library(readxl)
library(openxlsx)
library(dplyr)
library(magrittr)
library(tidyr)
library(tidyverse)
library(stringr)
library(DT)
library(formattable)
library(kableExtra)
library(echarts4r)
disciplinas <- read_excel("./dados/Disciplinas Graduação 2023.xlsx")
disciplinas_pos_2023 <- read_excel("./dados/Disciplinas Pós-graduação 2023.xlsx")
lista_deptos <- read_excel("./dados/lista_deptos.xlsx")
relacao <- read_excel("./dados/Relação disciplinas graduação.xlsx")
docentes <- read_excel("./dados/08 Docentes 2023 MODALOC.xlsx")
particao_depart <- read_excel("./dados/Partição depart.xlsx")
# tabela que informa se a producao conta ou nao para o modaloc:
tipo_producao <- read_excel("./dados/TipoProdução.xlsx")
# producao
producao_2023 <- read_excel("./dados/Produção 2023.xlsx")
# modaloc modelo antigo Priscila
modaloc_priscila <- read_excel("./dados/Modaloc 09 com bônus.xlsx")Proposta de modelo de alocação de recursos entre departamentos da UFPE - 2025.
Para o cálculo do novo modelo, partimos dos dados utilizados em 2025, conforme a Tabela abaixo:
| Dados | Arquivo | Fonte |
|---|---|---|
| Disciplinas Ofertadas na Graduação - 2023 | Disciplinas Graduação 2023.xlsx | STI |
| Lista de Departamentos | lista_deptos.xlsx | Elaboração própria |
| Relação de Disciplinas da Graduação | Relação disciplinas graduação.xlsx | Elaboração própria |
| Lista de Docentes | 08 Docentes 2023 MODALOC.xlsx | STI |
| Produção Bibliográfica | Produção 2023.xlsx | ??? |
Foram necessárias algumas correções nos dados, bem como cruzamento de tabelas.
OBS: Para o MODALOC, os centros CCJ, CCM e o CIN são vistos como uma única unidade.
Nos dados de docentes, primeiramente adicionamos o regime, lotação e cargo dos docentes (este último é adicionado para filtrarmos os docentes visitantes e substitutos, que não entram no Modaloc). Removemos do cálculo o Colégio de Aplicação.
# docentes 01
#docentes <- read_excel("./dados/08 Docentes 2023 MODALOC.xlsx")
regime <- read_excel("./dados/Regime.xlsx")
lotacao <- read_excel("./dados/Lotação docentes.xlsx")
cargos <- read_excel("./dados/CargosEfetivo.xlsx")
# atualizando pesos 2025
pesos_depto <- read_excel("./dados/pesos_depto.xlsx",
col_types = c("text", "numeric", "numeric",
"skip", "skip"))
lotacao %<>% left_join(pesos_depto %>%
select(Departamentos2, PESO2025), by="Departamentos2")
docentes01 <- docentes %>%
# LEFT JOIN com a tabela de regime
left_join(regime, by = c("Regime" = "RegimeDeTrabalho")) %>%
# LEFT JOIN com a tabela de lotação
left_join(lotacao,
by = c("Departamentos" = "Departamentos",
"Centro" = "Centro",
"CAMPUS" = "CAMPUS")) %>%
# LEFT JOIN com a tabela de cargos
left_join(cargos, by = c("Cargo" = "Cargo")) %>%
# Agrupamento (mesmo que não use summarise, por semelhança com GROUP BY)
group_by(CAMPUS, Centro2, Centro_cota, Departamentos2, Lotação2, RT, Efetivo, CPF, PESO2025) %>%
# Filtro HAVING
filter(Departamentos2 != "Colégio de Aplicação") %>%
# Seleção das colunas finais
select(CAMPUS, Centro = Centro2, Centro_cota, Departamentos2, Lotação2,
RT, Efetivo, CPF, PESO = PESO2025)
docentes02 <- docentes01 %>%
# Filtro para apenas efetivos
filter(Efetivo == 1) %>%
# Agrupamento pelas mesmas colunas
group_by(CAMPUS, Centro_cota, Centro, Departamentos2, Lotação2, Efetivo, PESO) %>%
# Soma de RT
summarise(Quant = sum(RT, na.rm = TRUE), .groups = "drop")Dividimos o Modaloc em três grupos de indicadores: Dimensão, Qualidade e Produção.
O esforço docente em uma disciplina é dado pelo produto da carga horária pelo número de matriculados. Consequentemente, o esforço docente de um departamento consiste na soma do esforço docente das disciplinas ofertadas por este departamento.
Nos dados, desconsideramos disciplinas de TCC e Estágio. Além disso, houve disciplinas repetidas nos dados, isto é, disciplinas com o mesmo nome, docente, período, etc. Neste caso, removemos estas duplicatas para não inflacionar o esforço docente de alguns departamentos.
Depois de computar o esforço docente por departamento, padronizamos a medida. Assim, a variável ESFORCO_DOCENTE_DEPTO_PADRONIZADO representa o percentual de esforço docente de um departamento em relação à soma dos esforços docentes de todos os departamentos.
