index.Rmd

---
title: "Relatórios Gerenciais"
subtitle: "Servidores classificados por gênero"
#date: "`r format(Sys.time(), '%d de %B %Y')`"
output:
  prettydoc::html_pretty:
    fig_caption: true
    css: "style.css"
    theme: Tactile
    highlight: github
    toc: true # ou yes
vignette: >
  %\VignetteIndexEntry{Vignette Title}
  %\VignetteEngine{knitr::rmarkdown}
  %\VignetteEncoding{UTF-8}
---

## 1. Sumário Executivo



Segundo o disposto na Convenção nº 111 da Organização Internacional do Trabalho (OIT), toda distinção, exclusão ou preferência fundada na raça, cor, sexo, religião, opinião política, ascendência nacional ou origem social que tenha por efeito destruir ou alterar a igualdade em matéria de emprego ou profissão é ato discriminatório. Não sendo consideradas discriminatórias, no entanto, as distinções, exclusões ou preferências fundadas em qualificações exigidas para um determinado emprego. 

 

Alcançar a igualdade de gênero não é um processo de curto prazo. Exige grande vontade política e um esforço conjunto por parte de governos, sociedade civil, organismos internacionais e outros, porém as reformas legais e regulatórias podem ter um papel fundamental e ser um importante primeiro passo, conforme disposto em artigo do Banco Mundial.  

 

A Constituição Federal (CF) buscando promover a igualdade entre homens e mulheres dispõe que constituem objetivos fundamentais da República Federativa do Brasil: promover o bem de todos, sem preconceitos de origem, raça, **sexo**, cor, idade e quaisquer outras formas de
discriminação (inciso IV do artigo 3º). Cabe mencionar ainda que em seu
artigo 5º a Constituição menciona que todos são iguais perante a Lei,
sem distinção de qualquer natureza, sendo homens e mulheres iguais em
direitos e obrigações (inciso I).

A seguir, cabe mencionar ainda o disposto no artigo 7º da CF que assim
dispõe:

> _"Art. 7º São direitos dos trabalhadores urbanos e rurais, além de_
> _outros que visem à melhoria de sua condição social: (...)_
>
> _XXX - **proibição** de diferença de salários, de exercício de funções e de_
> _critério de admissão por motivo de **sexo**, idade, cor ou estado civil;"_
> _(Grifo nosso)_

Tais dispositivos não deixam dúvidas quanto à importância que é dada ao
princípio da Igualdade, sendo considerado como um dos pilares do Estado
Democrático de Direito, que busca repelir a discriminação e o tratamento
desigual entre os cidadãos. A Constituição ratifica esse princípio por
meio de várias normas, algumas diretamente determinadoras da igualdade,
outras buscando a equidade entre os desiguais mediante a concessão de
direitos sociais fundamentais.

## 2. Dados

$\blacktriangleright$ **Servidores ativos classificados por sexo**

No serviço público, a ocupação de cargos no serviço público por mulheres
têm se mantido estável ao longo do tempo. A seguir, podemos observar o
quantitativo de servidores ativos separados por sexo no Poder Executivo
Federal Civil.

```{r echo=FALSE, warning=FALSE, message=FALSE, fig.align='center'}
library(tidyverse)
#dados <- read_excel("dados/dados.xlsx") 

df <- readr::read_delim("Y:/PEP/PEP_reload/PEP_qvd_InOutrasFontes/Fontes_CSV/Infograficos/Servidores.csv", 
    delim = ";", escape_double = FALSE, trim_ws = TRUE)



#df |> glimpse()

# Filtrar `Mês-Ano Servidores que iniciam com Dez 

#q: como filtrar um texto que inicia com um "DeZ" e termina com um número de 2010 a 2023
#r: df |> dplyr::filter(grepl("^DeZ.*[0-9]{4}$", `Mês-Ano Servidores`))

# Carregue a biblioteca lubridate
library(lubridate)

# Obtenha a data atual
data_atual <- Sys.Date()


# Subtrai um mês da data atual
data_mes_anterior <- data_atual %m-% months(2)

# Formate o mês como três letras iniciais com a primeira letra em maiúscula e ano com quatro dígitos

#q: como formatar uma data para mês como três letras iniciais com a primeira letra em maiúscula e ano com quatro dígitos

#mes_anterior_abreviado <- "Mar 2024"

mes_anterior_abreviado <- format(data_mes_anterior, "%b %Y") |> stringr::str_to_title()

df <-  df |> dplyr::filter(grepl("^[Dd]ez.*", `Mês-Ano Servidores`) | `Mês-Ano Servidores` == mes_anterior_abreviado) |> 
  dplyr::arrange(`Ano Servidores`) |> 
  dplyr::select(`Ano Servidores`, `Sexo (Servidores)`, TotalVinculos) |> 
  tidyr::pivot_wider(names_from = `Sexo (Servidores)`, values_from = TotalVinculos) |> 
  dplyr::rename(Homens = "Mas", Mulheres = "Fem") 
 
 # Criar uma nova coluna com o total de servidores (Homens + Mulheres) e a porcentagem de mulheres e homens
 
df <- df |> dplyr::mutate(Total = Homens + Mulheres) |> 
  dplyr::mutate(`% Mulheres` = (Mulheres / Total) , `% Homens` = (Homens / Total) ) |> 
  dplyr::rename(Ano = `Ano Servidores`) 

# formatar % Mulheres e % Homens para percentual
 
library(formattable)
library(scales)

library(dplyr)
library(scales)

df %>%
  mutate( `% Mulheres` = scales::percent(`% Mulheres`, accuracy = 0.1),
           `% Homens` = scales::percent(`% Homens`, accuracy = 0.1),
           Homens = comma(Homens, decimal.mark = ",", big.mark = "."),
           Mulheres = comma(Mulheres, decimal.mark = ",", big.mark = "."),
           Total = comma(Total, decimal.mark = ",", big.mark = ".")) |>
  knitr::kable(caption = 'Tabela 1. Comparativo dos servidores por sexo')
```



