Espacialização e impacto das despesas públicas no setor privado do DF
Autores
Ana Maria Nogales
Andrea Cabello
Frederico Bertholini
Guilherme Viana
Lucio Rennó
Thiago Rosa | IPEDF (colab.)
Data de Publicação
17 de agosto de 2022
Resumo
A pesquisa utiliza dados da transparência do Governo do Distrito Federal (GDF) sobre as despesas efetivamente pagas pelo GDF, de 2016 a 2020, dados de geolocalização de endereços do IPEDF, dados de CNPJ da Receita Federal, dados da Relação Anual de Informações Sociais (RAIS) identificada. Dados financeiros foram calculados a preços de junho de 2022.
Analisamos as despesas do GDF associadas aos CNPJs cujo credor é do Setor Privado. Este estudo é pioneiro, pois mobiliza dados de diversas fontes, enfocando a unidade mais desagregada e tangível da efetivação do gasto público: os pagamentos realizados, discriminados por credor.
O objetivo é avaliar o papel do GDF como consumidor de bens e serviços através do mapeamento das despesas públicas. Identificamos o perfil de consumo do governo e como este pode fomentar a economia local do DF através de seu gasto.
Encontramos pouca variação no total de despesas pagas ao setor privado no período 2016 a 2020. No período analisado, as despesas com o Setor Privado foram em média de 6,89 bi por ano, o que representa, aproximadamente, 23% da despesa total.
Sobre a distribuição por UF, constatamos que o GDF destina a maior parte de seus recursos para pagamento dos credores do próprio DF, em média, de 5,66 bi por ano, o que representa aproximadamente, 82% da despesa no Setor Privado período.
Sobre os padrões espaciais da distribuição dos pagamentos do GDF, há grande concentração no Plano Piloto, seguida de Taguatinga, Ceilândia, Guará e Samambaia, com pequena presença também em Gama, Sobradinho e pontos mais esparsos, como em Brazlândia e Planaltina. Há indicação de um vetor de desenvolvimento associado à saída sudoeste e sul da cidade.
Na comparação entre empresas do DF que receberam recursos do GDF e empresas que não receberam recursos, as que receberam são mais antigas e têm, em média, mais empregados. No setor de comércio essas diferenças são menores e no de construção são maiores.
De forma geral, as empresas que geram mais empregos também são as empresas que tendem a vender maiores valores ao Governo, a relação entre empregos e valores recebidos é positiva.
A partir da aplicação de um modelo estatístico de pareamento, que verifica se receber valores do GDF faz com que as empresas gerem mais empregos, encontramos evidências apontando em sentido opostos.
Nos biênios 2016-2017, 2017-2018 e 2018-2019, a exemplo de desenho similar feito em outro estudo para os períodos 2010-2011, 2011-2012, 2012-2013, 2013-2014 e 2014-2015, não foi encontrado esse efeito.
Entretanto, para o biênio 2019-2020, ano da pandemia, foi encontrado um efeito positivo em ser credor do GDF para a manutenção de empregos.
Instruções de uso
O uso deste relatório interativo é intuitivo e simples. Passe o mouse sobre os gráficos para ver totais e porcentagens, clique as caixas de seleção para filtrar os dados por categorias específicas, clique em cores para destacar. Em caso de dúvidas acerca do uso da nota ou sobre o código-base que a gerou, entre em contato conosco .
Introdução
O objetivo deste trabalho é analisar a evolução, composição e espacialização das despesas e investimentos governamentais do Governo do Distrito Federal (GDF), no período de 2016 a 2020. Para tanto, foram utilizadas as informações das despesas emitidas pelo GDF neste período. Assim, analisamos o perfil do GDF como consumidor de bens e serviços, e de que maneira as compras públicas e convênios com recursos do GDF se distribuem entre UFs e dentro do Distrito Federal. Investigamos se o GDF tende a comprar mais de empresas privadas localizadas no próprio território do Distrito Federal e como essas compras se distribuem por esse mesmo território. Além disso, classificamos as despesas pelas características dos credores, a fim de entender em que áreas de sua atuação o GDF gasta mais recursos.
Em economia, há uma larga discussão sobre a importância do gasto público com o crescimento econômico, com enfoque na relação existente entre gastos chamados “produtivos” (investimentos) e os ditos “improdutivos” (custeio). Contudo, poucos são os estudos que lançam olhar sobre a composição e espacialização dos gastos governamentais na tentativa de compreender como essas divisões podem estimular a atividade econômica. Além disso, a compreensão do custeio como improdutivo pode ser bastante questionada, uma vez que as compras do Estado, tanto de serviços como de produtos, pode e deve movimentar a economia local. Assim, tratamos os gastos públicos como elemento importante de fomento da economia, gerando riqueza e empregos na sociedade.
Sob um cenário restritivo, como é o atual, entender como os gastos governamentais são realizados pode contribuir para a racionalização dos recursos, uma vez que as contenções de despesas são mandatórias nessa conjuntura. O estudo é inovador porque não observa as fases orçamentárias da despesa pública, como empenhamento, liquidação e pagamento, mas está centrado em como os recursos que o GDF coloca de volta no mercado, seja em investimento, seja em custeio, efetivamente se distribuem entre os agentes econômicos no espaço.
Método
Utilizamos como fonte principal de informações as despesas pagas pelo GDF para o período de 2016 a 2020, disponibilizada no site da transparência. A maior parte do esforço metodológico para a produção deste relatório está relacionada ao processamento e compatibilização de dados oriundos de diversas fontes, em diferentes formatos. O propósito é garantir um formato acessível e descritivo dos dados, propondo e adotando formas de classificação e localização no espaço, tanto dos credores quanto despesas por eles recebidas.
Como fontes auxiliares de informação, de modo a georreferenciar as informações, foram utilizadas bases públicas de endereçamento de CEP e o aplicativo Geocodigo, desenvolvido pelo IPEDF. Todos os cruzamentos entre as bases de dados se deu pelo número do CNPJ dos credores (código do credor), o qual foi padronizado em todas as bases para o tamanho de um CNPJ (14 dígitos numéricos) e validados pelo seu algoritmo de construção. Também utilizamos uma base pública de dados de CNPJ da Receita Federal, disponibilizada em seu site.
Da base de estabelecimentos da RAIS, foram consideradas como empresas do DF todos os estabelecimentos cujo município de sede do cnpj respondente foi a Capital Federal. Os valores monetários foram atualizados pelo IPCA, para o mês de junho de 2022, tornando todos os valores comparáveis no período de análise. Uma vez que o a base de despesas continha pagamentos efetuados com recursos oriundos do Fundo Constitucional do Distrito Federal (FCDF) apenas em 2016, para que as informações fossem comparáveis não foram consideradas despesas emitidas com tal fonte de recursos. Dessa forma, os valores aqui apresentados podem não ser diretamente comparáveis outras fontes de informação, como o Portal da Transparência.
O processo de harmonização das despesas totais do GDF resultou nos seguintes totais, a valores de junho de 2022:
Valores em bilhões de reais
2016
2017
2018
2019
2020
30
30,5
31
30,2
29,3
Identificação do tipo de credor
A identificação dos tipos de credores foi realizada a partir da combinação das informações disponíveis nos códigos de Grupo da Despesa e nos códigos de credores dos dados da transparência.
A combinação destas duas classificações permitiu uma identificação mais adequada da combinação despesa-credor em 5 tipos: “Folha de Pagamento”, “Pessoa Física”,“Governo e Setor Público”, “Transferência de renda e Benefícios Sociais” e, por fim, “Setor Privado”, que será o foco de nossa análise. Seguindo esta classificação, podemos identificar o total de recursos que, anualmente, o GDF dispende em despesas e qual a fatia destinada aos gastos no Setor Privado em comparação com outros credores do governo.
Georreferenciamento dos credores
No que tange ao georreferenciamento das empresas, para todos os CNPJs que apareciam mais de uma vez nas bases adicionais, as coordenadas foram ajustadas para os pontos médios de suas distâncias. As variáveis de latitude e longitude foram construídas a partir dos dados de geolocalização produzidos pelo IPEDF.
Análise das Despesas emitidas ao Setor Privado
Nossa análise será restrita aos credores tipificados como entidades privadas que receberam recursos pela venda de algum tipo de produto ou prestação de serviço ao GDF entre 2016 e 2020. Estes diferentes credores estão distribuídos ao longo dos anos da seguinte forma:
Localização das Empresas por UF
Passando para a análise da UF de origem das empresas privadas, percebe-se que o GDF concentrou seus pagamentos por produtos ou serviços em empresas estabelecidas dentro do próprio Distrito Federal. Em média de 5,66 bilhões por ano, o que representa aproximadamente, 82% da despesa no Setor Privado no período.
Despesas correntes e despesas de capital
No que diz respeito à categoria econômica da despesa, as despesas de capital com o Setor Privado entre 2016 e 2020 foram de 0,87 bilhões anuais em média, o que representavam cerca de 13% das despesas com esse tipo de credor. O volume de despesas correntes com o Setor Privado foi consideravelmente maior, 6,03 bilhoes, ou 87%, e não variou de forma significativa no período.
Função de Governo
Dentre as funções que mais concentraram as despesas, estão Saúde, com 23%, Urbanismo, com 20% e Transporte, com 18%.
Um olhar para os mercados de compras públicas: Nível de concentração de mercado por Função de Governo
Um primeiro exercício de identificação dos mercados associados às Funções de Governo aponta que existem níveis de concentração bastante distintos e que essa concentração reage de forma diferente aos ciclos, de acordo com a Função. Mesmo entre funções importantes, como Saúde, Educação e Administração, é possível identificar comportamentos de mercado não homogêneos.
Estes dados também permitem mapear a atividade econômica das empresas que vendem para o GDF. Um dos aspectos interessantes, ao se analisar individualmente as empresas com maiores volumes de Despesas, é que estão presentes aquelas ligadas a vigilância e segurança, alimentação, serviços gerais, saneamento e construtoras.