Finalmente, criamos um ranking de esforço docente para ordenar os departamentos de acordo com esta medida.
# numero alunos * ch dado por cada departamento.
disciplinas %>%
# JOIN com a relação de disciplinas
left_join(relacao,
by = c("nome_disc" = "DISCIPLINA",
"id_disc" = "COD_DISC"), relationship = "many-to-many") %>%
# JOIN com a base de docentes (pelo CPF numérico)
left_join(docentes01,
by = c("cpf_num" = "CPF")) %>%
# Filtro equivalente ao HAVING (aplicado após o join)
filter(!is.na(Lotação2)) %>%
# Agrupamento
group_by(CAMPUS, Centro, Centro_cota, Departamentos2, Lotação2,
nome_oficial, cpf, cpf_num, unidade_disciplina, perd_letv,
id_disc, ch_total, Disciplinas_dif, PESO) %>%
# Agregação
summarise(qtd_matr = max(qtd_matr, na.rm = TRUE),
.groups = "drop") -> disciplinas
# removendo disciplinas repetidas (distinct)
disciplinas %>%
group_by(unidade_disciplina, perd_letv, id_disc, ch_total, qtd_matr) %>%
filter(n()>1) %>%
select(-c(nome_oficial, cpf_num, cpf)) %>% distinct -> disciplinas_repetidas
# pegando disciplinas unicas
disciplinas %>%
group_by(unidade_disciplina, perd_letv, id_disc, ch_total, qtd_matr) %>%
filter(n()==1) %>%
select(-c(nome_oficial, cpf_num, cpf)) -> disciplinas_unicas
# total de disciplinas:
disciplinas_unicas %>% bind_rows(disciplinas_repetidas) -> disciplinas_total
disciplinas_total %>%
mutate(ESFORCO_DOCENTE_i = ch_total*qtd_matr) %>%
filter(Disciplinas_dif != 1) %>%
group_by(Departamentos2, Centro) %>%
summarise(ESFORCO_DOCENTE_DEPTO = sum(ESFORCO_DOCENTE_i)) %>%
arrange(desc(ESFORCO_DOCENTE_DEPTO)) %>% ungroup %>%
mutate(ESFORCO_DOCENTE_DEPTO_PADRONIZADO =
ESFORCO_DOCENTE_DEPTO/sum(ESFORCO_DOCENTE_DEPTO),
rank_esforco_padronizado=
dense_rank(desc(ESFORCO_DOCENTE_DEPTO_PADRONIZADO))) %>%
rename("Departamento" = Departamentos2) %>%
relocate(Centro, .before = "Departamento") -> esforco_docente
datatable(esforco_docente, rownames = FALSE,
extensions = c("FixedColumns",'FixedHeader','Scroller'),
options = list(pageLength = 25,
scrollX=T,
fixedHeader = TRUE,
columnDefs = list(list(className = 'dt-center', targets = "_all")),
fixedColumns = list(leftColumns = 2))) %>%
formatRound(columns=c('ESFORCO_DOCENTE_DEPTO',
'ESFORCO_DOCENTE_DEPTO_PADRONIZADO'), digits=3) %>%
formatStyle('Centro', backgroundColor = 'lightyellow') %>%
formatStyle('Departamento', backgroundColor = 'lightyellow') %>%
formatStyle('ESFORCO_DOCENTE_DEPTO_PADRONIZADO',
background = styleColorBar(range(
esforco_docente$ESFORCO_DOCENTE_DEPTO_PADRONIZADO), 'lightgreen'),
backgroundSize = '98% 88%',
backgroundRepeat = 'no-repeat',
backgroundPosition = 'center')Para computar a Relação Aluno/Professor de um departamento, selecionamos as disciplinas ministradas por docentes efetivos lotados naquele departamento e somamos o total de matrículas. Em seguida, dividimos o número de matrículas pelo número de docentes efetivos lotados no departamento (número obtido a partir da tabela de docentes (08 Docentes 2023 MODALOC.xlsx).
Note que computamos, na prática, o total de matrículas por docente e não o total de alunos, já que a maioria dos alunos vai ter matrícula em mais de uma disciplina. É natural, então, pensar que um aluno matriculado em mais disciplinas represente mais trabalho do ponto de vista dos docentes.
IMPORTANTE: no Modaloc atual, existe um peso dos alunos por departamento definido pela gestão. Nesta proposta de modelo, apresentamos a Relação Aluno/Professor de duas formas, com os pesos e sem os pesos. Na Tabela abaixo, temos as duas colunas: Rap e Rap_PESO, assim como seus respectivos valores padronizados (em percentual do total) e os rankings. Notamos que há uma diferença importante entre Rap e Rap_PESO, resultado dos pesos adotados para os alunos dos departamentos. Por exemplo, um peso 4,5 mais que quadruplica o número de matrículas de um departamento, impactando severamente no Rap.