Com base nos dados do gráfico, podemos observar um índice médio em torno
de 45,3% em relação ao quantitativo de mulheres ocupantes de cargos no
serviço público, enquanto o percentual de homens gira em torno de 54,6%
da força de trabalho total. No período de 2010 a 2018, o percentual de
mulheres cresceu pouco, totalizando um aumento de 1,4%, tendo ocorrido
uma queda nos anos de 2019, 2020, 2021 e 2022 de 1,1% em relação ao ano
de 2018.

```{r Percentual, echo=FALSE, message=FALSE, warning=FALSE, fig.align='center'}
library(tidyverse)
library(echarts4r)
library(lubridate)
library(readxl)
e_common(font_family = "helvetica", theme = "westeros")
grafico1 <- readxl::read_excel("dados/dados.xlsx", sheet = "Planilha7")
formatar_numero_br <- function(serie) {
  htmlwidgets::JS(
    glue::glue(
      "function(params) {return Intl.NumberFormat('pt-BR', { style: 'decimal'}).format(params.value[{{serie}}]);}",
      .open = "{{",
      .close = "}}"
    )
  )
}
  

df  |> mutate(Ano = as.character(Ano)) |>
  e_charts(x = Ano, timeline = FALSE)  |>  
#  e_bar(Homens, legend = FALSE) |> 
#  e_bar(Mulheres, legend = FALSE) |> 
  e_line(`% Mulheres`, y_index = 0, legend = FALSE) |> 
  e_line(`% Homens`, y_index = 0, legend = FALSE)  |> 
  e_y_axis(
    nameLocation = "end",index = 0,
    formatter = e_axis_formatter("percent", digits = 1),
    min = 0.3,
    nameTextStyle = list(
      color = "#666666",
      fontWeight = "bold"
    )
  )|>
  # e_y_axis(
  #   formatter = e_axis_formatter("decimal", locale = "pt-BR")
  # ) |>
  echarts4r::e_tooltip(formatter = e_tooltip_item_formatter("percent")) |> # tooltip
  echarts4r::e_title("Ocupação de cargos por sexo", "Poder Executivo Federal") |>  
  echarts4r::e_legend(right = 0) |> 
  echarts4r::e_locale("pt-BR") |> 
  echarts4r::e_theme_custom('{"color":["#ffaf51", "#004580"]}')
```
_Fonte: Elaboração Própria – dados: Abril/2024_

```{r, echo=FALSE,fig.align='center'}
# knitr::include_graphics("grafico.gif")
```

Quando comparamos o quantitativo de servidores separados por sexo e por
Unidade da Federação (UF), é possível observar dois Estados que se
destacam quanto ao percentual maior de mulheres em relação ao de homens,
são eles: Amapá, com 51,9% de mulheres e Roraima com 50,9% de mulheres.
No que se refere aos órgãos com o menor percentual de mulheres nos
quadros de pessoal, três Estados também se destacam, quais sejam: Acre,
em que as mulheres ocupam um percentual de 38,4% e Rio Grande do Norte
com 40,3% de mulheres



```{r echo=FALSE, fig.align='center', message=FALSE, warning=FALSE}
library(D3plusR)
#tabela2 <- read_excel("dados/dados.xlsx", sheet = "Planilha1")

tabela2 <- df <- readr::read_delim("Y:/PEP/PEP_reload/PEP_qvd_InOutrasFontes/Fontes_CSV/Infograficos/Servidores_estado.csv", 
    delim = ";", escape_double = FALSE, trim_ws = TRUE)

tabela2 <- tabela2 |> filter(`Mês-Ano Servidores` == mes_anterior_abreviado) |> 
  select(`UF Servidores`, `Sexo (Servidores)`, TotalVinculos) |> 
  tidyr::pivot_wider(names_from = `Sexo (Servidores)`, values_from = TotalVinculos) |> 
  dplyr::mutate( Total = Fem + Mas,
                Perc_Feminino = Fem/ Total,
                Perc_Masculino = Mas/ Total) |> 
  dplyr::rename(uf = `UF Servidores`, Feminino = Fem, Masculino = Mas)
```

```{r, echo=FALSE, fig.align='center'}


uf_sigla <- tibble(
  uf = c("Rondônia", "Acre", "Amazonas", "Roraima", "Pará", "Amapá", 
         "Tocantins", "Maranhão", "Piauí", "Ceará", "Rio Grande do Norte", 
         "Paraíba", "Pernambuco", "Alagoas", "Sergipe", "Bahia", "Minas Gerais", 
         "Espírito Santo", "Rio de Janeiro", "São Paulo", "Paraná", 
         "Santa Catarina", "Rio Grande do Sul", "Mato Grosso do Sul", 
         "Mato Grosso", "Goiás", "Distrito Federal"),
  bra_id = c("RO", "AC", "AM", "RR", "PA", "AP", "TO", "MA", "PI", "CE", 
             "RN", "PB", "PE", "AL", "SE", "BA", "MG", "ES", "RJ", "SP", "PR", 
             "SC", "RS", "MS", "MT", "GO", "DF")
)

dicionario <- list(
  Perc_Feminino = "% Feminino",
  Perc_Masculino = "% Masculino"
)

texto_numeros <- c("Mil", "Milhão", "Milhões", "Bilhão", "Bilhões")

df <-  tabela2  |>  left_join(uf_sigla, by = c("uf" = "bra_id"))  
  d3plus(data = df,
         type = "geo_map",
         locale = "pt_BR",
         percent_var = c("Perc_Feminino", "Perc_Masculino"),
         id = "uf",
         currency = "R$",
         number_text = c("Mil", "Milhão", "Milhões", "Bilhão", "Bilhões"),
         dictionary = dicionario) %>% 
  d3plusCoords(
    value = "https://gist.githubusercontent.com/ruliana/1ccaaab05ea113b0dff3b22be3b4d637/raw/196c0332d38cb935cfca227d28f7cecfa70b412e/br-states.json",
    projection = "equirectangular"
  ) %>%
  d3plusColor(value = "Perc_Feminino",
              heatmap = RColorBrewer::brewer.pal(n = 6, name = 
                                                   "OrRd")) %>%
  d3plusText("uf") %>%
  d3plusTooltip(value = c("Feminino",  
                          "Masculino", 
                          "Perc_Masculino",
                          "Perc_Feminino"))