Abaixo as 10 empresas que, em média, receberam mais recursos por ano no período:
Valores em milhões de reais
Empresa
Média anual
Neoenergia Distribuicao Brasilia Sa
345,46
Brasfort Empresa De Seguranca Ltda
264,67
Valor Ambiental Ltda
247,52
Sustentare Saneamento Sa
186,74
Viacao Pioneira Ltda
164,76
Ipanema Seguranca Ltda
154,96
Real Jg Facilities Ltda
154,87
Empresa Juiz De Fora De Servicos Gerais Ltda
151,72
Confederal Vigilancia E Transporte De Valores Ltda
142,76
Expresso Sao Jose Ltda
139,51
Identificação de padrões espaciais
Um dos aspectos mais interessantes do método empregado nesta nota é a possibilidade de identificação de padrões espaciais, a partir do mapeamento de credores do GDF que se encontram no território do Distrito Federal. Os pontos em vermelho representam uma empresa ou conjunto de empresas localizadas na mesma referência geográfica. É sempre importante lembrar, no entanto, que os dados de geolocalização dizem respeito às informações inseridas pelas empresas em seus registros, não havendo referência exata ao local de aplicação do recurso contratado pelo governo, algo ainda impossível de ser mapeado de forma sistematizada. As cores que vão de roxo a amarelo são manchas de calor dos pontos, ponderadas pelo valor da despesa, quanto mais amarelo, maior a concentração de recursos.
Evolução anual da mancha de credores
Ao se analisar a distribuição das Despesas dentro do território, percebe-se uma clara concentração na região central do Distrito Federal. Regiões como Plano Piloto, SIA, e Guará concentram as empresas com as quais o GDF mantém relação, tanto em quantidade, quanto em valores. Além dessas regiões, pode-se notar também uma boa concentração em Taguatinga, Ceilândia, Samambaia, Gama e Sobradinho, além de pontos mais esparsos em Brazlândia e Planaltina. Não houve mudanças significativas na mancha ao longo dos anos.
Efeitos da despesa pública no número de empregados das empresas privadas
Uma das principais indagações a respeito do papel do governo nas sociedades é se a atuação pública é capaz de dinamizar a economia e estimular a criação de empregos. O objetivo deste trabalho é estimar os impactos dos recursos oriundos da compra de bens e serviços pelo Governo do Distrito Federal (GDF) nos empregos gerados pelo setor privado local. Para tanto, investigamos um conjunto de variáveis econômicas relevantes associadas às empresas com sede no DF e que são credoras do GDF – como setor econômico, natureza jurídica, tempo de funcionamento da empresa – e a características da sua força de trabalho – como quantidade de empregos, massa salarial, média de salários.
As características das empresas credoras do GDF com sede no DF são comparadas vis-a-vis as características das empresas do DF que não negociam com o Governo Distrital, a partir de exercícios exploratórios e descritivos. São realizadas comparações sobre setor, tamanho e salário médio entre empresas que têm ou não negócios com o GDF, por exemplo. Para estimar os impactos das compras do GDF no emprego local, utilizou-se o método de diferenças em diferenças combinado com um pareamento por escore de propensão, de modo a se formar grupos de comparação (entre credores e não-credores) mais homogêneos.
Consistência dos dados
Existe uma questão de consistência temporal entre a RAIS e o recebimento das despesas que merece ser mencionada. Nem sempre o valor da despesa recebido no ano t_n se refere a um um produto ou serviço empenhados em t_n. É possível que uma empresa receba o valor da despesa em t_n, por um serviço realizado em t_{n-1}, e não esteja presente na RAIS no período em questão. Nesses casos, essa empresa não entra na análise, uma vez que as informações utilizadas da RAIS são cruzadas de acordo com o ano de recebimento da despesa. Além disso, nem todo CNPJ necessariamente irá declarar a RAIS.
Diferenças entre fontes
Valores em bilhões de reais
Ano
Valor despesas GDF
Qtd. Empresas GDF
Valor despesas RAIS
Qtd. Empresas RAIS
Dif. valor despesas
Dif. qtd. empresas
2016
6,777
14.008
6,214
8.543
0,563
5.465
2017
6,987
14.541
6,359
8.394
0,628
6.147
2018
7,391
14.526
7,699
8.853
-0,308
5.673
2019
6,812
14.271
6,513
8.355
0,299
5.916
2020
6,500
12.819
6,271
7.537
0,229
5.282
Quantidade de empresas analisadas
Caracterização das empresas do DF
Este trabalho pretende realizar uma comparação entre empresas credoras do GDF com sede no DF e as demais empresas com sede no DF. Antes de seguir às estimações, porém, é fundamental caracterizar o conjunto de empresas que serão analisadas. Esta seção discute as diferenças de perfil entre credoras do GDF e não credoras, por setor econômico da atividade, com relação a tamanho e tempo de existência das empresas.
Tamanho - quantidade de empregos
O primeiro passo descritivo é caracterizar as empresas analisadas quanto ao número de empregos ativos. A informação de empregos da RAIS é obtida a partir da soma de vínculos ativos ao final do ano. Nota-se que as empresas credoras do GDF têm mais vínculos ativos que as não credoras.
Empregados por setor
A distribuição do número de empregos aponta que as empresas credoras do GDF tendem a ser maiores que as demais empresas. A mediana do número de empregos – uma medida melhor que a média, por conta de alguns valores extremamente altos fora de padrão – é superior entre as empresas que receberam recursos
Tempo de atividade
É interessante comparar o tempo de atividade dessas empresas, a fim de identificar se empresas credoras do GDF são mais novas ou mais antigas, em média, do que as demais. Cumpre ressaltar que estas distribuições são relativamente constantes ao longo do tempo, por isso optou-se por apresentar apenas as comparações por setor, já que há maior variabilidade dos dados nesta dimensão.
Fica nítido, a partir da comparação de tempo de existência que, no geral, as empresas credoras do GDF tendem a ser mais longevas do que as não credoras e que especialmente as credoras com empregados têm tempo de vida maior.
Data de Inicio da atividade
A comparação entre a a data de início da atividade das empresas dá suporte adicional à conclusão de que as empresas credoras do GDF são mais antigas, no geral, do que as demais.
Efeito da despesa pública no emprego privado: distribuição do tratamento
Esta seção trata apenas das empresas credoras do GDF identificadas na RAIS, as quais receberam recursos em troca da venda de algum produto ou serviço. Para efeito da comparação que se pretende realizar, estes recursos estão sendo entendidos como uma espécie de “tratamento”, para o qual se verificará efeito sobre a quantidade de empregos.
Distribuição de recursos por setor
É fundamental, em primeiro lugar, entender como funciona a distribuição dos recursos por setor econômico, dentro do total de pagamentos por bens e serviços contratados junto ao setor privado pelo governo local.
O setor de Serviços é consistentemente o setor mais importante das despesas públicas do GDF, com cerca de 66% do total de Despesas. Construção é o segundo setor mais relevante e também tem percentual relativamente estável ao longo do período, em torno de 27%. Comércio se situa em torno de 6% e Indústria, 2%. A extração é irrelevante, menos 0,1% em média, até mesmo por isso, não será objeto de análise.
Relação entre recursos recebidos e tamanho da empresa
Para verificar a relação entre recursos recebidos e tamanho da empresa, optou-se por limitar a análise da relação entre o recursos recebidos do GDF e a quantidade de empregos gerados aos quatro maiores setores econômicos, quais sejam, serviços, comércio, construção e indústria. A quantidade de empresas por ano no setor de extração e nos setores sem classificação eram menores que dez e os valores envolvidos substantivamente inferiores aos dos quatros principais setores.
No gráfico das curvas ajustadas a partir da dispersão o eixo x é a quantidade de empregos e o eixo y é o log das despesas. Pode-se inferir, pelos gráficos acima, que a relação entre tamanho da empresa e valor recebido é, de forma geral, positiva. Ou seja, as empresas que geram mais empregos também são as empresas que tendem a vender maiores valores ao Governo. Quando observados períodos de tempo específicos para alguns setores, pode-se concluir que esta relação, embora seja válida no geral, não é consistente o suficiente por período-setor para ser generalizada.
Os gráficos de densidade apresentam informação similar, porém para o agregado do período e desconsiderando empresas sem vínculos. As cores sob as áreas representam o tamanho da empresa. Quanto mais a densidade da área está à direita, maior a concentração de valores recebidos, ou seja, valores maiores, quanto mais à esquerda, menores os valores. É possível identificar o mesmo movimento geral depreendido das curvas ajustadas, empresas maiores tendem a receber mais.
Testando hipóteses: qual o impacto do GDF no mercado de trabalho?
Para estimar o impacto de se receber valores do GDF na geração de empregos, utilizou-se o método de diferenças em diferenças, combinado com um pareamento por escore de propensão. Foi testado se as empresas que não receberam valores do GDF em um ano, mas passaram a receber no período subsequente, terminam o período com mais empregados vinculados à empresa. O grupo de comparação foi composto pelas empresas que não receberam valores do GDF em ambos os períodos.
O objetivo de se fazer um pareamento foi tornar os dois grupos de empresas o mais parecido possível em suas características observáveis. Como as empresas que recebem valores do governo local podem ser consideravelmente diferentes daquelas que não recebem, procurou-se encontrar um grupo mais comparável. As características das empresas utilizadas para o pareamento foram: a média salarial, o tempo de funcionamento da empresa, se ela é a matriz e o setor de comparação. Tal pareamento foi aplicado no período em que nenhuma empresa recebia valores do GDF.
Uma vez que podem existir características não observáveis das empresas que afetam a chance de ela negociar com o GDF, e.g. a capacidade gerencial, somente realizar o pareamento em características observáveis é eventualmente insuficiente para tornar ambos os grupos comparáveis. Partindo do pressuposto de que todas as características não observáveis dessas empresas são fixas no tempo, com o método de diferenças em diferenças essa questão é levada em consideração.
Esse método consiste em calcular a diferença do número no período para os dois grupos de empresas (credores e não credores do GDF) e, então, calcular a diferença dessas diferenças, testando para a significância estatística desse resultado. As características não observáveis e fixas no tempo são anuladas ao se realizar as diferenças.
Os gráficos e tabelas acima mostram o resultado do exercício realizado para cada par de anos no período de 2016 a 2020. Os resultados mostram que, de modo geral, o pareamento conseguiu produzir grupos mais semelhantes de empresas em todas as características elencadas. A aplicação das diferenças em diferenças à amostra pareada mostrou que passar a receber valores de despesas do GDF não faz com que as empresas terminem o ano com um número mais elevado de empregados que aquelas que não receberam valores. Apenas no biênio 2019-2020, ano de pandemia, houve diferença significativa no número de empregos. Todavia, essa análise é focada no ano em que a empresa recebe o valor da despesa, não sendo possível avaliar se o ato de fechar o compromisso de venda de bens ou serviços para o governo pode elevar a quantidade de empregos. Outra questão não verificada nessa análise é se o volume de recursos recebido faz diferença, uma vez que o resultado somente foi apresentado para a média dos valores.