# removendo disciplinas repetidas (distinct)
disciplinas %>%
group_by(unidade_disciplina, perd_letv, id_disc,
ch_total, qtd_matr, PESO) %>%
filter(n()>1, Disciplinas_dif!=1) %>%
select(-c(nome_oficial, cpf)) %>% distinct -> disciplinas_repetidas_rap
disciplinas_repetidas_rap %>%
group_by(Centro, Departamentos2,
perd_letv, id_disc, qtd_matr, PESO) %>%
summarise(n_docentes=n()) %>%
filter(qtd_matr == max(qtd_matr)) -> disciplinas_repetidas_rap
# pegando disciplinas unicas
disciplinas %>%
group_by(unidade_disciplina, perd_letv, id_disc,
ch_total, qtd_matr, PESO) %>%
filter(n()==1, Disciplinas_dif!=1) %>%
select(-c(nome_oficial, cpf)) -> disciplinas_unicas_rap
disciplinas_unicas_rap %>%
group_by(Centro, Departamentos2,
perd_letv, id_disc, qtd_matr, PESO) %>%
summarise(n_docentes=n()) %>%
filter(qtd_matr == max(qtd_matr)) -> disciplinas_unicas_rap
# total de disciplinas:
disciplinas_unicas_rap %>%
bind_rows(disciplinas_repetidas_rap) -> disciplinas_total_rap
# total de docentes por departamento:
docentes01 %>% filter(Efetivo==1) %>%
distinct(CPF) %>%
group_by(Departamentos2) %>%
summarise(total_docentes=n()) -> docentes_por_depto
disciplinas_total_rap %>% group_by(Centro, Departamentos2) %>%
mutate(qtd_matrPESO = qtd_matr*PESO) %>%
summarise(PESO = max(PESO),
total_matriculas_PESO = sum(qtd_matrPESO),
total_matriculas = sum(qtd_matr),
) %>%
left_join(docentes_por_depto) %>%
ungroup %>%
mutate(rap_PESO = total_matriculas_PESO/total_docentes,
rap_padronizado_PESO = rap_PESO/sum(rap_PESO),
rap = total_matriculas/total_docentes,
rap_padronizado = rap/sum(rap),
rank_rap_padronizado=dense_rank(desc(rap_padronizado)),
rank_rap_padronizado_PESO=dense_rank(desc(rap_padronizado_PESO))
) %>%
rename("Departamento" = Departamentos2) -> relacao_aluno_professor
# imprimir tabela
datatable(relacao_aluno_professor, rownames = FALSE,
extensions = c("FixedColumns",'FixedHeader','Scroller'),
options = list(pageLength = 25,
scrollX=T,
fixedHeader = TRUE,
columnDefs = list(list(className = 'dt-center', targets = "_all")),
fixedColumns = list(leftColumns = 2))) %>%
formatRound(columns=c('rap_PESO', 'rap_padronizado_PESO',
'rap', 'rap_padronizado'), digits=3) %>%
formatStyle('Centro', backgroundColor = 'lightyellow') %>%
formatStyle('Departamento', backgroundColor = 'lightyellow') %>%
formatStyle('rap_padronizado',
background = styleColorBar(range(relacao_aluno_professor$rap_padronizado), 'lightblue'),
backgroundSize = '98% 88%',
backgroundRepeat = 'no-repeat',
backgroundPosition = 'center') %>%
formatStyle('rap_padronizado_PESO',
background = styleColorBar(range(relacao_aluno_professor$rap_padronizado_PESO), 'lightgreen'),
backgroundSize = '98% 88%',
backgroundRepeat = 'no-repeat',
backgroundPosition = 'center') Realizamos para a pós-graduação o mesmo procedimento realizado na graduação, calculando o Esforço Docente do departamento como a soma dos esforços docentes em disciplinas de pós-graduação nas disciplinas ministradas por docentes lotados no departamento.
# pos01
pos01 <- disciplinas_pos_2023 %>%
group_by(unidade_disciplina, perd_letv, id_disc, nome_disc, ch_total, qtd_matr) %>%
summarise(
Quant = n(),
.groups = "drop"
) %>%
mutate(
Prop_doc = 1 / Quant
)
# pos02
pos02 <- disciplinas_pos_2023 %>%
left_join(docentes01, by = c("cpf_num" = "CPF")) %>%
left_join(pos01, by = c(
"unidade_disciplina", "perd_letv", "id_disc", "nome_disc", "ch_total", "qtd_matr"
)) %>%
filter(!is.na(Lotação2)) %>%
mutate(
CH = ch_total * Prop_doc,
AHGRi = CH * qtd_matr
) %>%
select(
CAMPUS, Centro, Centro_cota, Departamentos2, Lotação2,
nome_oficial, cpf, cpf_num, unidade_docente, unidade_disciplina,
perd_letv, id_disc, nome_disc,
CH_TOTAL = ch_total,
MAT = qtd_matr,
Quant, Prop_doc, CH, AHGRi, PESO
)Para os dados de disciplinas da pós-graduação, existe a possibilidade de uma disciplina ser ministrada por mais de um docente. Neste caso, o esforço docente na disciplina fica dividido pela quantidade de docentes.