```

$\blacktriangleright$ **Servidores ocupantes de cargos e funções**

O inciso V do artigo 37 da Constituição Federal, assim dispõe: 

> _(...)_ 
>
_V - as funções de confiança, exercidas exclusivamente por servidores ocupantes de cargo efetivo, e os cargos em comissão, a serem preenchidos_ _por servidores de carreira nos casos, condições e percentuais mínimos previstos em lei, destinam-se apenas às atribuições de direção, chefia e assessoramento; (...)_


A partir do texto acima, observa-se que o cargo de provimento em comissão é aquele cujo provimento independe de concurso público, destinado apenas às atribuições de direção, chefia e assessoramento, podendo ser preenchido por pessoa que não seja servidor de carreira, observando-se o percentual mínimo reservado pela lei aos servidores efetivos. Com relação à Função de Confiança, ela é atribuída a um servidor efetivo que já pertence aos quadros da administração. 

Em setembro de 2021, o Governo Federal publicou a Lei nº 14.204/2021, que simplificou a gestão de cargos e de funções de confiança na Administração Pública Federal, dispondo sobre a instituição dos Cargos Comissionados Executivos (CCE) e as Funções Comissionadas Executivas (FCE); a autorização para o Poder Executivo transformar, sem aumento de despesa, cargos em comissão, funções de confiança e gratificações; e a simplificação da gestão de cargos em comissão e de funções de confiança. O artigo 5º da Lei, menciona que os cargos em comissão do Grupo DAS existentes na legislação passam a referir-se também aos CCE e às FCE. 

Posteriormente, foi publicado o Decreto nº 10.829, de 5 de outubro de 2021, por meio do qual a Lei nº 14.204/21 foi regulamentada. A tabela abaixo apresenta o Anexo III do Decreto nº 10.829, de 5 de outubro de 2021 que apresenta a relação entre cargos em comissão do Grupo-Direção e Assessoramento Superiores (DAS), de Funções Comissionadas do Poder Executivo – FCPE, Cargos Comissionados Executivos (CCE) e Funções Comissionadas Executivas (FCE).  

```{r echo=FALSE}
tabela3 <- read_excel("dados/dados.xlsx", sheet = "Planilha2")

knitr::kable(tabela3, caption = 'Tabela 2. Anexo III do Decreto nº10.829, de 5 de outubro de 2021')
```

Em seguida, vamos observar a disposição dos ocupantes de cargos e
funções com características de Direção e Assessoramento divididos por
sexo. Cabe salientar que fazem parte desse conjunto de dados os cargos
de Direção e Assessoramento Superiores (DAS), Funções Comissionadas do
Poder Executivo (FCPE), cargos e funções específicos das Agências
Reguladoras, cargos de direção específicos das Universidades Federais e
dos Institutos do Ensino Básico, Técnico e Tecnológico Federais,
Natureza especial, dentre outros.

```{r, echo=FALSE, Warning=FALSE, message=FALSE}
#tabela4 <- read_excel("dados/dados.xlsx", sheet = "Planilha3")
df4 <-  readr::read_delim("Y:/PEP/PEP_reload/PEP_qvd_InOutrasFontes/Fontes_CSV/Infograficos/funcoes_comissionadas.csv", 
    delim = ";", escape_double = FALSE, trim_ws = TRUE)

tabela4 <- df4 |> 
  dplyr::filter(grepl("^[Dd]ez.*", `Mês-Ano Cargos`) |`Mês-Ano Cargos` == mes_anterior_abreviado,
                `Tipo Função Detalhada2` == 'Comissionados de Direção e Assessoramento') |> 
  dplyr::select(`Ano Cargos`, Sexo, TotalVinculos) |> 
  tidyr::pivot_wider(names_from = Sexo, values_from = TotalVinculos) |> 
  dplyr::mutate(Total = Fem + Mas) |> 
  dplyr::mutate(`% Mulheres` = (Fem / Total) , `% Homens` = (Mas / Total)) |> 
  dplyr::rename(Ano = `Ano Cargos`,
                Mulheres = Fem,
                Homens = Mas) 
```

```{r echo=FALSE, Warning=FALSE, message=FALSE}  

tabela4 <- tabela4 |> dplyr::mutate(`% Mulheres` = scales::percent(`% Mulheres`, accuracy = 0.1),
                                    `% Homens` = scales::percent(`% Homens`, accuracy = 0.1),
                                    Homens = comma(Homens, decimal.mark = ",", big.mark = "."),
                                    Mulheres = comma(Mulheres, decimal.mark = ",", big.mark = "."),
                                    Total = comma(Total, decimal.mark = ",", big.mark = ".")) |> dplyr::arrange(Ano)
```

```{r echo=FALSE, Warning=FALSE, message=FALSE}
knitr::kable(tabela4, caption = 'Tabela 3. Cargos e funções com características de Direção e Assessoramento')
```

Vê-se que o índice médio de ocupação de mulheres girou em torno de 39,3% entre os anos de 2010 e 2022, enquanto o percentual de homens foi de 60,7%. 