Recomendação de políticas públicas
O caráter descritivo e analítico deste trabalho, menos associado a uma política pública específica e mais geral, sobre despesas,, enseja sugestões relacionadas com o uso e apresentação dos dados, especialmente por parte do GDF. É fundamental, mais uma vez, elogiar o esforço governamental para produzir e disponibilizar dados de fácil acessibilidade para sociedade e academia. Ainda assim, seria interessante rever algumas práticas e implementar melhorias, tais como:
É fundamental disponibilizar aos cidadãos informações orçamentárias padronizadas.
É necessário guardar a consistência de dados com níveis de agregação diferentes.
Acessibilidade compreende não apenas a possibilidade de baixar dados com diferentes dimensionalidades a qualquer tempo, mas também a certeza de que não haverá problemas de leitura com estes dados.
Seria importante envidar esforços no sentido de permitir aos cidadão entender como a despesa é localizada no território
Código fonte
---title: "Espacialização e impacto das despesas públicas no setor privado do DF"author:- Ana Maria Nogales- Andrea Cabello- Frederico Bertholini- Guilherme Viana- Lucio Rennó- Thiago Rosa | IPEDF (colab.)institute: ObservaDFdate: 08/17/2022lang: pttoc: trueformat: html: html-math-method: katex code-tools: true self-contained: trueexecute: warning: false echo: false message: false---```{r}#| include: falselibrary(DT)library(formattable)library(ggthemes)library(ggmap)library(gridExtra)library(highcharter)library(Hmisc)library(knitr)library(magrittr)library(maps)library(maptools)library(pander)library(RColorBrewer)library(rgdal)library(rjson)library(sf)library(R.utils)library(repmis)library(scales)library(treemap)library(viridis)library(lubridate)library(tidyverse)# opcao de casa decimal como virgulaoptions(OutDec=",")# carrega base da despesadespesa_gdf_analise <-read_rds("despesa_gdf_analise_2022observaDF.rds")# carrega base RAIS diffbase_diff <-read_rds("base_diff.rds")# carrega resultado da regressaodid_reg <-read_rds("did_reg.rds")# Classificação da despesa + classificação do credorclass_despesa <- despesa_gdf_analise %>%group_by(classif_credor,ano) %>%summarise(despesa=round(sum(despesa,na.rm = T)/10^9,3)) %>%arrange(classif_credor,ano)class_despesa.prop <- class_despesa %>%group_by(classif_credor) %>%summarise(despesa=sum(despesa)) %>%mutate(Total =round(100*prop.table(despesa),0))class_despesa.wide <- class_despesa %>%group_by(classif_credor,ano) %>%summarise(despesa=sum(despesa)) %>%spread(ano,despesa)# Filtrando as despesas apenas para o Setor Privadodespesa_gdf_analise_sub <- despesa_gdf_analise %>% dplyr::filter(classif_credor=="Setor Privado")# Quantidade de empresas analisadasqtd_empr <- despesa_gdf_analise_sub %>%select(cnpj) %>%distinct()qtd_empr <-count(qtd_empr)# por anoqtd_empr.ano <- despesa_gdf_analise_sub %>%select(cnpj,ano) %>%distinct() %>%group_by(ano) %>%summarise(n=n()) %>%spread(ano,n)# Gasto por ufuf <- despesa_gdf_analise_sub %>%mutate(uf =ifelse(is.na(uf)==T,"Outros",uf),ForaDF =ifelse(uf=="DF"|uf=="SP"|uf=="RJ"|uf=="GO",uf,ifelse(is.na(uf)==T,"Outros","Outros"))) %>%group_by(ForaDF,ano) %>%summarise(despesa=round(sum(despesa,na.rm = T)/10^6,1)) %>% dplyr::filter(complete.cases(ano),complete.cases(ForaDF)) %>%arrange(ano)uf.a <- despesa_gdf_analise_sub %>%mutate(ForaDF =ifelse(is.na(uf)==T,"Outros",uf)) %>%group_by(ForaDF,ano) %>%summarise(despesa=round(sum(despesa,na.rm = T)/10^6,2)) %>%group_by(ano) %>%mutate(prop=prop.table(despesa)) %>%arrange(ano,ForaDF)uf.b <- despesa_gdf_analise_sub %>%mutate(uf =ifelse(is.na(uf)==T,"Outros",uf),ForaDF =ifelse(uf=="DF"|uf=="SP"|uf=="RJ"|uf=="GO"|uf=="MT"|uf=="MS"|uf=="MG"|uf=="RO",uf,ifelse(is.na(uf)==T,"Outros","Outros"))) %>%group_by(ForaDF,ano) %>%summarise(despesa=round(sum(despesa,na.rm = T)/10^6,2)) %>% dplyr::filter(complete.cases(ano),complete.cases(ForaDF)) %>%arrange(ano)uf.prop <- uf %>%group_by(ForaDF) %>%summarise(despesa=sum(despesa)) %>%mutate(Total =round(100*prop.table(despesa),0))uf.wide <- uf %>%group_by(ForaDF,ano) %>%summarise(despesa=sum(despesa)) %>%spread(ano,despesa)uf.prop.wide <- uf %>%group_by(ForaDF,ano) %>%summarise(despesa=sum(despesa)) %>%group_by(ano) %>%mutate(Total =round(100*prop.table(despesa),0))%>%select(-despesa) %>%spread(ano,Total)# Evolução anual por categoria economica da despesacat_despesa <- despesa_gdf_analise_sub %>%group_by(categoria_economica,ano) %>%summarise(despesa=round(sum(despesa,na.rm = T)/10^9,3)) %>%arrange(ano)cat_despesa.prop <- cat_despesa %>%group_by(categoria_economica) %>%summarise(despesa=sum(despesa)) %>%mutate(Total =round(100*prop.table(despesa),0))cat_despesa.wide <- cat_despesa %>%group_by(categoria_economica,ano) %>%summarise(despesa=sum(despesa)) %>%spread(ano,despesa)cat_despesa.prop.wide <- cat_despesa %>%group_by(categoria_economica,ano) %>%summarise(despesa=sum(despesa)) %>%group_by(ano) %>%mutate(Total =round(100*prop.table(despesa),0))%>%select(-despesa) %>%spread(ano,Total)funcao_despesa <- despesa_gdf_analise_sub %>%mutate(funcao =ifelse(funcao=="Saúde"|funcao=="Urbanismo"|funcao=="Administração"|funcao=="Transporte"|funcao=="Educação",funcao,ifelse(is.na(funcao)==T,"Outros","Outros"))) %>%group_by(funcao,ano) %>%summarise(despesa=round(sum(despesa,na.rm = T)/10^9,3)) %>%arrange(ano)funcao_despesa.prop <- funcao_despesa %>%group_by(funcao) %>%summarise(despesa=sum(despesa)) %>%mutate(Total =round(100*prop.table(despesa),0))funcao_despesa.wide <- funcao_despesa %>%group_by(funcao,ano) %>%summarise(despesa=sum(despesa)) %>%spread(ano,despesa)funcao_despesa.prop.wide <- funcao_despesa %>%group_by(funcao,ano) %>%summarise(despesa=sum(despesa)) %>%group_by(ano) %>%mutate(Total =round(100*prop.table(despesa),0))%>%select(-despesa) %>%spread(ano,Total)#Nível de concentração dos mercados por funçãoconcentracao <- despesa_gdf_analise_sub %>%group_by(ano,funcao,cnpj) %>%summarise(despesa =sum(as.numeric(despesa),na.rm=T)) %>%group_by(ano,funcao) %>%summarise(HH =sum(prop.table(despesa)^2,na.rm=T),despesa=round(sum(despesa,na.rm=T)/10^6,0)) %>%mutate(rank =rank(-despesa,ties.method ="first"),NEE =round(1/HH,2))# empresas com mais recursosempresas_lideres <- despesa_gdf_analise_sub %>%group_by(credor_nome_padronizado) %>%summarise(despesa=sum(despesa,na.rm=T)) %>%transmute(Empresa=str_to_title(credor_nome_padronizado),`Média anual`=round(despesa/(5*(10^6)),2)) %>%arrange(desc(`Média anual`))# resumo classificacaoresumo_class_despesa <- class_despesa %>%group_by(classif_credor) %>%summarise(despesa=mean(despesa)) %>%mutate(prop=round(100*prop.table(despesa),0)) %>% dplyr::filter(classif_credor =="Setor Privado")#resumo ufresumo_uf <- uf %>%group_by(ForaDF) %>%summarise(despesa=mean(despesa)) %>%mutate(prop=round(100*prop.table(despesa),0)) %>% dplyr::filter(ForaDF =="DF")# Exploratória das despesas pagas a empresas com ou sem empregadovalor.med.vinculos <- base_diff %>%filter(credor_GDF=="CredorGDF",is.na(setoreconomico)==F) %>% dplyr::select(cnpj,ano,credor_GDF,condicao_vinculos,despesa) %>%group_by(ano,condicao_vinculos) %>%summarise(Med.despesa=mean(despesa)) %>%spread(condicao_vinculos,Med.despesa) %>%ungroup()empresas_DF <- base_diff %>%group_by(ano,treated,setoreconomico) %>%summarise(GDF=sum(despesa,na.rm=T),salarios=sum(salario_total*13,na.rm=T),media.salarios=mean(salario_medio,na.rm=T),media.gdf_input=mean(gdf_input,na.rm=T),empresas=n())empresas_GDF <- base_diff %>%filter(treated==1) %>%group_by(ano,setoreconomico) %>%summarise(GDF=sum(despesa,na.rm=T),salarios=sum(salario_total*13,na.rm=T),media.salarios=mean(salario_medio,na.rm=T),media.gdf_input=mean(gdf_input,na.rm=T),empresas=n()) %>%group_by(ano) %>%mutate(GDF_pct=prop.table(GDF)) %>%ungroup()qtd_empr.ano <- despesa_gdf_analise %>% dplyr::select(cnpj,ano) %>%distinct() %>%count(ano) ```# Resumo {.unnumbered .tabset .tabset-pills}- A pesquisa utiliza dados da transparência do Governo do Distrito Federal (GDF) sobre as despesas efetivamente pagas pelo GDF, de 2016 a 2020, dados de geolocalização de endereços do IPEDF, dados de CNPJ da Receita Federal, dados da Relação Anual de Informações Sociais (RAIS) identificada. Dados financeiros foram calculados a preços de junho de 2022.- Analisamos as despesas do GDF associadas aos CNPJs cujo credor é do Setor Privado. Este estudo é pioneiro, pois mobiliza dados de diversas fontes, enfocando a unidade mais desagregada e tangível da efetivação do gasto público: os pagamentos realizados, discriminados por credor.- O objetivo é avaliar o papel do GDF como consumidor de bens e serviços através do mapeamento das despesas públicas. Identificamos o perfil de consumo do governo e como este pode fomentar a economia local do DF através de seu gasto.- Encontramos pouca variação no total de despesas pagas ao setor privado no período 2016 a 2020. No período analisado, as despesas com o Setor Privado foram em média de `r resumo_class_despesa %>% pull(despesa) %>% round(2)` bi por ano, o que representa, aproximadamente, `r resumo_class_despesa %>% pull(prop)`% da despesa total.