• http://dx.doi.org/10.18235/0013861

Naranjo, Sandra, et al. (2025). Código de Exemplo para: Criação de Indicadores da Folha de Pagamento Pública: Um Guia Metodológico. Dados Abertos do BID. https://doi.org/10.60966/6x55ayx4

1. Espanhol

O que é isto? É um arquivo de dados (por exemplo, um CSV)?

Em vez de um conjunto de dados estático, trata-se de um kit de ferramentas metodológicas: um projeto completo em R formado por vários scripts. A função deles é receber dados brutos de folha de pagamento pública, depurá-los, padronizá-los e, ao final, gerar um conjunto de indicadores-chave de desempenho (KPIs) prontos para análise.

Qual é o público-alvo deste conjunto de ferramentas?

** Este projeto é destinado a dois públicos principais: * Analistas de dados: Analistas proficientes em R no governo, na academia ou na sociedade civil que possam executar os scripts para processar dados brutos de folha de pagamento e explorar a metodologia. * Formuladores de políticas: Autoridades que precisam entender os tipos de indicadores que podem ser gerados (como tendências da massa salarial, rotatividade e lacunas salariais) para fundamentar a gestão e a reforma do setor público.

Do que preciso para executar este projeto?

** Você precisará de: 1. R e RStudio. 2. As bibliotecas R listadas no script 00_global.R (por exemplo, tidyverse, data.table, fixest). 3. Arquivos de dados brutos de folha de pagamento. Os scripts estão configurados para procurar arquivos .csv brutos (por exemplo, country_planta.csv, country_contrata.csv, country_honorarios.csv) como entrada inicial.

Quais indicadores-chave de desempenho (KPIs) da folha de pagamento posso calcular com este conjunto de ferramentas?

** Os scripts são estruturados para gerar uma ampla gama de indicadores. As principais categorias incluem: * Massa salarial e remuneração: Crescimento da massa salarial, remuneração média, compressão salarial (por exemplo, os 10% superiores versus os 10% inferiores) e composição da remuneração (por exemplo, salário base versus bônus). * Emprego: Crescimento do quadro de pessoal e números totais de emprego, calculados usando a lógica de Equivalente a Tempo Integral (ETI). * Rotatividade e mobilidade: Rotatividade de funcionários (contratações e desligamentos) para o setor público como um todo e dentro de organizações específicas. * Promoções: Progressão na carreira, incluindo taxas de promoção e promoções a cargos de nível executivo/diretor. * Equidade salarial: Análise detalhada da lacuna salarial de gênero.

Como este conjunto de ferramentas me ajuda a calcular a lacuna salarial de gênero?

** O conjunto de ferramentas oferece uma abordagem robusta em várias etapas: 1. Atribuição de gênero: Primeiro limpa e atribui um gênero a cada registro de funcionário com base nos primeiros nomes usando um dicionário dedicado (genero_comprimido). 2. Lacuna bruta (não ajustada): O script principal de indicadores (11_crear_indicadores.R) calcula a lacuna salarial bruta. Faz isso dividindo o salário masculino médio pelo salário feminino médio para um determinado grupo (por exemplo, por organização ou nível). 3. Lacuna ajustada (modelada): Para uma análise mais avançada, um script separado (12_limpiar_indicadores.R) usa modelagem de regressão (feols). Calcula a lacuna “ajustada” medindo o efeito do gênero sobre a remuneração depois de controlar outros fatores-chave, como nível (grado), região e tipo de contrato (contract_type_dummy).

Como o projeto está estruturado?

** O projeto segue um pipeline sequencial claro: * Scripts 00-02: Configuram o ambiente global, convertem os dados .csv brutos e combinam os arquivos. * Scripts 03-07: Realizam limpeza e padronização profundas em todas as colunas, incluindo organizações, gênero, cargos e IDs únicos de funcionário. * Scripts 08-09: Constroem as variáveis-chave de indicadores, especificamente para promoções e rotatividade. * Scripts 10-12: Finalizam o conjunto de dados, calculam todos os indicadores usando uma função de resumo e modelam indicadores específicos como a lacuna salarial de gênero ajustada.

Como os scripts definem a “rotatividade”?

** A rotatividade é calculada em 09_limpiar_rotacion.R. Uma “contratação” (id_appear) é identificada como a primeira vez que um ID único de funcionário aparece nos dados, ou se houver um intervalo de mais de um ano em seu registro. Um “desligamento” (id_disappear) é identificado como o último mês em que um ID de funcionário aparece, desde que não seja o fim do conjunto de dados ou que se siga um intervalo de mais de 1 ano. Os scripts calculam isso tanto para todo o setor público quanto para organizações individuais.

Qual é a definição geralmente aceita da lacuna salarial de gênero e como ela é medida?

Este conjunto de dados não fornece uma definição textual da lacuna salarial de gênero. No entanto, oferece dois scripts R distintos para sua medição: 1. Lacuna não ajustada: O script 11_crear_indicadores.R calcula uma lacuna bruta, não ajustada, comparando a remuneração média de homens e mulheres (por exemplo, value[genero == 'hombre']/value[genero == 'mujer'] - 1). 2. Lacuna ajustada: O script 12_limpiar_indicadores.R calcula uma lacuna ajustada executando um modelo de regressão (feols) para medir o efeito do gênero sobre a remuneração depois de controlar outros fatores como nível do funcionário (grado), região e tipo de contrato.

Você pode esclarecer a distinção entre os valores 'não ajustado' e 'ajustado' da lacuna salarial de gênero?

** Sim. Este conjunto de ferramentas fornece a metodologia para calcular ambas: * Uma lacuna “não ajustada” (ou bruta) é calculada no script 11_crear_indicadores.R. É uma comparação direta da remuneração média de homens e mulheres (por exemplo, fmean(pago_bruto[genero == 'hombre'])/fmean(pago_bruto[genero == 'mujer'])) sem considerar qualquer outro fator. * Uma lacuna “ajustada” é calculada no script 12_limpiar_indicadores.R. Esse método usa um modelo de regressão (feols) para isolar o efeito do gênero sobre a remuneração, controlando estatisticamente outras variáveis que influenciam o salário, como nível do funcionário (grado), região e tipo de contrato (contract_type_dummy).

Quais são as métricas de desempenho essenciais para os departamentos de folha de pagamento?

** Este conjunto de ferramentas é projetado para gerar uma base de dados final e limpa (country_full_final) a partir da qual várias métricas de desempenho essenciais podem ser derivadas. O script 11_crear_indicadores.R mostra a metodologia para calcular KPIs em categorias como: * Massa salarial e custo: Despesa total de folha de pagamento, folha como proporção do PIB e folha como proporção da despesa do governo. * Emprego: Número total de funcionários (quadro de pessoal) e Equivalentes a Tempo Integral (ETIs). * Equidade e compressão salarial: Lacunas salariais de gênero (ajustadas e não ajustadas) e índices de compressão salarial (por exemplo, remuneração média dos 10% superiores versus os 10% inferiores). * Rotatividade e mobilidade: Taxas anuais de contratação e de desligamento, calculadas para todo o setor público e em nível de organização individual. * Progressão na carreira: Taxas de promoção de funcionários, incluindo promoções a cargos de nível de diretor. * Operações de folha de pagamento: Número de pagamentos múltiplos por funcionário por mês (calculado em 10_limpiar_final.R).