No mais, o esforço docente na disciplina é dado pela carga horária multiplicada pela quantidade de matriculados. Para o departamento, o esforço docente será dado pela soma de esforço docente em disciplinas ofertadas pelo departamento. Novamente, a medida foi padronizada e o ranking indica os departamentos com maior esforço na pós-graduação.
pos02 %>%
mutate(ESFORCO_DOCENTE_i = AHGRi) %>%
group_by(Departamentos2, Centro) %>%
summarise(ESFORCO_DOCENTE_DEPTO_POS = sum(ESFORCO_DOCENTE_i)) %>%
arrange(desc(ESFORCO_DOCENTE_DEPTO_POS)) %>% ungroup %>%
mutate(ESFORCO_DOCENTE_DEPTO_PADRONIZADO_POS =
ESFORCO_DOCENTE_DEPTO_POS/sum(ESFORCO_DOCENTE_DEPTO_POS),
rank_ESFORCO_PADRONIZADO=dense_rank(desc(ESFORCO_DOCENTE_DEPTO_PADRONIZADO_POS))) %>%
rename("Departamento" = Departamentos2) %>%
relocate(Centro, .before = "Departamento") -> esforco_docente_POS
# imprime tabela
datatable(esforco_docente_POS, rownames = FALSE,
extensions = c("FixedColumns",'FixedHeader','Scroller'),
options = list(pageLength = 25,
scrollX=T,
fixedHeader = TRUE,
columnDefs = list(list(className = 'dt-center', targets = "_all")),
fixedColumns = list(leftColumns = 2))) %>%
formatRound(columns=c('ESFORCO_DOCENTE_DEPTO_POS',
'ESFORCO_DOCENTE_DEPTO_PADRONIZADO_POS'), digits=3) %>%
formatStyle('Centro', backgroundColor = 'lightyellow') %>%
formatStyle('Departamento', backgroundColor = 'lightyellow') %>%
formatStyle('ESFORCO_DOCENTE_DEPTO_PADRONIZADO_POS',
background = styleColorBar(range(
esforco_docente_POS$ESFORCO_DOCENTE_DEPTO_PADRONIZADO_POS), 'lightgreen'),
backgroundSize = '98% 88%',
backgroundRepeat = 'no-repeat',
backgroundPosition = 'center')Para a pós-graduação, também computamos o número de matrículas por docente efetivo. Note que consideramos o total de docentes lotados no departamento, não fazendo distinção entre os docentes que ministram disciplinas na graduação ou na pós-graduação. Também foram apresentados os valores considerando os pesos atribuidos pela gestão aos departamentos, do mesmo modo que foi feito nos dados da graduação.
# Relacao Aluno/Professor
pos02 %>%
group_by(Centro, Departamentos2,
perd_letv, id_disc, MAT, PESO) %>%
summarise(n_docentes_POS=n()) %>%
filter(MAT == max(MAT)) -> disciplinas_rap_POS
disciplinas_rap_POS %>% group_by(Centro, Departamentos2) %>%
mutate(qtd_matrPESO_POS = MAT*PESO) %>%
summarise(PESO_POS = max(PESO),
total_matriculas_PESO_POS = sum(qtd_matrPESO_POS),
total_matriculas_POS = sum(MAT),
#total_docentes_POS = sum(n_docentes_POS)
) %>%
left_join(docentes_por_depto) %>%
ungroup %>%
mutate(rap_PESO_POS = total_matriculas_PESO_POS/total_docentes,
rap_padronizado_PESO_POS = rap_PESO_POS/sum(rap_PESO_POS),
rap_POS = total_matriculas_POS/total_docentes,
rap_padronizado_POS = rap_POS/sum(rap_POS),
rank_rap_padronizado_POS=dense_rank(desc(rap_padronizado_POS)),
rank_rap_padronizado_PESO_POS=dense_rank(desc(rap_padronizado_PESO_POS))
) %>% rename("Departamento" = Departamentos2) -> relacao_aluno_professor_POS
# imprimir tabela
datatable(relacao_aluno_professor_POS, rownames = FALSE,
extensions = c("FixedColumns",'FixedHeader','Scroller'),
options = list(pageLength = 25,
scrollX=T,
fixedHeader = TRUE,
columnDefs = list(list(className = 'dt-center', targets = "_all")),
fixedColumns = list(leftColumns = 2))) %>%
formatRound(columns=c('rap_PESO_POS', 'rap_padronizado_PESO_POS',
'rap_POS', 'rap_padronizado_POS'), digits=3) %>%
formatStyle('Centro', backgroundColor = 'lightyellow') %>%
formatStyle('Departamento', backgroundColor = 'lightyellow') %>%
formatStyle('rap_padronizado_POS',
background = styleColorBar(range(relacao_aluno_professor_POS$rap_padronizado_POS), 'lightblue'),
backgroundSize = '98% 88%',
backgroundRepeat = 'no-repeat',
backgroundPosition = 'center') %>%
formatStyle('rap_padronizado_PESO_POS',
background = styleColorBar(range(relacao_aluno_professor_POS$rap_padronizado_PESO_POS), 'lightgreen'),
backgroundSize = '98% 88%',
backgroundRepeat = 'no-repeat',
backgroundPosition = 'center') Cancelado por falta de dados!