- Sobre a distribuição por UF, constatamos que o GDF destina a maior parte de seus recursos para pagamento dos credores do próprio DF, em média, de `r resumo_uf %>% mutate(despesa=despesa/10^3) %>% pull(despesa) %>% round(2)` bi por ano, o que representa aproximadamente, `r resumo_uf %>% pull(prop)`% da despesa no Setor Privado período.- Sobre os padrões espaciais da distribuição dos pagamentos do GDF, há grande concentração no Plano Piloto, seguida de Taguatinga, Ceilândia, Guará e Samambaia, com pequena presença também em Gama, Sobradinho e pontos mais esparsos, como em Brazlândia e Planaltina. Há indicação de um vetor de desenvolvimento associado à saída sudoeste e sul da cidade.- Na comparação entre empresas do DF que receberam recursos do GDF e empresas que não receberam recursos, as que receberam são mais antigas e têm, em média, mais empregados. No setor de comércio essas diferenças são menores e no de construção são maiores.- De forma geral, as empresas que geram mais empregos também são as empresas que tendem a vender maiores valores ao Governo, a relação entre empregos e valores recebidos é positiva.- A partir da aplicação de um modelo estatístico de pareamento, que verifica se receber valores do GDF faz com que as empresas gerem mais empregos, encontramos evidências apontando em sentido opostos.- Nos biênios 2016-2017, 2017-2018 e 2018-2019, a exemplo de desenho similar feito em outro estudo para os períodos 2010-2011, 2011-2012, 2012-2013, 2013-2014 e 2014-2015, não foi encontrado esse efeito.- Entretanto, para o biênio 2019-2020, ano da pandemia, foi encontrado um efeito positivo em ser credor do GDF para a manutenção de empregos.## Instruções de uso {.unnumbered}<blockquote><p>O uso deste relatório interativo é intuitivo e simples. Passe o mouse sobre os gráficos para ver totais e porcentagens, clique as caixas de seleção para filtrar os dados por categorias específicas, clique em cores para destacar. Em caso de dúvidas acerca do uso da nota ou sobre o código-base que a gerou, entre em <ahref="mailto:frederico.bertholini@unb.br?Subject=nota%20despesas"target="_top">contato conosco </a>.</p></blockquote># IntroduçãoO objetivo deste trabalho é analisar a evolução, composição e espacialização das despesas e investimentos governamentais do Governo do Distrito Federal (GDF), no período de 2016 a 2020. Para tanto, foram utilizadas as informações das despesas emitidas pelo GDF neste período. Assim, analisamos o perfil do GDF como consumidor de bens e serviços, e de que maneira as compras públicas e convênios com recursos do GDF se distribuem entre UFs e dentro do Distrito Federal. Investigamos se o GDF tende a comprar mais de empresas privadas localizadas no próprio território do Distrito Federal e como essas compras se distribuem por esse mesmo território. Além disso, classificamos as despesas pelas características dos credores, a fim de entender em que áreas de sua atuação o GDF gasta mais recursos.Em economia, há uma larga discussão sobre a importância do gasto público com o crescimento econômico, com enfoque na relação existente entre gastos chamados "produtivos" (investimentos) e os ditos "improdutivos" (custeio). Contudo, poucos são os estudos que lançam olhar sobre a composição e espacialização dos gastos governamentais na tentativa de compreender como essas divisões podem estimular a atividade econômica. Além disso, a compreensão do custeio como improdutivo pode ser bastante questionada, uma vez que as compras do Estado, tanto de serviços como de produtos, pode e deve movimentar a economia local. Assim, tratamos os gastos públicos como elemento importante de fomento da economia, gerando riqueza e empregos na sociedade.Sob um cenário restritivo, como é o atual, entender como os gastos governamentais são realizados pode contribuir para a racionalização dos recursos, uma vez que as contenções de despesas são mandatórias nessa conjuntura. O estudo é inovador porque não observa as fases orçamentárias da despesa pública, como empenhamento, liquidação e pagamento, mas está centrado em como os recursos que o GDF coloca de volta no mercado, seja em investimento, seja em custeio, efetivamente se distribuem entre os agentes econômicos no espaço.# MétodoUtilizamos como fonte principal de informações as despesas pagas pelo GDF para o período de 2016 a 2020, disponibilizada no site da transparência. A maior parte do esforço metodológico para a produção deste relatório está relacionada ao processamento e compatibilização de dados oriundos de diversas fontes, em diferentes formatos. O propósito é garantir um formato acessível e descritivo dos dados, propondo e adotando formas de classificação e localização no espaço, tanto dos credores quanto despesas por eles recebidas.Como fontes auxiliares de informação, de modo a georreferenciar as informações, foram utilizadas bases públicas de endereçamento de CEP e o aplicativo Geocodigo, desenvolvido pelo IPEDF. Todos os cruzamentos entre as bases de dados se deu pelo número do CNPJ dos credores (código do credor), o qual foi padronizado em todas as bases para o tamanho de um CNPJ (14 dígitos numéricos) e validados pelo seu algoritmo de construção. Também utilizamos uma base pública de dados de CNPJ da Receita Federal, disponibilizada em seu site.Da base de estabelecimentos da RAIS, foram consideradas como empresas do DF todos os estabelecimentos cujo município de sede do cnpj respondente foi a Capital Federal. Os valores monetários foram atualizados pelo IPCA, para o mês de junho de 2022, tornando todos os valores comparáveis no período de análise. Uma vez que o a base de despesas continha pagamentos efetuados com recursos oriundos do Fundo Constitucional do Distrito Federal (FCDF) apenas em 2016, para que as informações fossem comparáveis não foram consideradas despesas emitidas com tal fonte de recursos. Dessa forma, os valores aqui apresentados podem não ser diretamente comparáveis outras fontes de informação, como o Portal da Transparência.O processo de harmonização das despesas totais do GDF resultou nos seguintes totais, a valores de junho de 2022:```{r}formattable(despesa_gdf_analise %>%group_by(ano) %>%summarise(despesa =round(sum(despesa,na.rm=T)/10^9,1)) %>%pivot_wider(names_from = ano,values_from = despesa) ,# formatter=(format(big.mark=".")),rownames = F,caption="Valores em bilhões de reais")hchart(height =200, despesa_gdf_analise %>%group_by(ano) %>%summarise(despesa =round(sum(despesa,na.rm=T)/10^9,1)),"spline",hcaes(y=despesa,x=ano)) %>%hc_title(text ="Despesas por ano - 2016-2020") %>%hc_subtitle(text ="Em bilhões de R$") %>%hc_xAxis(categories=c(2016:2020)) %>%hc_plotOptions(zoomtype ="x",spline=list(stacking=TRUE,marker=list(enabled=F))) %>%hc_tooltip(pointFormat ='<span style="color:{series.color}">{series.name}</span>: ({point.y:,.2f} bilhões)<br/>',crosshairs =TRUE, shared =TRUE) %>%hc_exporting(enabled =TRUE) %>%hc_add_theme(hc_theme_smpl())```## Identificação do tipo de credorA identificação dos tipos de credores foi realizada a partir da combinação das informações disponíveis nos códigos de Grupo da Despesa e nos códigos de credores dos dados da transparência.```{r}hchart(height =400, class_despesa,"area",hcaes(group=classif_credor,y=despesa,x=ano)) %>%hc_title(text ="Despesas por tipo de credor - 2016-2020") %>%hc_subtitle(text ="Em bilhões de R$") %>%hc_xAxis(categories=c(2016:2020)) %>%hc_plotOptions(zoomtype ="x",area=list(stacking=TRUE,marker=list(enabled=F))) %>%hc_tooltip(pointFormat ='<span style="color:{series.color}">{series.name}</span>: <b>{point.percentage:.1f}%</b> ({point.y:,.2f} bilhões)<br/>',crosshairs =TRUE, shared =TRUE) %>%hc_exporting(enabled =TRUE) %>%hc_add_theme(hc_theme_smpl())```A combinação destas duas classificações permitiu uma identificação mais adequada da combinação despesa-credor em 5 tipos: "Folha de Pagamento", "Pessoa Física","Governo e Setor Público", "Transferência de renda e Benefícios Sociais" e, por fim, "Setor Privado", que será o foco de nossa análise. Seguindo esta classificação, podemos identificar o total de recursos que, anualmente, o GDF dispende em despesas e qual a fatia destinada aos gastos no Setor Privado em comparação com outros credores do governo.## Georreferenciamento dos credoresNo que tange ao georreferenciamento das empresas, para todos os CNPJs que apareciam mais de uma vez nas bases adicionais, as coordenadas foram ajustadas para os pontos médios de suas distâncias. As variáveis de latitude e longitude foram construídas a partir dos dados de geolocalização produzidos pelo IPEDF.