc_espacial, 1), "% da imputação total\n")

## 4. Componente Espacial: 102 % da imputação total

cat("\n🏆 TOP 5 EXPORTADORES:\n")

## 
## 🏆 TOP 5 EXPORTADORES:

for(i in 1:5) {
  cat(sprintf("%d. %s: %s\n", 
              i, 
              top_exporters$name_muni[i], 
              format_currency(top_exporters$E6_imputado[i])))
}

## 1. Guaranésia: US$ 29.199.710
## 2. Elói Mendes: US$ 24.555.056
## 3. Monsenhor Paulo: US$ 23.148.851
## 4. Muzambinho: US$ 22.636.321
## 5. Três Pontas: US$ 22.504.877

cat("\n✨ Script executado com sucesso!\n")

## 
## ✨ Script executado com sucesso!

---

Nota metodológica: Esta análise implementa uma metodologia de imputação espacial para estimar exportações municipais de café arábica (HS6: 090111) baseada em dados agregados estaduais e informações de área colhida municipal. A imputação combina componentes espaciais (baseados em spillovers de municípios exportadores) e componente por área de produção, garantindo que o total imputado corresponda exatamente ao valor oficial estadual.

---