Vamos desmembrar os dados mencionados no quadro acima, relacionados, apenas, aos cargos de Direção e Assessoramento Superiores e seus equivalentes quanto à ocupação separada por níveis e por sexo.



```{r echo=FALSE, Warning=FALSE, message=FALSE}
#tabela6 <- read_excel("dados/dados.xlsx", sheet = "Planilha5")


tabela_funcao <- df <- readr::read_delim("Y:/PEP/PEP_reload/PEP_qvd_InOutrasFontes/Fontes_CSV/Infograficos/Funcoes_comissionadas_niveis.csv ", 
    delim = ";", escape_double = FALSE, trim_ws = TRUE)

tabela6 <- tabela_funcao |> dplyr::filter(grepl("^[Dd]ez.*", `Mês-Ano Cargos`) |`Mês-Ano Cargos` == mes_anterior_abreviado,
                                    grepl("^DAS.*", RLP ) )|> 
  dplyr::select(`Ano Cargos`, Sexo, RLP, TotalVinculos) |>
  dplyr::arrange(`Ano Cargos`, Sexo, RLP) |> 
  tidyr::pivot_wider(names_from = Sexo, values_from = TotalVinculos) |>
  mutate(Total = Fem + Mas,
         Mulheres = (Fem / Total) , Homens = (Mas / Total)) |>
  dplyr::select(`Ano Cargos`, RLP,  Mulheres, Homens) |>
  tidyr::pivot_longer(cols = c(Mulheres, Homens), names_to = "Genero", values_to = "Percentual") |>
  tidyr::pivot_wider(names_from = RLP, values_from = Percentual) |> 
  mutate(across(starts_with("DAS"), ~ scales::percent(.x, accuracy = 0.1)))



knitr::kable(tabela6, caption = 'Tabela 5. Percentual de ocupação de cargos de Direção e Assessoramento por nível e por sexo')
```
_Fonte: Painel Estatístico de Pessoal – abril/2024_ 

_\* A tabela inclui os cargos de Natureza Especial (NES), DAS, CCE, FCE, FCPE, CD, I/II, CGE I/II/III/IV, CA I/II, CCT I/II/III/IV/V, CAS I/II e CD 1/2/3/4_ 

_Fonte: Elaboração própria._ 

Os níveis de DAS variam de 1 até 6. Os níveis 1 e 2 são mais relacionados a atividades operacionais. Já o 3 é atribuído aos coordenadores. O nível 4 geralmente equivale a coordenador-geral; o 5 a diretor e o 6 a secretário nacional ou presidente de fundação. Há ainda os cargos de natureza especial que incluem os secretários especiais os ministros de estado os secretários-executivos entre outros cargos. 

Cabe ressaltar ainda que, conforme o disposto no artigo 3º da Lei nº 13.844, de 18 de junho de 2019, as Funções Comissionadas do Poder Executivo (FCPE) equiparam-se, para todos os efeitos legais e regulamentares, aos cargos em comissão do Grupo-DAS de mesmo nível. 

Do total de cargos de Direção e Assessoramento em 2021, as mulheres ocupavam o percentual 39%. Com relação ao percentual de ocupação de mulheres por níveis, é possível observar que há equivalência até o nível 3, quando ocupavam 44% das posições, enquanto o percentual de homens era de 56% em 2021. Porém, a partir do nível 4, observa-se uma diminuição na participação das mulheres nos cargos de confiança. É possível notar que no nível 6, apenas 13% dos cargos são ocupados por mulheres, sendo o total de homens de 88%.  


```{r dados_percentual-graficos, echo=FALSE, message=FALSE, warning=FALSE, fig.align='center'}

#base_de_dados <- readr::read_csv2("dados/df_perc.csv", locale = locale(decimal_mark = ",", grouping_mark = "."))

df_graf <-  tabela_funcao |> dplyr::filter(grepl("^[Dd]ez.*", `Mês-Ano Cargos`) |`Mês-Ano Cargos` == mes_anterior_abreviado,
                                    grepl("(^DAS.*|^NES)", RLP ) )|>
  dplyr::select(`Ano Cargos`, Sexo, RLP, TotalVinculos) |>
  dplyr::arrange(`Ano Cargos`, Sexo, RLP) |> 
  tidyr::pivot_wider(names_from = Sexo, values_from = TotalVinculos) |>
  mutate(Total = Fem + Mas,
         Mulheres = (Fem / Total) , Homens = (Mas / Total)) |>
  dplyr::select(`Ano Cargos`, RLP,  Mulheres, Homens) |>
  tidyr::pivot_longer(cols = c(Mulheres, Homens), names_to = "Genero", values_to = "Percentual") |> 
  rename(Ano = `Ano Cargos` , Funcao = RLP) |> 
  # reoder the levels of the factor in Funcao
  mutate(Funcao = forcats::fct_relevel(Funcao, "NES","DAS-6", "DAS-5", "DAS-4", "DAS-3", "DAS-2", "DAS-1" ),
         Percentual = ifelse(
                    Genero == 'Homens', Percentual * -1, Percentual )) 




```




```{r graf-2015, echo=FALSE, message=FALSE, warning=FALSE, fig.align='center'}


# Gráfico -----------------------------------------------------------------
# Alterar os niveis de genero para aparecer na ordem do grafico

df <- df_graf |> mutate(
  Genero = factor(Genero, levels = c("Homens", "Mulheres")),
  Percentual = formattable::percent(Percentual,0)
  ) |> 
  dplyr::filter(Ano == 2016) |> 
  dplyr::rename(`Função` = Funcao , `Gênero` = Genero )

grafico <- df %>%
  ggplot(aes(
    x = `Função`,
    y = Percentual,
    fill = `Gênero`
  )
  ) +
  geom_bar(stat = "identity") +
  scale_fill_manual(values = c("#004580","#ffaf51")) +
  scale_y_continuous(breaks=seq(-1,1,0.25),
                     limits = c(-0.95, 0.95),
                     labels=paste0(abs(seq(-100,100,25)), "%"))+
  coord_flip()+
  theme_minimal()
# +
#   theme_minimal()
  # facet_share(
  #   ~ Genero,
  #   dir = "h",
  #   scales = "free",
  #   reverse_num = TRUE
 # )



grafico <- grafico +
  labs(
    title = "Cargos de Direção e Assessoramento - 2016",
    subtitle = "\n\nGênero",
    x="",
    y = "\n\nProporção por Gênero",
    caption = "\n\nFonte: https://www.gov.br/servidor/pt-br/observatorio-de-pessoal-govbr/serie-relatorios-gerenciais-genero"
  ) 

plotly::ggplotly(grafico) |> plotly::layout(yaxis = list(ticksuffix = "%"))