# Análise das Despesas emitidas ao Setor PrivadoNossa análise será restrita aos credores tipificados como entidades privadas que receberam recursos pela venda de algum tipo de produto ou prestação de serviço ao GDF entre 2016 e 2020. Estes diferentes credores estão distribuídos ao longo dos anos da seguinte forma:```{r}qtd_empr.ano <- despesa_gdf_analise_sub %>%select(cnpj,ano) %>%distinct() %>%group_by(ano) %>%summarise(empresas=n()) hchart(height =300, qtd_empr.ano,"column",hcaes(y=empresas,x=ano)) %>%hc_title(text ="Quantidade de empresas analisadas por ano 2016-2020") %>%hc_xAxis(categories=c(2016:2020)) %>%hc_plotOptions(zoomtype ="x",options =list(height =300)) %>%hc_legend(enabled =FALSE) %>%hc_tooltip(pointFormat ='<span style="color:{series.color}">Empresas</span>: <b>{point.y:,.0f}</b><br/>',crosshairs =TRUE, shared =TRUE) %>%hc_exporting(enabled =TRUE) %>%hc_add_theme(hc_theme_smpl())#plotSparkTable (sparkTab , outputType =" html " , filename =" t1 ")```## Localização das Empresas por UFPassando para a análise da UF de origem das empresas privadas, percebe-se que o GDF concentrou seus pagamentos por produtos ou serviços em empresas estabelecidas dentro do próprio Distrito Federal. Em média de `r resumo_uf %>% mutate(despesa=despesa/10^3) %>% pull(despesa) %>% round(2)` bilhões por ano, o que representa aproximadamente, `r resumo_uf %>% pull(prop)`% da despesa no Setor Privado no período.```{r}hchart(height =400, uf,"bar",hcaes(y=despesa,x=ano,group=ForaDF)) %>%hc_title(text ="Recursos por UF - 2016-2020") %>%hc_subtitle(text ="Em milhões de R$") %>%hc_xAxis(categories=c(2016:2020)) %>%hc_plotOptions(zoomtype ="x",bar=list(stacking="percent",marker=list(enabled=F))) %>%hc_tooltip(pointFormat ='<span style="color:{series.color}">{series.name}</span>: <b>{point.percentage:.1f}%</b> ({point.y:,.0f} milhões)<br/>',crosshairs =TRUE, shared =TRUE) %>%hc_exporting(enabled =TRUE) %>%hc_add_theme(hc_theme_smpl())```## Despesas correntes e despesas de capitalNo que diz respeito à categoria econômica da despesa, as despesas de capital com o Setor Privado entre 2016 e 2020 foram de `r cat_despesa %>% summarise(despesa = round(mean(despesa),2)) %>% dplyr::filter(categoria_economica == "Despesas de Capital") %>% pull(despesa)` bilhões anuais em média, o que representavam cerca de `r cat_despesa.prop %>% dplyr::filter(categoria_economica == "Despesas de Capital") %>% pull(Total)`% das despesas com esse tipo de credor. O volume de despesas correntes com o Setor Privado foi consideravelmente maior, `r cat_despesa %>% summarise(despesa = round(mean(despesa),2)) %>% dplyr::filter(categoria_economica == "Despesas Correntes") %>% pull(despesa)` bilhoes, ou `r cat_despesa.prop %>% dplyr::filter(categoria_economica == "Despesas Correntes") %>% pull(Total)`%, e não variou de forma significativa no período.```{r}hchart(height =300, cat_despesa,"column",hcaes(group=categoria_economica,y=despesa,x=ano)) %>%hc_title(text ="Categoria Econômica da Despesa") %>%hc_subtitle(text ="Em bilhões de R$") %>%hc_xAxis(categories=c(2016:2020)) %>%hc_plotOptions(zoomtype ="x",column=list(stacking="normal",marker=list(enabled=F))) %>%hc_tooltip(pointFormat ='<span style="color:{series.color}">{series.name}</span>: <b>{point.percentage:.1f}%</b> ({point.y:,.2f} bilhões)<br/>',crosshairs =TRUE, shared =TRUE) %>%hc_exporting(enabled =TRUE) %>%hc_add_theme(hc_theme_smpl())```## Função de Governo```{r}funcao_despesa.prop <- funcao_despesa.prop %>%arrange(desc(Total))```Dentre as funções que mais concentraram as despesas, estão `r funcao_despesa.prop[1,1]`, com `r funcao_despesa.prop[1,3]`%, `r funcao_despesa.prop[2,1]`, com `r funcao_despesa.prop[2,3]`% e `r funcao_despesa.prop[3,1]`, com `r funcao_despesa.prop[3,3]`%.```{r,eval=T}hchart(height =300, funcao_despesa,"column",hcaes(group=funcao,y=despesa,x=ano)) %>%hc_title(text ="Funções de Governo") %>%hc_subtitle(text ="Em milhões de R$") %>%hc_chart(type="column") %>%hc_xAxis(categories=2016:2020) %>%hc_plotOptions(zoomtype ="x",column=list(stacking="normal",marker=list(enabled=F))) %>%hc_tooltip(pointFormat ='<span style="color:{series.color}">{series.name}</span>: <b>{point.percentage:.1f}%</b> ({point.y:,.2f} bilhões)<br/>',crosshairs =TRUE, shared =TRUE) %>%hc_exporting(enabled =TRUE) %>%hc_add_theme(hc_theme_smpl()) ```## Um olhar para os mercados de compras públicas: Nível de concentração de mercado por Função de GovernoUm primeiro exercício de identificação dos mercados associados às Funções de Governo aponta que existem níveis de concentração bastante distintos e que essa concentração reage de forma diferente aos ciclos, de acordo com a Função. Mesmo entre funções importantes, como Saúde, Educação e Administração, é possível identificar comportamentos de mercado não homogêneos.```{r, echo=FALSE,warning=FALSE,message=FALSE}x1 <-c("{series.name}","Número efetivo de empresas", "Valor (milhões de R$)")y1 <-sprintf(c("","{point.y}","{point.z}"),c("funcao","NEE", "despesa"))tltip1 <-tooltip_table(x1, y1)hchart( concentracao %>% dplyr::filter(funcao %in% funcao_despesa$funcao ), "bubble", hcaes(x = ano, y = NEE, group = funcao,z=despesa)) %>%hc_title(text ="Número efetivo de empresas por Função de Governo, despesa e ano")%>%hc_xAxis(title ="") %>%hc_yAxis(min=0,title="Número") %>%hc_tooltip(useHTML =TRUE, headerFormat ="", pointFormat = tltip1)```Estes dados também permitem mapear a atividade econômica das empresas que vendem para o GDF. Um dos aspectos interessantes, ao se analisar individualmente as empresas com maiores volumes de Despesas, é que estão presentes aquelas ligadas a vigilância e segurança, alimentação, serviços gerais, saneamento e construtoras.Abaixo as 10 empresas que, em média, receberam mais recursos por ano no período:```{r}formattable(empresas_lideres %>%head(10) ,# formatter=(format(big.mark=".")),rownames = F,caption="Valores em milhões de reais")```# Identificação de padrões espaciaisUm dos aspectos mais interessantes do método empregado nesta nota é a possibilidade de identificação de padrões espaciais, a partir do mapeamento de credores do GDF que se encontram no território do Distrito Federal. Os pontos em vermelho representam uma empresa ou conjunto de empresas localizadas na mesma referência geográfica. É sempre importante lembrar, no entanto, que os dados de geolocalização dizem respeito às informações inseridas pelas empresas em seus registros, não havendo referência exata ao local de aplicação do recurso contratado pelo governo, algo ainda impossível de ser mapeado de forma sistematizada. As cores que vão de roxo a amarelo são manchas de calor dos pontos, ponderadas pelo valor da despesa, quanto mais amarelo, maior a concentração de recursos.## Evolução anual da mancha de credores {.tabset .tabset-pills}Ao se analisar a distribuição das Despesas dentro do território, percebe-se uma clara concentração na região central do Distrito Federal. Regiões como Plano Piloto, SIA, e Guará concentram as empresas com as quais o GDF mantém relação, tanto em quantidade, quanto em valores. Além dessas regiões, pode-se notar também uma boa concentração em Taguatinga, Ceilândia, Samambaia, Gama e Sobradinho, além de pontos mais esparsos em Brazlândia e Planaltina. Não houve mudanças significativas na mancha ao longo dos anos.```{r, echo=FALSE,warning=FALSE,message=FALSE,eval=T,include=F}# lendo dado mapadado_mapa <-read_rds("dado_mapa.rds")# lendo gg de base - objeto q usa shape e raster de brasiliamapa_gg <-read_rds("mapa_gg.rds")```::: panel-tabset### 2016 {.unnumbered}```{r, echo=FALSE,warning=FALSE,message=FALSE,eval=T}mapa_gg +geom_point(data=dado_mapa %>% dplyr::filter(ano==2016), aes(x=longitude, y=latitude,size=(despesa/10^6)),color="dark red", alpha=.5, ) +stat_density2d(data=dado_mapa %>% dplyr::filter(ano==2016), aes(x=longitude, y=latitude, fill=..level.., alpha=..level..,weight=despesa),geom="polygon") +scale_fill_viridis(option="inferno") +scale_alpha(range=c(0.2, 0.4), guide="none") +facet_wrap(vars(ano)) +coord_sf(crs =st_crs(4326)) +theme_nothing()```### 2017 {.unnumbered}```{r, echo=FALSE,warning=FALSE,message=FALSE,eval=T}mapa_gg +geom_point(data=dado_mapa %>% dplyr::filter(ano==2017), aes(x=longitude, y=latitude,size=(despesa/10^6)),color="dark red", alpha=.5, ) +stat_density2d(data=dado_mapa %>% dplyr::filter(ano==2017), aes(x=longitude, y=latitude, fill=..level.., alpha=..level..,weight=despesa),geom="polygon", size=2) +scale_fill_viridis(option="inferno") +scale_alpha(range=c(0.2, 0.4), guide="none") +facet_wrap(vars(ano)) +coord_sf(crs =st_crs(4326)) +theme_nothing()```### 2018 {.unnumbered}```{r, echo=FALSE,warning=FALSE,message=FALSE,eval=T}mapa_gg +geom_point(data=dado_mapa %>% dplyr::filter(ano==2018), aes(x=longitude, y=latitude,size=(despesa/10^6)),color="dark red", alpha=.5, ) +stat_density2d(data=dado_mapa %>% dplyr::filter(ano==2018), aes(x=longitude, y=latitude, fill=..level.., alpha=..level..,weight=despesa),geom="polygon", size=2) +scale_fill_viridis(option="inferno") +scale_alpha(range=c(0.2, 0.4), guide="none") +facet_wrap(vars(ano)) +coord_sf(crs =st_crs(4326)) +theme_nothing()```### 2019 {.unnumbered}```{r, echo=FALSE,warning=FALSE,message=FALSE,eval=T}mapa_gg +geom_point(data=dado_mapa %>% dplyr::filter(ano==2019), aes(x=longitude, y=latitude,size=(despesa/10^6)),color="dark red", alpha=.5, ) +stat_density2d(data=dado_mapa %>% dplyr::filter(ano==2019), aes(x=longitude, y=latitude, fill=..level.., alpha=..level..,weight=despesa),geom="polygon", size=2) +scale_fill_viridis(option="inferno") +scale_alpha(range=c(0.2, 0.4), guide="none") +facet_wrap(vars(ano)) +coord_sf(crs =st_crs(4326)) +theme_nothing()```### 2020 {.unnumbered}```{r, echo=FALSE,warning=FALSE,message=FALSE,eval=T}mapa_gg +geom_point(data=dado_mapa %>% dplyr::filter(ano==2020), aes(x=longitude, y=latitude,size=(despesa/10^6)),color="dark red", alpha=.5, ) +stat_density2d(data=dado_mapa %>% dplyr::filter(ano==2020), aes(x=longitude, y=latitude, fill=..level.., alpha=..level..,weight=despesa),geom="polygon", size=2) +scale_fill_viridis(option="inferno") +scale_alpha(range=c(0.2, 0.4), guide="none") +facet_wrap(vars(ano)) +coord_sf(crs =st_crs(4326)) +theme_nothing()```:::# Efeitos da despesa pública no número de empregados das empresas privadasUma das principais indagações a respeito do papel do governo nas sociedades é se a atuação pública é capaz de dinamizar a economia e estimular a criação de empregos. O objetivo deste trabalho é estimar os impactos dos recursos oriundos da compra de bens e serviços pelo Governo do Distrito Federal (GDF) nos empregos gerados pelo setor privado local. Para tanto, investigamos um conjunto de variáveis econômicas relevantes associadas às empresas com sede no DF e que são credoras do GDF -- como setor econômico, natureza jurídica, tempo de funcionamento da empresa -- e a características da sua força de trabalho -- como quantidade de empregos, massa salarial, média de salários. As características das empresas credoras do GDF com sede no DF são comparadas *vis-a-vis* as características das empresas do DF que não negociam com o Governo Distrital, a partir de exercícios exploratórios e descritivos. São realizadas comparações sobre setor, tamanho e salário médio entre empresas que têm ou não negócios com o GDF, por exemplo. Para estimar os impactos das compras do GDF no emprego local, utilizou-se o método de diferenças em diferenças combinado com um pareamento por escore de propensão, de modo a se formar grupos de comparação (entre credores e não-credores) mais homogêneos.```{r comparação entre RAIS e GDF, message=FALSE, warning=FALSE, include=FALSE}OrdBanc_despesa <- despesa_gdf_analise_sub %>%group_by(Ano=ano) %>%summarise(`Valor despesas GDF`=round(sum(despesa,na.rm=T)/1000000000,3),`Qtd. Empresas GDF`=accounting(n(),big.mark =".",format="fg"))rais_despesa <- base_diff %>%filter(is.na(setoreconomico)==F,treated==1) %>%group_by(Ano=ano) %>%summarise(`Valor despesas RAIS`=round(sum(despesa,na.rm=T)/1000000000,3),`Qtd. Empresas RAIS`=accounting(n(),big.mark =".",format="fg"))confere <-left_join(OrdBanc_despesa,rais_despesa) %>%mutate(`Dif. valor despesas`=`Valor despesas GDF`-`Valor despesas RAIS`,`Dif. qtd. empresas`=`Qtd. Empresas GDF`-`Qtd. Empresas RAIS`)dif_2015 <-1000*confere$`Dif. valor despesas`[5]```## Consistência dos dados {.unnumbered}Existe uma questão de consistência temporal entre a RAIS e o recebimento das despesas que merece ser mencionada. Nem sempre o valor da despesa recebido no ano $t_n$ se refere a um um produto ou serviço empenhados em $t_n$. É possível que uma empresa receba o valor da despesa em $t_n$, por um serviço realizado em $t_{n-1}$, e não esteja presente na RAIS no período em questão. Nesses casos, essa empresa não entra na análise, uma vez que as informações utilizadas da RAIS são cruzadas de acordo com o ano de recebimento da despesa. Além disso, nem todo CNPJ necessariamente irá declarar a RAIS.## Diferenças entre fontes {.unnumbered}```{r tabela de comparação, echo=FALSE, message=FALSE, warning=FALSE}detachPackage("plotly")above_avg_bold <-formatter("span", style = x ~style("font-weight"=ifelse(x >mean(x), "bold", NA)))formattable(confere,# formatter=(format(big.mark=".")),rownames = F,caption="Valores em bilhões de reais")```## Quantidade de empresas analisadas {.unnumbered}```{r empresas analisadas, echo=FALSE, message=FALSE, warning=FALSE}# Quantidade de empresas analisadas por anoempresas.ano <- base_diff %>%filter(is.na(setoreconomico)==F) %>%select(cnpj,ano,credor_GDF) %>%group_by(ano,credor_GDF) %>%summarise(n=n()) %>%spread(credor_GDF,n) %>%ungroup() %>%mutate(Total=CredorGDF+Outros,CredorGDF_pct=round(100*CredorGDF/Total,2),Outros_pct=round(100*Outros/Total,2))highchart(height =300) %>%hc_title(text ="Quantidade de empresas analisadas - 2016-2020") %>%hc_xAxis(categories=c(2016:2020)) %>%hc_yAxis_multiples(list(title =list(text ="Quantidade de Empresas"),align ="left",showFirstLabel =FALSE,showLastLabel =TRUE,labels =list(format ="{value}", useHTML =TRUE) ),list(title =list(text ="% do Total"),align ="right",showFirstLabel =FALSE,showLastLabel =TRUE,labels =list(format ="{value}"),opposite =TRUE ) ) %>%hc_add_series(type="column",data=empresas.ano$Outros,name="Não-credores do GDF") %>%hc_add_series(type="column",data=empresas.ano$CredorGDF,name="Credores do GDF") %>%hc_add_series(type="column",data=empresas.ano$Total,name="Total de Empresas do DF") %>%hc_add_series(type="spline",data=empresas.ano$CredorGDF_pct,name="% do total de empresas do DF", yAxis =1) %>%hc_plotOptions(zoomtype ="x",options =list(height =300)) %>%hc_legend(enabled =TRUE) %>%hc_tooltip(pointFormat ='<span style="color:{series.color}">{series.name}</span>: <b>{point.y:,.2f}</b><br/>',crosshairs =TRUE, shared =TRUE) %>%hc_exporting(enabled =TRUE) %>%hc_add_theme(hc_theme_smpl())# Nota-se que o número de empresas que declararam a RAIS e cuja sede era o DF cresceu durante todo o período, passando de `r empresas.ano[1,4]` em 2016 para `r empresas.ano[5,4]` em 2020. Dessas, apenas uma pequena fração, cerca de `r round(mean(empresas.ano$CredorGDF_pct),1)`%, eram credores do GDF (cerca `r round(mean(empresas.ano$CredorGDF),0)`, em termos absolutos).```## Caracterização das empresas do DF {.unnumbered .tabset .tabset-pills}Este trabalho pretende realizar uma comparação entre empresas credoras do GDF com sede no DF e as demais empresas com sede no DF. Antes de seguir às estimações, porém, é fundamental caracterizar o conjunto de empresas que serão analisadas. Esta seção discute as diferenças de perfil entre credoras do GDF e não credoras, por setor econômico da atividade, com relação a *tamanho* e *tempo de existência* das empresas.### Tamanho - quantidade de empregos {.unnumbered .tabset .tabset-pills}```{r,include=F}# Número de vínculos maior que zeroempresas.vinculos <- base_diff %>%filter(is.na(setoreconomico)==F) %>%select(cnpj,ano,credor_GDF,tamanho) %>%group_by(ano,credor_GDF) %>%summarise(pct_vinculos=100*mean(tamanho,na.rm=T)) %>%spread(credor_GDF,pct_vinculos)# Número de vínculos maior que zerosetor.vinculos <- base_diff %>%filter(is.na(setoreconomico)==F) %>%select(setoreconomico,ano,credor_GDF,tamanho) %>%group_by(setoreconomico,credor_GDF) %>%summarise(pct_vinculos=100*mean(tamanho,na.rm=T)) %>%spread(credor_GDF,pct_vinculos) %>%filter(setoreconomico!="Outros")``````{r,eval=F,out.height=200}highchart(height =300) %>%hc_title(text ="Porcentagem de empresas com pelo menos um empregado 2010-2014") %>%hc_subtitle(text ="Comparação entre Credores do GDF e não credores") %>%hc_xAxis(categories=c(2016:2020)) %>%hc_yAxis(title =list(text ="% com empregados"),align ="left",showFirstLabel =FALSE,showLastLabel =TRUE,labels =list(format ="{value}", useHTML =TRUE)) %>%hc_add_series(type="column",data=empresas.vinculos$CredorGDF,name="Credores do GDF") %>%hc_add_series(type="column",data=empresas.vinculos$Outros,name="Não-credores do GDF") %>%hc_plotOptions(zoomtype ="x",options =list(height =300)) %>%hc_legend(enabled =TRUE) %>%hc_tooltip(pointFormat ='<span style="color:{series.color}">{series.name}</span>: <b>{point.y:,.1f}%</b><br/>',crosshairs =TRUE, shared =TRUE) %>%hc_exporting(enabled =TRUE) %>%hc_add_theme(hc_theme_smpl())highchart(height =300) %>%hc_title(text ="Porcentagem de empresas com pelo menos um empregado 2010-2014") %>%hc_subtitle(text ="Comparação por setor") %>%hc_xAxis(categories=setor.vinculos$setoreconomico) %>%hc_yAxis(title =list(text ="% com empregados"),align ="left",showFirstLabel =FALSE,showLastLabel =TRUE,labels =list(format ="{value}", useHTML =TRUE)) %>%hc_add_series(type="column",data=setor.vinculos$CredorGDF,name="Credores do GDF") %>%hc_add_series(type="column",data=setor.vinculos$Outros,name="Não-credores do GDF") %>%hc_plotOptions(zoomtype ="x",options =list(height =300)) %>%hc_legend(enabled =TRUE) %>%hc_tooltip(pointFormat ='<span style="color:{series.color}">{series.name}</span>: <b>{point.y:,.1f}%</b><br/>',crosshairs =TRUE, shared =TRUE) %>%hc_exporting(enabled =TRUE) %>%hc_add_theme(hc_theme_smpl())```O primeiro passo descritivo é caracterizar as empresas analisadas quanto ao número de empregos ativos. A informação de empregos da RAIS é obtida a partir da soma de vínculos ativos ao final do ano. Nota-se que as empresas credoras do GDF têm mais vínculos ativos que as não credoras.### Empregados por setor {.unnumbered .tabset .tabset-pills}```{r, include=FALSE}trabalho <- base_diff %>%filter(is.na(setoreconomico)==F, setoreconomico!="Outros", setoreconomico!