library(fio)
# Carrega o conjunto de dados mundial multirregional
miom_world <- fiodata::world_2000
# Obtém o comércio bilateral do Brasil para a China
miom_world$get_bilateral_trade("BRA", "CHN")[1:5, 1:2]
#> BRA_Agriculture, Hunting, Forestry and Fishing
#> CHN_Agriculture, Hunting, Forestry and Fishing 0.868486382
#> CHN_Mining and Quarrying 0.677175460
#> CHN_Food, Beverages and Tobacco 0.784219678
#> CHN_Textiles, leather and footwear 0.137408834
#> CHN_Pulp, paper, printing and publishing 0.003052195
#> BRA_Mining and Quarrying
#> CHN_Agriculture, Hunting, Forestry and Fishing 0.001110208
#> CHN_Mining and Quarrying 1.703217354
#> CHN_Food, Beverages and Tobacco 0.005707213
#> CHN_Textiles, leather and footwear 0.129627291
#> CHN_Pulp, paper, printing and publishing 0.015560710
# Calcula a interdependência regional
miom_world$get_regional_interdependence() |> head()
#> country self_reliance total_spillover_out total_spillover_in
#> 1 AUS 1.968515 0.3168527 0.006511634
#> 2 AUT 1.614535 0.4900724 0.004048698
#> 3 BEL 1.649908 0.7652207 0.011148228
#> 4 BRA 1.918948 0.2328115 0.004065824
#> 5 CAN 1.650380 0.4280919 0.007634451
#> 6 CHN 2.342241 0.2867934 0.016735715
#> interdependence_index
#> 1 0.1609602
#> 2 0.3035377
#> 3 0.4637960
#> 4 0.1213225
#> 5 0.2593898
#> 6 0.1224440{fio} 1.0.0 já está disponível no CRAN! Este lançamento representa um marco significativo no desenvolvimento do pacote, introduzindo poderosas capacidades multirregionais, suporte para modelos fechados e uma estratégia de gerenciamento de dados mais eficiente.
O {fio} (Friendly & Fast Input-Output) foi construído com um objetivo claro: fornecer aos usuários de R uma interface rápida e intuitiva para análise de insumo-produto. Ao aproveitar a performance do Rust e as classes R6, o {fio} permite que você lide com cálculos complexos de álgebra linear com facilidade e rapidez.
Você pode instalá-lo do CRAN com:
install.packages("fio")1 Análise de Insumo-Produto Multirregional (MIOM)
A principal novidade da versão 1.0.0 é a introdução dos modelos de Insumo-Produto Multirregional (MIOM). Isso permite que analistas vão além das economias individuais e estudem as interdependências entre diferentes nações ou regiões.
A nova classe miom() cria um modelo multirregional que herda toda a performance e funcionalidade da classe iom() de região única, adicionando ferramentas especializadas para análise regional:
- Comércio Bilateral: Extraia facilmente fluxos comerciais entre regiões específicas.
- Multiplicadores Regionais: Calcule multiplicadores intra-regionais, inter-regionais e de transbordamento (spillover).
- Medidas de Interdependência: Quantifique o quanto as regiões dependem umas das outras.
Veja abaixo como você pode analisar as interdependências do comércio global usando o conjunto de dados world_2000 (que agora faz parte do pacote complementar {fiodata}):
Para uma visão completa sobre a classe miom e seus métodos, confira a vignette: Análise Multirregional de Insumo-Produto.
2 Fechando o Modelo
Modelos de insumo-produto são tradicionalmente “abertos”, tratando as famílias e o governo como externos ao sistema de produção. A versão 1.0.0 introduz o método close_model(), que permite “internalizar” esses setores.
Ao mover o consumo das famílias ou do governo da demanda final para a matriz de transações intermediárias, você pode capturar melhor os efeitos “induzidos” de choques econômicos — por exemplo, como um aumento na produção leva a salários mais altos, que por sua vez estimulam mais consumo.
iom_br <- fiodata::br_2020
# Fecha o modelo para o consumo das famílias
iom_br$close_model("household")
# Os coeficientes técnicos e multiplicadores agora incluem os efeitos induzidos
iom_br$compute_tech_coeff()
iom_br$compute_leontief_inverse()
iom_br$compute_multiplier_output()3 Acesso Direto a Dados
Para facilitar ainda mais o início de sua análise, adicionamos download_wiod(). Esta função permite baixar tabelas da World Input-Output Database (WIOD) diretamente de sua fonte oficial e carregá-las no R. Combinado com a velocidade de processamento do {fio}, isso reduz significativamente o tempo entre a coleta de dados e a obtenção de insights.
Para um exemplo completo sobre como trabalhar com dados do WIOD, confira a vignette: Trabalhando com WIOD.
4 {fiodata}
À medida que o pacote cresceu, os conjuntos de dados integrados atingiram um tamanho que excedeu as recomendações do CRAN. Para manter o {fio} leve e rápido de instalar, movemos os conjuntos de dados (br_2020 e world_2000) para um pacote complementar separado: {fiodata}.
Ao instalar o {fio}, instale também o {fiodata} para acompanhar nossos exemplos e acessar os conjuntos de dados:
install.packages("fiodata")5 Agradecimentos
Este lançamento não seria possível sem o robusto ecossistema de pacotes R e Rust. Agradecimentos especiais aos desenvolvedores dos projetos extendr e faer, que fornecem a base para a arquitetura híbrida do {fio}.
Para uma lista completa de mudanças, consulte o arquivo NEWS.md. Bons estudos!