```



```{r graf-2018, echo=FALSE, message=FALSE, warning=FALSE, fig.align='center'}


# Gráfico -----------------------------------------------------------------
# Alterar os niveis de genero para aparecer na ordem do grafico

df <- df_graf |> mutate(
  Genero = factor(Genero, levels = c("Homens", "Mulheres")),
  Percentual = formattable::percent(Percentual,0)
  ) |> 
  dplyr::filter(Ano == 2018) |> 
  dplyr::rename(`Função` = Funcao , `Gênero` = Genero )

grafico <- df %>%
  ggplot(aes(
    x = `Função`,
    y = Percentual,
    fill = `Gênero`
  )
  ) +
  geom_bar(stat = "identity") +
  scale_fill_manual(values = c("#004580","#ffaf51")) +
  scale_y_continuous(breaks=seq(-1,1,0.25),
                     limits = c(-0.95, 0.95),
                     labels=paste0(abs(seq(-100,100,25)), "%"))+
  coord_flip()+
  theme_minimal()
# +
#   theme_minimal()
  # facet_share(
  #   ~ Genero,
  #   dir = "h",
  #   scales = "free",
  #   reverse_num = TRUE
 # )



grafico <- grafico +
  labs(
    title = "Cargos de Direção e Assessoramento - 2018",
    subtitle = "\n\nGênero",
    x="",
    y = "\n\nProporção por Gênero",
    caption = "\n\nFonte: https://www.gov.br/servidor/pt-br/observatorio-de-pessoal-govbr/serie-relatorios-gerenciais-genero"
  ) 

plotly::ggplotly(grafico) |> plotly::layout(yaxis = list(ticksuffix = "%"))


```

Nos gráficos abaixo, é possível visualizar os percentuais de ocupação de cargos de direção e assessoramento superiores por homens e mulheres de 2015, 2018 e 2021.

```{r graf-2021, echo=FALSE, message=FALSE, warning=FALSE, fig.align='center'}


# Gráfico -----------------------------------------------------------------
# Alterar os niveis de genero para aparecer na ordem do grafico

df <- df_graf |> mutate(
  Genero = factor(Genero, levels = c("Homens", "Mulheres")),
  Percentual = formattable::percent(Percentual,0)
  ) |> 
  dplyr::filter(Ano == 2021) |> 
  dplyr::rename(`Função` = Funcao , `Gênero` = Genero )

grafico <- df %>%
  ggplot(aes(
    x = `Função`,
    y = Percentual,
    fill = `Gênero`
  )
  ) +
  geom_bar(stat = "identity") +
  scale_fill_manual(values = c("#004580","#ffaf51")) +
  scale_y_continuous(breaks=seq(-1,1,0.25),
                     limits = c(-0.95, 0.95),
                     labels=paste0(abs(seq(-100,100,25)), "%"))+
  coord_flip()+
  theme_minimal()
# +
#   theme_minimal()
  # facet_share(
  #   ~ Genero,
  #   dir = "h",
  #   scales = "free",
  #   reverse_num = TRUE
 # )



grafico <- grafico +
  labs(
    title = "Cargos de Direção e Assessoramento - 2021",
    subtitle = "\n\nGênero",
    x="",
    y = "\n\nProporção por Gênero",
    caption = "\n\nFonte: https://www.gov.br/servidor/pt-br/observatorio-de-pessoal-govbr/serie-relatorios-gerenciais-genero"
  ) 

plotly::ggplotly(grafico) |> plotly::layout(yaxis = list(ticksuffix = "%"))


```


```{r graf-2022, echo=FALSE, message=FALSE, warning=FALSE, fig.align='center'}


# Gráfico -----------------------------------------------------------------
# Alterar os niveis de genero para aparecer na ordem do grafico

df <- df_graf |> mutate(
  Genero = factor(Genero, levels = c("Homens", "Mulheres")),
  Percentual = formattable::percent(Percentual,0)
  ) |> 
  dplyr::filter(Ano == 2022) |> 
  dplyr::rename(`Função` = Funcao , `Gênero` = Genero )

grafico <- df %>%
  ggplot(aes(
    x = `Função`,
    y = Percentual,
    fill = `Gênero`
  )
  ) +
  geom_bar(stat = "identity") +
  scale_fill_manual(values = c("#004580","#ffaf51")) +
  scale_y_continuous(breaks=seq(-1,1,0.25),
                     limits = c(-0.95, 0.95),
                     labels=paste0(abs(seq(-100,100,25)), "%"))+
  coord_flip()+
  theme_minimal()
# +
#   theme_minimal()
  # facet_share(
  #   ~ Genero,
  #   dir = "h",
  #   scales = "free",
  #   reverse_num = TRUE
 # )



grafico <- grafico +
  labs(
    title = "Cargos de Direção e Assessoramento - 2022",
    subtitle = "\n\nGênero",
    x="",
    y = "\n\nProporção por Gênero",
    caption = "\n\nFonte: https://www.gov.br/servidor/pt-br/observatorio-de-pessoal-govbr/serie-relatorios-gerenciais-genero"
  ) 

plotly::ggplotly(grafico) |> plotly::layout(yaxis = list(ticksuffix = "%"))