="Extração") %>% dplyr::select(setoreconomico,credor_GDF,vinculos) %>%mutate(porte =cut(vinculos,breaks =c(-Inf,10,50,100,Inf),labels =c("Micro","Pequena","Média","Grande"))) %>%group_by(setoreconomico,porte,credor_GDF) %>%summarise(n=n()) %>%ungroup() %>%mutate(setor_credor=paste(credor_GDF,setoreconomico,sep="_")) %>% dplyr::select(-credor_GDF,-setoreconomico) %>%spread(setor_credor,n) t <-as.data.frame(t(trabalho[,2:ncol(trabalho)]))names(t) <-c(trabalho$porte)t$var <-rownames(t)rownames(t) <-NULLta <- t %>%gather(porte,pct,1:4) %>%mutate(porte=factor(porte,levels=c(1,2,3,4),labels =c("Micro","Pequena","Média","Grande"))) %>%separate(var, into=c("Credor","Setor"), sep ="_", remove =FALSE)ta1 <- ta %>%filter(Credor=="CredorGDF")ta2 <- ta %>%filter(Credor!="CredorGDF")hchart(height =300, ta1,"bar",hcaes(group=porte,y=pct,x=Setor)) %>%hc_title(text ="Credores - Número de empregados 2010-2014") %>%hc_subtitle(text ="Em % do total") %>%hc_xAxis(categories=ta1$Setor) %>%hc_plotOptions(zoomtype ="x",bar=list(stacking="percent",marker=list(enabled=F))) %>%hc_tooltip(pointFormat ='<span style="color:{series.color}">{series.name}</span>: <b>{point.percentage:.1f}%</b> ({point.y:,.0f} empresas)<br/>',crosshairs =TRUE, shared =TRUE) %>%hc_exporting(enabled =TRUE) %>%hc_add_theme(hc_theme_smpl())hchart(height =300, ta2,"bar",hcaes(group=porte,y=pct,x=Setor)) %>%hc_title(text ="Não-credores - Número de empregados 2010-2014") %>%hc_subtitle(text ="Em % do total") %>%hc_xAxis(categories=ta2$Setor) %>%hc_plotOptions(zoomtype ="x",bar=list(stacking="percent",marker=list(enabled=F))) %>%hc_tooltip(pointFormat ='<span style="color:{series.color}">{series.name}</span>: <b>{point.percentage:.1f}%</b> ({point.y:,.0f} empresas)<br/>',crosshairs =TRUE, shared =TRUE) %>%hc_exporting(enabled =TRUE) %>%hc_add_theme(hc_theme_smpl())``````{r, message=FALSE, warning=FALSE, echo=FALSE}vinc.densidade <- base_diff %>%filter(is.na(setoreconomico)==F, vinculos>0,vinculos<500, setoreconomico!="Outros", setoreconomico!="Extração") %>%mutate(Credor=ifelse(credor_GDF=="CredorGDF","Sim","Não"),Setor=setoreconomico) %>% dplyr::select(Setor,ano,Credor,vinculos) yarrr::pirateplot(formula = vinculos ~ Credor+Setor,data = vinc.densidade,xlab ="",ylab ="Empregados (>0, <500)",main ="",pal="basel",point.bg=.3,point.o = .2,bar.f.col =.01)```A distribuição do número de empregos aponta que as empresas credoras do GDF tendem a ser maiores que as demais empresas. A mediana do número de empregos -- uma medida melhor que a média, por conta de alguns valores extremamente altos fora de padrão -- é superior entre as empresas que receberam recursos### Tempo de atividadeÉ interessante comparar o tempo de atividade dessas empresas, a fim de identificar se empresas credoras do GDF são mais novas ou mais antigas, em média, do que as demais. Cumpre ressaltar que estas distribuições são relativamente constantes ao longo do tempo, por isso optou-se por apresentar apenas as comparações por setor, já que há maior variabilidade dos dados nesta dimensão. ```{r,echo=F,warning=F,message=F}# Número de vínculos maior que zerosetor.tempo <- base_diff %>% dplyr::filter(is.na(setoreconomico)==F,idade>0) %>%select(setoreconomico,credor_GDF,tamanho,idade) %>%mutate(tamanho_credor=paste(credor_GDF,tamanho,sep="_")) %>%group_by(setoreconomico,tamanho_credor) %>%summarise(tempo=median(idade,na.rm=T)) %>%spread(tamanho_credor,tempo) %>%filter(setoreconomico!="Outros",setoreconomico!="Extração")highchart(height =300) %>%hc_add_series(type="column",data=setor.tempo$CredorGDF_1,name="Credores do GDF") %>%# hc_add_series(type="column",data=setor.tempo$CredorGDF_0,name="Credores do GDF - sem empregados") %>%hc_add_series(type="column",data=setor.tempo$Outros_1,name="Não-credores do GDF") %>%# hc_add_series(type="column",data=setor.tempo$Outros_0,name="Não-credores do GDF - sem empregados") %>%hc_title(text ="Tempo de existência em anos 2016-2020") %>%hc_subtitle(text ="Comparação por credores e existência de empregados") %>%hc_xAxis(categories=setor.tempo$setoreconomico) %>%hc_yAxis(title =list(text ="Anos de existência"),align ="left",showFirstLabel =FALSE,showLastLabel =TRUE,labels =list(format ="{value}", useHTML =TRUE)) %>%hc_plotOptions(zoomtype ="x",options =list(height =300)) %>%hc_legend(enabled =TRUE) %>%hc_tooltip(pointFormat ='<span style="color:{series.color}">{series.name}</span>: <b>{point.y:,.1f} anos</b><br/>',crosshairs =TRUE, shared =TRUE) %>%hc_exporting(enabled =TRUE) %>%hc_add_theme(hc_theme_smpl())```Fica nítido, a partir da comparação de tempo de existência que, no geral, as empresas credoras do GDF tendem a ser mais longevas do que as não credoras e que especialmente as credoras com empregados têm tempo de vida maior.### Data de Inicio da atividadeA comparação entre a a data de início da atividade das empresas dá suporte adicional à conclusão de que as empresas credoras do GDF são mais antigas, no geral, do que as demais.```{r}base_diff %>% dplyr::select(cnpj,data_inicio_atividade,credor_GDF) %>%distinct() %>%mutate(mes_inicio_atividade =floor_date(data_inicio_atividade, "quarter"),ano_inicio_atividade =floor_date(data_inicio_atividade, "year") ) %>% dplyr::filter(mes_inicio_atividade >"1950-01-01", mes_inicio_atividade <"2021-12-31") %>%count(ano_inicio_atividade,credor_GDF) %>%mutate(mes_inicio_atividade = ano_inicio_atividade) %>% dplyr::filter(year(mes_inicio_atividade) >1950,year(mes_inicio_atividade) <2019) %>%ggplot(aes(x = mes_inicio_atividade, y = n,color=credor_GDF)) +geom_line(size =1) +theme_minimal(14) +scale_x_date(breaks = scales::date_breaks("3 year"),labels = scales::date_format("%Y")) +# scale_y_continuous(limits = c(0, 800)) +labs(x ="Ano de início das atividades",y ="Quantidade de empresas") +facet_grid(rows =vars(credor_GDF),scales ="free_y") +theme(axis.text.x =element_text(angle =45, hjust =1),panel.grid.minor.x =element_blank(),legend.position ="none")```## Efeito da despesa pública no emprego privado: distribuição do tratamentoEsta seção trata apenas das empresas credoras do GDF identificadas na RAIS, as quais receberam recursos em troca da venda de algum produto ou serviço. Para efeito da comparação que se pretende realizar, estes recursos estão sendo entendidos como uma espécie de "tratamento", para o qual se verificará efeito sobre a quantidade de empregos.### Distribuição de recursos por setorÉ fundamental, em primeiro lugar, entender como funciona a distribuição dos recursos por setor econômico, dentro do total de pagamentos por bens e serviços contratados junto ao setor privado pelo governo local.```{r,echo=F,warning=F,message=F}setor.despesa <- base_diff %>%filter(credor_GDF=="CredorGDF",is.na(setoreconomico)==F) %>% dplyr::select(setoreconomico,despesa,ano) %>%group_by(setoreconomico,ano) %>%summarise(despesa=round(sum(despesa,na.rm=T)/10^9,3)) %>%arrange(ano)setor_ordem <- setor.despesa %>%group_by(setoreconomico) %>%summarise(despesa=sum(despesa,na.rm=T)) %>%mutate(prop=round(100*prop.table(despesa),0)) %>%arrange(desc(prop))hchart(height =300, setor.despesa,"column",hcaes(group=setoreconomico,y=despesa,x=ano)) %>%hc_title(text ="Valor das Despesas por setor-ano") %>%hc_subtitle(text ="Em bilhões de R$") %>%hc_chart(type="column") %>%hc_xAxis(categories=levels(as.factor(setor.despesa$ano))) %>%hc_plotOptions(zoomtype ="x",column=list(stacking="normal",marker=list(enabled=F))) %>%hc_tooltip(pointFormat ='<span style="color:{series.color}">{series.name}</span>: <b>{point.percentage:.1f}%</b> ({point.y:,.2f} bilhões)<br/>',crosshairs =TRUE, shared =TRUE) %>%hc_exporting(enabled =TRUE) %>%hc_add_theme(hc_theme_smpl()) ```O setor de `r setor_ordem[1,1]` é consistentemente o setor mais importante das despesas públicas do GDF, com cerca de `r setor_ordem[1,3]`% do total de Despesas. `r setor_ordem[2,1]` é o segundo setor mais relevante e também tem percentual relativamente estável ao longo do período, em torno de `r setor_ordem[2,3]`%. `r setor_ordem[3,1]` se situa em torno de `r setor_ordem[3,3]`% e `r setor_ordem[4,1]`, `r setor_ordem[4,3]`%. A extração é irrelevante, menos 0,1% em média, até mesmo por isso, não será objeto de análise.### Relação entre recursos recebidos e tamanho da empresa {.tabset .tabset-pills}Para verificar a relação entre recursos recebidos e tamanho da empresa, optou-se por limitar a análise da relação entre o recursos recebidos do GDF e a quantidade de empregos gerados aos quatro maiores setores econômicos, quais sejam, serviços, comércio, construção e indústria. A quantidade de empresas por ano no setor de extração e nos setores sem classificação eram menores que dez e os valores envolvidos substantivamente inferiores aos dos quatros principais setores.::: panel-tabset### Curvas ajustadas - dispersão {.unnumbered .tabset}```{r scatter de emprego-despesa por setor ,echo=F,warning=F,message=F}trabalho.despesa <- base_diff %>%filter(credor_GDF=="CredorGDF",is.na(setoreconomico)==F,#tamanho==1, setoreconomico!