Os indicadores de qualidade utilizados serão o índice de qualificação do corpo docente, calculado por departamento, a avaliação dos cursos de graduação e pós-graduação e a Taxa de Sucesso na Graduação (TSG). No caso da avaliação e da TSG, os dados são compilados por Centro e a cada departamento subordinado é atribuida a nota média da avaliação.
O Índice de Qualificação do Corpo Docente é calculado pela média ponderada pela qualificação dos docentes de um departamento.
# calculado por Inacio
IQCD <- read_excel("./dados/IQCD.xlsx", col_types = c("text",
"text", "text", "text",
"text", "numeric","numeric"))
IQCD %>% as.data.frame() %>%
filter(CAMPUS != "Centro", Departamentos2 != "Colégio de Aplicação") %>%
mutate(IQCD_padronizado = IQDC/sum(IQDC)) %>%
select("Departamento" = Departamentos2, "Centro" = Centro2,
IQCD_padronizado) %>%
mutate(rank_IQCD_padronizado=dense_rank(desc(IQCD_padronizado))) %>%
relocate(Centro, .before = "Departamento") -> QualidadeA cada departamento é atribuída a nota média da avaliação dos cursos vinculados ao centro.
Novamente, como os dados de taxa de sucesso na graduação são calculados por curso, e não por departamento, vamos atribuir a cada departamento a média da TSG do centro ao qual ele está vinculado. A tabela abaixo mostra o IQCD, as avaliações e a TSG assim obtidas:
TSG <- read_excel("./dados/Taxa de Sucesso 2023 - Modaloc.xlsx")
TSG %<>% select(Centro, "TSG_media"=`Média Tx de Sucesso`)
Qualidade %<>%
left_join(indicadores_avaliacao, by=c("Centro")) %>%
left_join(TSG, by=c("Centro")) %>%
mutate(media_aval_grad_padronizado = media_aval_grad/sum(media_aval_grad),
media_aval_POS_padronizado = media_aval_POS/sum(media_aval_POS),
TSG_media_padronizado = TSG_media/sum(TSG_media))
# imprimir tabela
datatable(Qualidade, rownames = FALSE,
extensions = c("FixedColumns",'FixedHeader','Scroller'),
options = list(pageLength = 25,
scrollX=T,
fixedHeader = TRUE,
columnDefs = list(list(className = 'dt-center', targets = "_all")),
fixedColumns = list(leftColumns = 2))) %>%
formatStyle('Centro', backgroundColor = 'lightyellow') %>%
formatStyle('Departamento', backgroundColor = 'lightyellow') %>%
formatStyle('IQCD_padronizado',
background = styleColorBar(range(Qualidade$IQCD_padronizado), 'lightblue'),
backgroundSize = '98% 88%',
backgroundRepeat = 'no-repeat',
backgroundPosition = 'center') %>%
formatStyle('media_aval_grad_padronizado',
background = styleColorBar(range(Qualidade$media_aval_grad_padronizado), 'lightblue'),
backgroundSize = '98% 88%',
backgroundRepeat = 'no-repeat',
backgroundPosition = 'center') %>%
formatStyle('media_aval_POS_padronizado',
background = styleColorBar(range(Qualidade$media_aval_POS_padronizado), 'lightblue'),
backgroundSize = '98% 88%',
backgroundRepeat = 'no-repeat',
backgroundPosition = 'center') %>%
formatStyle('TSG_media_padronizado',
background = styleColorBar(range(Qualidade$TSG_media_padronizado), 'lightblue'),
backgroundSize = '98% 88%',
backgroundRepeat = 'no-repeat',
backgroundPosition = 'center') Cruzando os dados de publicações com a lotação dos docentes, conseguimos atribuir a produção a um departamento. Desta forma, a produção do departamento consiste na soma das publicações cujos autores são docentes ligados àquele departamento. Novamente, padronizamos os dados e rankeamos os departamentos considerando a produção.
producao01 <- producao_2023 %>%
left_join(docentes01, by = c("cpf_num" = "CPF")) %>%
left_join(tipo_producao, by = c("tipo_producao" = "tipo_producao")) %>%
filter(!is.na(Departamentos2)) %>%
select(
CAMPUS,
Centro,
Departamentos2,
Lotação2,
cpf,
cpf_num,
nome_oficial,
titulo_producao,
tipo_producao,
Prod_Modaloc
)
producao02 <- producao01 %>%
group_by(CAMPUS, Centro, Departamentos2, Lotação2) %>%
summarise(producao = sum(Prod_Modaloc, na.rm = TRUE), .groups = "drop") %>%
filter(Departamentos2 != "Centro") %>% # remover esse centro que apareceu do nada "Centro - CE"
#left_join(docentes_por_depto) %>%
mutate(#producao_por_docente = producao,#/total_docentes,
producao_padronizado = producao/sum(producao, na.rm = TRUE),
rank_producao_padronizado =
dense_rank(desc(producao_padronizado))) %>%
rename("Departamento"=Departamentos2)
# imprimir tabela
producao02 %>% select(Centro, Departamento, producao,
producao_padronizado, rank_producao_padronizado) %>%
arrange(rank_producao_padronizado) %>%
datatable(rownames = FALSE,
extensions = c("FixedColumns",'FixedHeader','Scroller'),
options = list(pageLength = 25,
scrollX=T,
fixedHeader = TRUE,
columnDefs = list(list(className = 'dt-center', targets = "_all")),
fixedColumns = list(leftColumns = 2))) %>%
formatStyle('Centro', backgroundColor = 'lightyellow') %>%
formatStyle('Departamento', backgroundColor = 'lightyellow') %>%
formatStyle('producao_padronizado',
background = styleColorBar(range(producao02$producao_padronizado), 'lightblue'),
backgroundSize = '98% 88%',
backgroundRepeat = 'no-repeat',
backgroundPosition = 'center') \[ Aloc_j = \frac{(DP_j + QP_j + PP_j)}{3} * ORC \] Em que
Nesta simulação, foi considerado um orçamento de \(ORC = R\$ 4.000.000\).