```


```{r graf-2023, echo=FALSE, message=FALSE, warning=FALSE, fig.align='center'}


# Gráfico -----------------------------------------------------------------
# Alterar os niveis de genero para aparecer na ordem do grafico

df <- df_graf |> mutate(
  Genero = factor(Genero, levels = c("Homens", "Mulheres")),
  Percentual = formattable::percent(Percentual,0)
  ) |> 
  dplyr::filter(Ano == 2023) |> 
  dplyr::rename(`Função` = Funcao , `Gênero` = Genero )

grafico <- df %>%
  ggplot(aes(
    x = `Função`,
    y = Percentual,
    fill = `Gênero`
  )
  ) +
  geom_bar(stat = "identity") +
  scale_fill_manual(values = c("#004580","#ffaf51")) +
  scale_y_continuous(breaks=seq(-1,1,0.25),
                     limits = c(-0.95, 0.95),
                     labels=paste0(abs(seq(-100,100,25)), "%"))+
  coord_flip()+
  theme_minimal()
# +
#   theme_minimal()
  # facet_share(
  #   ~ Genero,
  #   dir = "h",
  #   scales = "free",
  #   reverse_num = TRUE
 # )



grafico <- grafico +
  labs(
    title = "Cargos de Direção e Assessoramento - 2023",
    subtitle = "\n\nGênero",
    x="",
    y = "\n\nProporção por Gênero",
    caption = "\n\nFonte: https://www.gov.br/servidor/pt-br/observatorio-de-pessoal-govbr/serie-relatorios-gerenciais-genero"
  ) 

plotly::ggplotly(grafico) |> plotly::layout(yaxis = list(ticksuffix = "%"))


```


```{r graf-2024, echo=FALSE, message=FALSE, warning=FALSE, fig.align='center'}


# Gráfico -----------------------------------------------------------------
# Alterar os niveis de genero para aparecer na ordem do grafico

df <- df_graf |> mutate(
  Genero = factor(Genero, levels = c("Homens", "Mulheres")),
  Percentual = formattable::percent(Percentual,0)
  ) |> 
  dplyr::filter(Ano == 2024) |> 
  dplyr::rename(`Função` = Funcao , `Gênero` = Genero )

grafico <- df %>%
  ggplot(aes(
    x = `Função`,
    y = Percentual,
    fill = `Gênero`
  )
  ) +
  geom_bar(stat = "identity") +
  scale_fill_manual(values = c("#004580","#ffaf51")) +
  scale_y_continuous(breaks=seq(-1,1,0.25),
                     limits = c(-0.95, 0.95),
                     labels=paste0(abs(seq(-100,100,25)), "%"))+
  coord_flip()+
  theme_minimal()
# +
#   theme_minimal()
  # facet_share(
  #   ~ Genero,
  #   dir = "h",
  #   scales = "free",
  #   reverse_num = TRUE
 # )



grafico <- grafico +
  labs(
    title = "Cargos de Direção e Assessoramento - 2024",
    subtitle = "\n\nGênero",
    x="",
    y = "\n\nProporção por Gênero",
    caption = "\n\nFonte: https://www.gov.br/servidor/pt-br/observatorio-de-pessoal-govbr/serie-relatorios-gerenciais-genero"
  ) 

plotly::ggplotly(grafico) |> plotly::layout(yaxis = list(ticksuffix = "%"))


```

Vamos observar ainda a disposição dos ocupantes de Funções e Gratificações Técnicas divididos por sexo. Cabe mencionar que fazem parte desse conjunto de dados as Funções Gratificadas (FG) dos Ministérios, Autarquias e Fundações, FG das Universidades e Institutos Federais, Funções e Gratificações específicos das Agências Reguladoras, entre outros. 

```{r echo=FALSE}
tabela7 <- df4 |> 
  dplyr::filter(grepl("^[Dd]ez.*", `Mês-Ano Cargos`) |`Mês-Ano Cargos` == mes_anterior_abreviado,
                `Tipo Função Detalhada2` == 'Funções e Gratificações Técnicas') |> 
  dplyr::select(`Ano Cargos`, Sexo, TotalVinculos) |> 
  tidyr::pivot_wider(names_from = Sexo, values_from = TotalVinculos) |> 
  dplyr::mutate(Total = Fem + Mas) |> 
  dplyr::mutate(`% Mulheres` = (Fem / Total) , `% Homens` = (Mas / Total)) |> 
  dplyr::rename(Ano = `Ano Cargos`,
                Mulheres = Fem,
                Homens = Mas) 
```

```{r echo=FALSE, Warning=FALSE, message=FALSE}  

tabela7 <- tabela7 |> dplyr::mutate(`% Mulheres` = scales::percent(`% Mulheres`, accuracy = 0.1),
                                    `% Homens` = scales::percent(`% Homens`, accuracy = 0.1),
                                    Homens = comma(Homens, decimal.mark = ",", big.mark = "."),
                                    Mulheres = comma(Mulheres, decimal.mark = ",", big.mark = "."),
                                    Total = comma(Total, decimal.mark = ",", big.mark = ".")) |> dplyr::arrange(Ano)
```

```{r echo=FALSE, Warning=FALSE, message=FALSE}
knitr::kable(tabela7, caption = 'Tabela 6. Cargos e funções com características de Funções e Gratificações Técnicas')
```




Quanto à ocupação de Funções e Gratificações Técnicas, é possível observar um índice médio de ocupação pelas mulheres entre o ano de 2010 e 2022 em torno de 43,6%; enquanto o de homens foi em torno de 56,4%. 




## 3. Fontes e metodologia Base de Dados


A fonte primária para a obtenção das informações apresentadas é o
Sistema Integrado de Administração de Pessoal (SIAPE) e  no
[**Painel Estatístico de Pessoal (PEP).**](http://painel.pep.planejamento.gov.br){target="_blank"}

Outras fontes:

[**Convenção
OIT**](http://www.planalto.gov.br/ccivil_03/_Ato2019-2022/2019/Decreto/D10088.htm#art5){target="_blank"}

[**Banco
Mundial**](https://www.worldbank.org/pt/news/press-release/2019/02/27/despite-gains-women-face-setbacks-in-legal-rights-affecting-work){target="_blank"}

[**Constituição
Federal**](http://www.planalto.gov.br/ccivil_03/constituicao/constituicao.htm){target="_blank"}

## 4. Revisões

A revisões são realizadas anualmente, conforme necessário, como
resultado de atualização de base de dados.