="Extração") %>%mutate(porte =cut(vinculos,breaks =c(-Inf,10,50,100,Inf),labels =c("Micro","Pequena","Média","Grande"))) %>%group_by(cnpj,setoreconomico,ano,porte) %>%summarise(log_valor =log(sum(as.numeric(despesa),na.rm=T)),log_trabalho =log(sum(as.numeric(vinculos),na.rm=T)),valor =round(sum(as.numeric(despesa),na.rm=T)/1000,2),trabalho =sum(as.numeric(vinculos),na.rm=T)) %>%ungroup() %>%mutate(trabalho=ifelse(trabalho>500,500,trabalho))trabalho.despesa %>%ggplot(aes(y=log_valor,x=trabalho,color=ano))+geom_point(alpha=0.0) +stat_smooth(method ="loess",se = T,size=1,alpha =0.1,linetype=1) +# scale_color_brewer(palette="Reds") + facet_wrap(vars(setoreconomico)) +labs(x="Empregos",y="Valor despesa (log)") + ggthemes::theme_hc(base_family ="Arial") +theme(legend.title=element_blank()) ```### Densidade {.unnumbered .tabset}```{r densidade emprego-despesa por setor,echo=F,warning=F,message=F}ggplot(data=trabalho.despesa,aes(x=log_valor,fill=porte))+geom_density(alpha=0.4,size=0) +# scale_fill_brewer(palette="Set2") + xlab("Valor despesa (log)") +ylab("")+facet_wrap(~setoreconomico) +# facet_wrap(~ano) + ggthemes::theme_hc(base_family ="Arial") +theme(legend.title=element_blank()) ``````{r bins de emprego-despesa ,include=F}despesa.emprego.setor.ano <- base_diff %>%filter(credor_GDF=="CredorGDF",is.na(setoreconomico)==F, setoreconomico!="Outros", setoreconomico!="Extração") %>% dplyr::select(setoreconomico,vinculos,despesa,ano) %>%mutate(porte =cut(vinculos,breaks =c(-Inf,10,50,100,Inf),labels =c("Micro","Pequena","Média","Grande"))) despesa.emprego.ano <- despesa.emprego.setor.ano %>%group_by(porte,ano) %>%summarise(despesa=sum(despesa,na.rm=T)/1000000) %>%ungroup() %>% tidyr::spread(ano,despesa) despesa.emprego.setor <- despesa.emprego.setor.ano %>%group_by(porte,setoreconomico) %>%summarise(despesa=sum(despesa,na.rm=T)/1000000) %>%ungroup() %>% tidyr::spread(setoreconomico,despesa) t <-as.data.frame(t(despesa.emprego.ano[,2:ncol(despesa.emprego.ano)]))names(t) <-c(despesa.emprego.ano$porte)t$var <-rownames(t)rownames(t) <-NULLta <- t %>%gather(porte,pct,1:4) %>%mutate(porte=factor(porte,levels=c(1,2,3,4),labels =c("Micro","Pequena","Média","Grande"))) ``````{r ,eval=F}hchart(height =250, ta,"bar",hcaes(group=porte,y=pct,x=var)) %>%hc_subtitle(text ="Em % do total acumulado no ano") %>%hc_xAxis(categories=ta$var) %>%hc_plotOptions(zoomtype ="x",bar=list(stacking="percent",marker=list(enabled=F))) %>%hc_tooltip(pointFormat ='<span style="color:{series.color}">{series.name}</span>: <b>{point.percentage:.1f}%</b> ({point.y:,.0f} milhões)<br/>',crosshairs =TRUE, shared =TRUE) %>%hc_exporting(enabled =TRUE) %>%hc_add_theme(hc_theme_smpl())t <-as.data.frame(t(despesa.emprego.setor[,2:ncol(despesa.emprego.setor)]))names(t) <-c(despesa.emprego.setor$porte)t$var <-rownames(t)rownames(t) <-NULLtb <- t %>%gather(porte,pct,1:4) %>%mutate(porte=factor(porte,levels=c(1,2,3,4),labels =c("Micro","Pequena","Média","Grande")),pct=pct/5)hchart(height =250, tb,"bar",hcaes(group=porte,y=pct,x=var)) %>%hc_subtitle(text ="Em % da média anual 2010-2014") %>%hc_xAxis(categories=tb$var) %>%hc_plotOptions(zoomtype ="x",bar=list(stacking="percent",marker=list(enabled=F))) %>%hc_tooltip(pointFormat ='<span style="color:{series.color}">{series.name}</span>: <b>{point.percentage:.1f}%</b> ({point.y:,.0f} milhões)<br/>',crosshairs =TRUE, shared =TRUE) %>%hc_exporting(enabled =TRUE) %>%hc_add_theme(hc_theme_smpl())```:::## {.unnumbered}No gráfico das curvas ajustadas a partir da dispersão o eixo x é a quantidade de empregos e o eixo y é o log das despesas. Pode-se inferir, pelos gráficos acima, que a relação entre tamanho da empresa e valor recebido é, de forma geral, positiva. Ou seja, as empresas que geram mais empregos também são as empresas que tendem a vender maiores valores ao Governo. Quando observados períodos de tempo específicos para alguns setores, pode-se concluir que esta relação, embora seja válida no geral, não é consistente o suficiente por período-setor para ser generalizada.Os gráficos de densidade apresentam informação similar, porém para o agregado do período e desconsiderando empresas sem vínculos. As cores sob as áreas representam o tamanho da empresa. Quanto mais a densidade da área está à direita, maior a concentração de valores recebidos, ou seja, valores maiores, quanto mais à esquerda, menores os valores. É possível identificar o mesmo movimento geral depreendido das curvas ajustadas, empresas maiores tendem a receber mais.## Testando hipóteses: qual o impacto do GDF no mercado de trabalho? {.tabset .tabset-pills}Para estimar o impacto de se receber valores do GDF na geração de empregos, utilizou-se o método de diferenças em diferenças, combinado com um pareamento por escore de propensão. Foi testado se as empresas que não receberam valores do GDF em um ano, mas passaram a receber no período subsequente, terminam o período com mais empregados vinculados à empresa. O grupo de comparação foi composto pelas empresas que não receberam valores do GDF em ambos os períodos.O objetivo de se fazer um pareamento foi tornar os dois grupos de empresas o mais parecido possível em suas características observáveis. Como as empresas que recebem valores do governo local podem ser consideravelmente diferentes daquelas que não recebem, procurou-se encontrar um grupo mais comparável. As características das empresas utilizadas para o pareamento foram: a média salarial, o tempo de funcionamento da empresa, se ela é a matriz e o setor de comparação. Tal pareamento foi aplicado no período em que nenhuma empresa recebia valores do GDF.Uma vez que podem existir características não observáveis das empresas que afetam a chance de ela negociar com o GDF, e.g. a capacidade gerencial, somente realizar o pareamento em características observáveis é eventualmente insuficiente para tornar ambos os grupos comparáveis. Partindo do pressuposto de que todas as características não observáveis dessas empresas são fixas no tempo, com o método de diferenças em diferenças essa questão é levada em consideração.Esse método consiste em calcular a diferença do número no período para os dois grupos de empresas (credores e não credores do GDF) e, então, calcular a diferença dessas diferenças, testando para a significância estatística desse resultado. As características não observáveis e fixas no tempo são anuladas ao se realizar as diferenças.## Estimação {.unnumbered}```{r, echo=FALSE, message=FALSE, warning=FALSE,eval=T,fig.height=3}ggplot(did_reg, aes(estimate, ano, color = ano)) +geom_point() +geom_errorbarh(aes(xmin = conf.low, xmax = conf.high),height =0, size=1.5) +geom_vline(xintercept=0) +xlab("Efeito") +ylab("") + ggthemes::theme_hc(base_family ="Arial") +theme(legend.title=element_blank(),legend.position ="none") ```## Tratamento e controle {.unnumbered .tabset}::: panel-tabset### 2016-2017 {.unnumbered}```{r,eval=T}amostra_2016_2017 <-read_rds("amostra_2016_2017.rds")amostra_2017_2018 <-read_rds("amostra_2017_2018.rds")amostra_2018_2019 <-read_rds("amostra_2018_2019.rds")amostra_2019_2020 <-read_rds("amostra_2019_2020.rds")formattable(amostra_2016_2017)```### 2017-2018 {.unnumbered}```{r, eval=T}formattable(amostra_2017_2018)```### 2018-2019 {.unnumbered}```{r,eval=T}formattable(amostra_2018_2019)```### 2019-2020 {.unnumbered}```{r, eval=T}formattable(amostra_2019_2020)```:::# {.unnumbered}Os gráficos e tabelas acima mostram o resultado do exercício realizado para cada par de anos no período de 2016 a 2020. Os resultados mostram que, de modo geral, o pareamento conseguiu produzir grupos mais semelhantes de empresas em todas as características elencadas. A aplicação das diferenças em diferenças à amostra pareada mostrou que passar a receber valores de despesas do GDF não faz com que as empresas terminem o ano com um número mais elevado de empregados que aquelas que não receberam valores. Apenas no biênio 2019-2020, ano de pandemia, houve diferença significativa no número de empregos. Todavia, essa análise é focada no ano em que a empresa recebe o valor da despesa, não sendo possível avaliar se o ato de fechar o compromisso de venda de bens ou serviços para o governo pode elevar a quantidade de empregos. Outra questão não verificada nessa análise é se o volume de recursos recebido faz diferença, uma vez que o resultado somente foi apresentado para a média dos valores.# Recomendação de políticas públicasO caráter descritivo e analítico deste trabalho, menos associado a uma política pública específica e mais geral, sobre despesas,, enseja sugestões relacionadas com o uso e apresentação dos dados, especialmente por parte do GDF. É fundamental, mais uma vez, elogiar o esforço governamental para produzir e disponibilizar dados de fácil acessibilidade para sociedade e academia. Ainda assim, seria interessante rever algumas práticas e implementar melhorias, tais como:- É fundamental disponibilizar aos cidadãos informações orçamentárias padronizadas. - É necessário guardar a consistência de dados com níveis de agregação diferentes. - Acessibilidade compreende não apenas a possibilidade de baixar dados com diferentes dimensionalidades a qualquer tempo, mas também a certeza de que não haverá problemas de leitura com estes dados. - Seria importante envidar esforços no sentido de permitir aos cidadão entender como a despesa é localizada no território