A dimensão padronizada do departamento \(j\) é dada por:
\[ DP_j = \frac{(P_{esforco} * EDP_j + P_{esforcoPOS} * EDPPOS_j + P_{rap} * RAP_j + P_{rapPOS}*RAPPOS_j)}{(P_{esforco} + P_{esforcoPOS} + P_{rap} + P_{rapPOS})} \] Em que
Nesta simulação, os pesos foram mantidos iguais a 1.
A qualidade padronizada do departamento \(j\) é dada por:
\[ QP_j = \frac{P_{IQCDP}*IQCDP_j + P_{ava\_grad}*IAVA\_grad_j + P_{ava\_POS}*IAVA\_POS_j + P_{TSG}*ITSG_j} {P_{IQCDP} + P_{ava\_grad} + P_{ava\_POS} + P_{TSG}} \]
em que
A produção padronizada do departamento \(j\) é dada por:
\[ PP_j = \frac{P_{IPB}*IPB_j}{P_{IPB}} \]
em que
OBS.:São consideradas produções bibliográficas os artigos, capítulos ou livros publicados e publicações em eventos.
# tabela final
peso_esforco = 1
peso_esforco_POS = 1
peso_rap = 1
peso_rap_POS = 1
peso_IQCD = 1
peso_producao = 1
peso_avaliacao = 1
peso_avaliacao_POS = 1
peso_TSG = 1
valor_orcamento = 4000000
esforco_docente %>%
left_join(esforco_docente_POS, by=c("Centro","Departamento")) %>%
left_join(relacao_aluno_professor) %>%
left_join(relacao_aluno_professor_POS) %>%
left_join(Qualidade, by=c("Centro","Departamento")) %>%
left_join(producao02, by=c("Centro","Departamento")) %>%
left_join(particao_depart, by="Centro") %>%
imputeTS::na_replace(0) %>%
mutate(
dimensao_padronizado =
(peso_esforco * ESFORCO_DOCENTE_DEPTO_PADRONIZADO +
peso_esforco_POS * ESFORCO_DOCENTE_DEPTO_PADRONIZADO_POS +
peso_rap * rap_padronizado +
peso_rap_POS*rap_padronizado_POS)/
(peso_esforco + peso_esforco_POS + peso_rap + peso_rap_POS),
# o peso vai apenas no RAP
dimensao_padronizado_PESO =
(peso_esforco * ESFORCO_DOCENTE_DEPTO_PADRONIZADO +
peso_esforco_POS * ESFORCO_DOCENTE_DEPTO_PADRONIZADO_POS +
peso_rap * rap_padronizado_PESO +
peso_rap_POS * rap_padronizado_PESO_POS)/
(peso_esforco + peso_esforco_POS + peso_rap + peso_rap_POS),
qualidade_padronizado = (peso_IQCD*IQCD_padronizado +
peso_avaliacao*media_aval_grad_padronizado +
peso_avaliacao_POS*media_aval_POS_padronizado +
peso_TSG*TSG_media_padronizado)/
(peso_IQCD + peso_avaliacao + peso_avaliacao_POS + peso_TSG),
producao_padronizado = peso_producao*
producao_padronizado/(peso_producao),
alocacao = (dimensao_padronizado + qualidade_padronizado +
producao_padronizado)/3 * valor_orcamento,
alocacao_PESO = (dimensao_padronizado_PESO +
qualidade_padronizado +
producao_padronizado)/3 * valor_orcamento,
alocacao_depto = alocacao * `COTA DEPART`,
alocacao_centro = alocacao * `COTA CENTRO`,
alocacao_depto_PESO = alocacao_PESO * `COTA DEPART`,
alocacao_centro_PESO = alocacao_PESO * `COTA CENTRO`,
rank_alocacao_depto=dense_rank(desc(alocacao_depto)),
rank_alocacao_depto_PESO=dense_rank(desc(alocacao_depto_PESO))
) %>%
relocate(c("COTA DEPART", "COTA CENTRO"), .after="alocacao_PESO") %>%
arrange(rank_alocacao_depto) -> tabela_final
# imprimir tabela
datatable(tabela_final, rownames = FALSE,
extensions = c("FixedColumns",'FixedHeader','Scroller', 'Buttons'),
options = list(dom = 'Bfrtip',
extend = 'collection',
buttons = c('csv', 'excel'),
text = 'Download',
pageLength = 25,
scrollX=T,
fixedHeader = TRUE,
columnDefs = list(list(className = 'dt-center', targets = "_all")),
fixedColumns = list(leftColumns = 2))) %>%
formatRound(which(sapply(.,is.numeric)), digits = 2) %>%
formatStyle('Centro', backgroundColor = 'lightyellow') %>%
formatStyle('Departamento', backgroundColor = 'lightyellow') %>%
formatStyle('alocacao_depto',
background = styleColorBar(range(tabela_final$alocacao_depto), 'lightblue'),