## 5. Institucional

- Sergio Eduardo Arbulu Mendonça- Secretário 
- Antônio Fiuza de Sousa Landim – Diretor 
- Mirian Lucia Bittencourt Guimarães – Coordenadora-Geral 


  Equipe técnica 
- Luana Correa Silva Rodrigues 
- Luciana Santos Ferreira 
- Marcelo Rodrigues Ribeiro

## 6. Contato

Coordenação-Geral de Informações Gerenciais -- CGINF

Departamento de Soluções Digitais e Informações Gerenciais -- Ministério
da Economia

Esplanada dos Ministério, Bloco C, 9º andar, sala 940

70297-400 -- Brasília/DF

Tel: (61) 2020-1179 E-mail:
[sgp.cginf\@economia.gov.br](mailto:sgp.cginf@economia.gov.br){.email}



<!-- Outros gráficos   -->
<!-- Origem Étnica -->

<!-- ```{r , echo=FALSE, message=FALSE, warning=FALSE} -->
<!-- e_common(font_family = "helvetica", theme = "westeros") -->
<!-- formatar_numero_br <- function(serie) { -->
<!--   htmlwidgets::JS( -->
<!--     glue::glue( -->
<!--       "function(params) {return Intl.NumberFormat('pt-BR', { style: 'decimal'}).format(params.value[{{serie}}]);}", -->
<!--       .open = "{{", -->
<!--       .close = "}}" -->
<!--     ) -->
<!--   ) -->
<!-- } -->

<!-- tab_final <- readxl::read_excel("dados/Mulheres_FINAL v2.xlsx", sheet = "FINAL")|> janitor::clean_names() -->

<!-- tab_final |> -->
<!--   count(Etnia = cor_origem_etnica, name = "Qtde")|>  -->
<!--   arrange(desc(Qtde)) |>  -->
<!--   e_charts(x = Etnia, timeline = FALSE)  |>   -->
<!--   e_bar(Qtde, legend = FALSE) |>  -->
<!--   e_tooltip("item") |> -->
<!--   #e_tooltip(formatter = formatar_numero_br(1)) |> -->
<!--   e_labels(fontSize = 12, -->
<!--            distance = 10, -->
<!--            formatter = formatar_numero_br(1)) |> # tooltip -->
<!--   echarts4r::e_title("Origem Étnica - Sexo Feminino", "Poder Executivo Federal") |>   -->
<!--   #echarts4r::e_legend(right = 0) |>  -->
<!--   echarts4r::e_locale(locale = "PT-br") |>  -->
<!--   e_format_y_axis( -->
<!--     suffix = "", -->
<!--     prefix = "", -->
<!--     formatter = e_axis_formatter(locale = "PT", digits = 0) -->
<!--   ) |>  -->
<!--   e_x_axis(axisLabel = list(rotate = 45)) -->
<!-- ``` -->

<!-- PCD -->

<!-- ```{r, echo=FALSE, message=FALSE, warning=FALSE} -->
<!-- tab_final |> -->
<!--   count(PCD = pcd, name = "Qtde")|>  -->
<!--   arrange(desc(Qtde)) |>  -->
<!--   e_charts(x = PCD, timeline = FALSE)  |>   -->
<!--   e_bar(Qtde, legend = FALSE) |>  -->
<!--   e_tooltip("item") |> -->
<!--   #e_tooltip(formatter = formatar_numero_br(1)) |> -->
<!--   e_labels(fontSize = 12, -->
<!--            distance = 10, -->
<!--            formatter = formatar_numero_br(1)) |> -->
<!--   echarts4r::e_title("PCD - Sexo Feminino", "Poder Executivo Federal") |>   -->
<!--   #echarts4r::e_legend(right = 0) |>  -->
<!--   e_format_y_axis( -->
<!--     suffix = "", -->
<!--     prefix = "", -->
<!--     formatter = e_axis_formatter(locale = "PT", digits = 0) -->
<!--   ) -->

<!-- ``` -->

<!-- Estado Civil -->

<!-- ```{r, echo=FALSE, message=FALSE, warning=FALSE} -->
<!-- tab_final |> -->
<!--   count(`Estado Civil` = estado_civil , name = "Qtde")|>  -->
<!--   arrange(desc(Qtde)) |>  -->
<!--   e_charts(x = `Estado Civil`, timeline = FALSE)  |>   -->
<!--   e_bar(Qtde, legend = FALSE) |>  -->
<!--   e_tooltip("item") |> -->
<!--   #e_tooltip(formatter = formatar_numero_br(1)) |> -->
<!--   e_labels(fontSize = 12, -->
<!--            distance = 10, -->
<!--            formatter = formatar_numero_br(1)) |> -->
<!--   echarts4r::e_title("Estado Civil - Sexo Feminino", "Poder Executivo Federal") |>   -->
<!--   #echarts4r::e_legend(right = 0) |>  -->
<!--   e_format_y_axis( -->
<!--     suffix = "", -->
<!--     prefix = "", -->
<!--     formatter = e_axis_formatter(locale = "PT", digits = 0) -->
<!--   ) -->
<!-- ``` -->


<!-- Escolaridade -->

<!-- Talvez criar uma categoria outras e renomear  -->

<!-- ```{r, echo=FALSE, message=FALSE, warning=FALSE} -->
<!-- tab_final |> -->
<!--   count(Nível = grupo_escolaridade, Escolaridade = escolaridade , name = "Qtde")|>  -->
<!--   arrange(Qtde) |>  -->
<!--   e_charts(x = Escolaridade, timeline = FALSE)  |>   -->
<!--   e_bar(Qtde, legend = FALSE) |>  -->
<!--   e_tooltip("item") |> -->
<!--   e_labels(fontSize = 12, -->
<!--            distance = 10, -->
<!--            position = "inside", -->
<!--            formatter = formatar_numero_br(0)) |> -->
<!--   echarts4r::e_title("Escolaridade - Sexo Feminino", "Poder Executivo Federal") |>   -->
<!--   #echarts4r::e_legend(right = 0) |>  -->
<!--   e_x_axis(axisLabel = list( fontSize = 8)) |>  -->
<!--   e_format_y_axis( -->
<!--     suffix = "", -->
<!--     prefix = "", -->
<!--     formatter = e_axis_formatter(locale = "PT", digits = 0) -->
<!--   ) |>  -->
<!--   e_flip_coords()  -->
<!--   #e_x_axis(axisLabel = list(rotate = 90)) -->
<!-- ``` -->


<!-- Alternativa de treemap -->

<!-- ```{r, echo=FALSE, message=FALSE, warning=FALSE} -->

<!-- #geral -->
<!-- treemap <- tab_final |> -->
<!--   count(Nível = grupo_escolaridade, Escolaridade = escolaridade , name = "Qtde")|>  -->
<!--   arrange(Qtde) -->


<!-- #grupo -->

<!-- grupo <- treemap |> group_by(Nível) |>  -->
<!--   summarise( -->
<!--     Qtde= sum(Qtde) -->
<!--   ) -->

<!-- grupo$parents <- "Total" -->

<!-- grupo <- grupo |> dplyr::relocate(parents, labels = Nível, value = Qtde) -->

<!-- #geral -->

<!-- df <- data.frame(parents = "", labels = "Total", value = 0) -->


<!-- # CONSTRUCAO TREEMAP -->
<!-- colnames(treemap) <- c("parents", "labels", "value") -->

<!-- uni <-  bind_rows(df, grupo, treemap) -->

<!-- universe <- data.tree::FromDataFrameNetwork(uni) -->

<!-- universe |>  -->
<!--   e_charts() |>  -->
<!--   e_treemap() |>  -->
<!--   e_title("Escolaridade", "Sexo Feminino") |>  -->
<!--   e_tooltip("item") -->

<!-- ``` -->


<!-- Quantidade de Filhos -->

<!-- ```{r, echo=FALSE, message=FALSE, warning=FALSE} -->
<!-- tab_final |> -->
<!--   count( Filhos = as.factor(qtd_filhos_menores_de_idade) , name = "Qtde")|>  -->
<!--   arrange(desc(Qtde)) |>  -->
<!--   e_charts(x = Filhos, timeline = FALSE)  |>   -->
<!--   e_bar(Qtde, legend = FALSE) |>  -->
<!--   e_tooltip(formatter = formatar_numero_br(1)) |> -->
<!--   e_labels(fontSize = 12, -->
<!--            distance = 10, -->
<!--            formatter = formatar_numero_br(1)) |> -->
<!--   echarts4r::e_title("Nº de Filhos", "Poder Executivo Federal") |>   -->
<!--   #echarts4r::e_legend(right = 0) |>  -->
<!--   e_format_y_axis( -->
<!--     suffix = "", -->
<!--     prefix = "", -->
<!--     formatter = e_axis_formatter(locale = "PT", digits = 0) -->
<!--   ) -->
<!-- ``` -->

<!-- Idade -->

<!-- ```{r, echo=FALSE, message=FALSE, warning=FALSE} -->
<!-- tab_final |> -->
<!--   count(`Faixa etária` = faixa_etaria_3 , name = "Qtde")|>  -->
<!--   arrange(Qtde) |>  -->
<!--   e_charts(x = `Faixa etária`, timeline = FALSE)  |>   -->
<!--   e_bar(Qtde, legend = FALSE) |>  -->
<!--   e_tooltip("item") |> -->
<!--   e_labels(fontSize = 12, -->
<!--            distance = 10, -->
<!--            position = "inside", -->
<!--            formatter = formatar_numero_br(0)) |> -->
<!--   echarts4r::e_title("Faixa Etária - Sexo Feminino", "Poder Executivo Federal") |>   -->
<!--   #echarts4r::e_legend(right = 0) |>  -->
<!--   e_x_axis(axisLabel = list( fontSize = 8)) |>  -->
<!--   e_format_y_axis( -->
<!--     suffix = "", -->
<!--     prefix = "", -->
<!--     formatter = e_axis_formatter(locale = "PT", digits = 0) -->
<!--   ) |>  -->
<!--   e_flip_coords()  -->
<!--   #e_x_axis(axisLabel = list(rotate = 90)) -->
<!-- ``` -->

<!-- Remuneração -->

<!-- ```{r, echo=FALSE, message=FALSE, warning=FALSE} -->
<!-- tab_final |> -->
<!--   count( `Remuneração` = formattable::currency( -->
<!--     remun, big.mark = ".", symbol = "R$ ") , name = "Qtde")|>  -->
<!--   arrange(desc(Qtde)) |>  -->
<!--   e_charts()  |>   -->
<!--   e_histogram(`Remuneração`, legend = FALSE) |>  -->
<!--   e_tooltip("item") |> -->
<!--   #e_tooltip(formatter = formatar_numero_br(1)) |> -->
<!--   e_labels(fontSize = 12, -->
<!--            distance = 10, -->
<!--            formatter = formatar_numero_br(1)) |> -->
<!--   echarts4r::e_title("Remuneração - Sexo Feminino", "Poder Executivo Federal") |>   -->
<!--   #echarts4r::e_legend(right = 0) |>  -->
<!--   e_format_y_axis( -->
<!--     suffix = "", -->
<!--     prefix = "", -->
<!--     formatter = e_axis_formatter(locale = "PT", digits = 0) -->
<!--   ) |>  -->
<!--   e_format_x_axis( -->
<!--     suffix = "", -->
<!--     prefix = "R$")  -->

<!-- ``` -->