backgroundSize = '98% 88%',
backgroundRepeat = 'no-repeat',
backgroundPosition = 'center') %>%
formatStyle('alocacao_depto_PESO',
background = styleColorBar(range(tabela_final$alocacao_depto_PESO), 'lightgreen'),
backgroundSize = '98% 88%',
backgroundRepeat = 'no-repeat',
backgroundPosition = 'center') A distribuição dos recursos por Centro fica:
# alocacao por centro
tabela_final %>% group_by(Centro) %>%
summarize(alocacao_centro = sum(alocacao_centro),
alocacao_centro_PESO = sum(alocacao_centro_PESO)) %>%
mutate(
rank_alocacao_centro=dense_rank(desc(alocacao_centro)),
rank_alocacao_centro_PESO=dense_rank(desc(alocacao_centro_PESO))
) %>% as.data.frame %>%
arrange(rank_alocacao_centro) -> distribuicao_centros
# imprimir tabela
datatable(distribuicao_centros, rownames = FALSE,
extensions = c("FixedColumns",'FixedHeader','Scroller', 'Buttons'),
options = list(dom = 'Bfrtip',
extend = 'collection',
buttons = c('csv', 'excel'),
text = 'Download',
pageLength = 25,
scrollX=T,
fixedHeader = TRUE,
columnDefs = list(list(className = 'dt-center', targets = "_all")),
fixedColumns = list(leftColumns = 2))) %>%
formatRound(which(sapply(.,is.numeric)), digits = 2) %>%
formatStyle('Centro', backgroundColor = 'lightyellow') #%>% # formatStyle('alocacao_centro',
# background = styleColorBar(range(distribuicao_centros$alocacao_centro), 'lightblue'),
# backgroundSize = '98% 88%',
# backgroundRepeat = 'no-repeat',
# backgroundPosition = 'center') %>%
# formatStyle('alocacao_centro_PESO',
# background = styleColorBar(range(distribuicao_centros$alocacao_centro_PESO), 'lightgreen'),
# backgroundSize = '98% 88%',
# backgroundRepeat = 'no-repeat',
# backgroundPosition = 'center') A distribuição dos recursos por Departamento fica:
tabela_final %>% select(Centro, Departamento, alocacao_depto,
alocacao_depto_PESO) %>%
mutate(
rank_alocacao_depto=dense_rank(desc(alocacao_depto)),
rank_alocacao_depto_PESO=dense_rank(desc(alocacao_depto_PESO))
) %>% filter(alocacao_depto > 0) %>%
# imprimir tabela
datatable(tabela_final, rownames = FALSE,
extensions = c("FixedColumns",'FixedHeader','Scroller', 'Buttons'),
options = list(dom = 'Bfrtip',
extend = 'collection',
buttons = c('csv', 'excel'),
text = 'Download',
pageLength = 25,
scrollX=T,
fixedHeader = TRUE,
columnDefs = list(list(className = 'dt-center', targets = "_all")),
fixedColumns = list(leftColumns = 2))) %>%
formatRound(which(sapply(.,is.numeric)), digits = 2) %>%
formatStyle('Centro', backgroundColor = 'lightyellow') %>%
formatStyle('Departamento', backgroundColor = 'lightyellow') Para verificar se a alteração da alocação ocorrida com a introdução dos pesos por departamento foi estatisticamente significativa, utilizamos o teste de Wilcoxon para amostras pareadas.
O resultado mostra que há diferença significativa, ou seja, a introdução dos pesos altera a alocação de recursos.
# Ha diferenca significativa entre a alocacao e a alocacao com peso para
# os alunos no departamento?
# Realizando o teste de Wilcoxon
resultado <- wilcox.test(tabela_final$alocacao_depto,
tabela_final$rank_alocacao_depto_PESO, paired = TRUE)
# Imprimindo o resultado
print(resultado)##
## Wilcoxon signed rank test with continuity correction
##
## data: tabela_final$alocacao_depto and tabela_final$rank_alocacao_depto_PESO
## V = 2769, p-value = 1.008e-13
## alternative hypothesis: true location shift is not equal to 0# Interpretando o valor-p
if (resultado$p.value < 0.05) {
print("Rejeita-se a hipótese nula: há diferença significativa entre as amostras.")
} else {
print("Não se rejeita a hipótese nula: não há diferença significativa entre as amostras.")
}## [1] "Rejeita-se a hipótese nula: há diferença significativa entre as amostras."E para os Centros, a adoção dos pesos não implica em diferença estatisticamente significativa na distribuição dos recursos:
# Ha diferenca significativa entre a alocacao e a alocacao com peso para
# os alunos no centro?
# Realizando o teste de Wilcoxon
resultado <- wilcox.test(distribuicao_centros$alocacao_centro,
distribuicao_centros$alocacao_centro_PESO, paired = TRUE)
# Imprimindo o resultado
print(resultado)##
## Wilcoxon signed rank exact test
##
## data: distribuicao_centros$alocacao_centro and distribuicao_centros$alocacao_centro_PESO
## V = 49, p-value = 0.8394
## alternative hypothesis: true location shift is not equal to 0# Interpretando o valor-p
if (resultado$p.value < 0.05) {
print("Rejeita-se a hipótese nula: há diferença significativa entre as amostras.")
} else {
print("Não se rejeita a hipótese nula: não há diferença significativa entre as amostras.")
}## [1] "Não se rejeita a hipótese nula: não há diferença significativa entre as amostras."Na tabela abaixo vemos as mudanças na alocação de recursos aos departamentos.
modaloc_priscila %>%
filter(!Centro %in% c("CCM", "CCJ", "CIn")) %>%
select(Centro, "Departamento" = Departamentos2, PESO_PRI = PESO,
#Alocação_anterior,
"Alocacao_PRI" = AlocaçãoDepto) %>%
left_join(
tabela_final %>% select(Centro, Departamento, "alocacao_NOVO"=alocacao_depto,
"PESO_NOVO" = PESO,
"alocacao_peso_NOVO" = alocacao_depto_PESO),
by = c("Centro", 'Departamento')) %>%
mutate(Diferenca = alocacao_NOVO - Alocacao_PRI,
Diferenca_PESO = alocacao_peso_NOVO - Alocacao_PRI) ->
tabela_comparacao_deptos
# imprimir tabela
tabela_comparacao_deptos %>%
datatable(rownames = FALSE,
extensions = c("FixedColumns",'FixedHeader','Scroller', 'Buttons'),
options = list(dom = 'Bfrtip',
extend = 'collection',
buttons = c('csv', 'excel'),
text = 'Download',
pageLength = 25,
scrollX=T,
fixedHeader = TRUE,
columnDefs = list(list(className = 'dt-center', targets = "_all")),
fixedColumns = list(leftColumns = 2))) %>%
formatRound(which(sapply(.,is.numeric)), digits = 2) %>%
formatStyle('Centro', backgroundColor = 'lightyellow') %>%
formatStyle('Departamento', backgroundColor = 'lightyellow') # grafico
tabela_comparacao_deptos %>% e_charts(Departamento) %>%
e_bar(Diferenca) %>%
e_tooltip() %>%
e_axis(axisLabel = list(interval = 0, rotate=45)) %>%
e_grid(bottom = 300) Na tabela abaixo vemos as mudanças na alocação de recursos aos Centros.
distribuicao_centros %>%
select(Centro, alocacao_centro, alocacao_centro_PESO) %>%
left_join(modaloc_priscila %>%
group_by(Centro) %>%
summarise(Alocacao_centro_PRI = sum(AlocaçãoCentro)), by="Centro") %>%
mutate(Diferenca_PESO = alocacao_centro_PESO - Alocacao_centro_PRI,
Diferenca = alocacao_centro - Alocacao_centro_PRI) %>%
# imprimir tabela
datatable(rownames = FALSE,
extensions = c("FixedColumns",'FixedHeader','Scroller', 'Buttons'),
options = list(dom = 'Bfrtip',
extend = 'collection',
buttons = c('csv', 'excel'),
text = 'Download',
pageLength = 25,
scrollX=T,
fixedHeader = TRUE,
columnDefs = list(list(className = 'dt-center', targets = "_all")),
fixedColumns = list(leftColumns = 2))) %>%
formatRound(which(sapply(.,is.numeric)), digits = 2) %>%
formatStyle('Centro', backgroundColor = 'lightyellow')No modelo antigo, o peso do departamento era aplicado ao esforço total e padronizado, dando origem ao índice final, que corresponde à fração do orçamento alocada àquele departamento. Desta forma, o peso do departamento é aplicado a TODAS as variáveis, incluindo a pesquisa.
\[ ET_i = \frac{ICHDM_i + IAHS_i + ITRABPUB_i}{3} \\ \]
\[ ET\_PESO_i = ET_i \times PESO_i \\ \]
\[ IF = \frac{ET\_PESO}{\sum{ET\_PESO}} \]
Já no modelo aqui proposto, temos duas opções: ou o peso não é aplicado, ou é aplicado apenas na variável Relação Matrícula/Professor. Então, os departamentos são tratados de forma semelhante, por exemplo, com a produção acadêmica recebendo o mesmo peso, independentemente do departamento. Isso resultou numa ampla modificação na alocação de recursos.