Introdução

Equidade, Legislação e a Realidade Financeira

A Dificuldade de Garantir Equidade

Historicamente, as mulheres enfrentaram barreiras importantes na vida pública, e o esporte também refletiu esse processo de exclusão. Durante muito tempo, a prática esportiva foi tratada como um espaço predominantemente masculino, o que reduziu o investimento, a visibilidade e as oportunidades de desenvolvimento para atletas mulheres.

Figura 1: Protesto contra o concurso Miss América, em 1968, associado às reivindicações por igualdade de gênero.

O Papel do Esporte e a Resposta Legislativa

O esporte não se limita à competição; ele também funciona como espaço de formação, inclusão e acesso a oportunidades. Diante das desigualdades históricas entre homens e mulheres, os Estados Unidos aprovaram o Title IX em 1972. A emenda proibiu a discriminação por sexo em programas educacionais financiados pelo governo federal e passou a pressionar universidades a ampliar a participação feminina no atletismo universitário.

Figura 2: Assinatura do Title IX, em 1972, marco legal importante para a igualdade de oportunidades educacionais nos Estados Unidos.

A Evolução da Equidade e a Premissa da Lucratividade

No entanto, a existência de equipes femininas não garante, por si só, condições equivalentes de financiamento. Mesmo após mais de 50 anos da aprovação do Title IX, estudos e discussões recentes indicam que diferenças orçamentárias ainda persistem. Isso levanta uma pergunta central:

“Essa distância financeira está diminuindo ou aumentando com o tempo?”

Além disso, parte da justificativa institucional para maiores investimentos em modalidades masculinas é a ideia de que esportes de grande audiência, especialmente o futebol americano, sustentam financeiramente as demais modalidades.

O objetivo central desta análise é investigar a evolução histórica dessa diferença e verificar, a partir dos dados, em que medida a premissa de que “o futebol paga a conta” se sustenta na realidade financeira da maioria das instituições.

Abordagem Proposta: Uma Década de Dados

Para avaliar essa questão com dados, este estudo adota um recorte longitudinal. Foram utilizados microdados oficiais do Equity in Athletics Data Analysis (EADA), fornecidos pelo Departamento de Educação dos Estados Unidos, cobrindo 11 anos acadêmicos completos, de 2013 a 2024.

O trabalho consolida dezenas de arquivos anuais para cruzar duas dimensões que, na origem, são disponibilizadas separadamente:

  • Dimensão financeira e esportiva: histórico de receitas, despesas operacionais (Game Day Expenses), salários e participação de atletas por modalidade e gênero.
  • Dimensão institucional: metadados das universidades, permitindo recortes por setor (público ou privado) e divisão da NCAA.

A junção desses registros permite construir uma base relacional com mais de 22.000 observações institucionais, adequada para comparar mudanças ao longo do tempo e diferenças de financiamento por gênero.

Técnicas Adotadas

A parte técnica do projeto foi organizada em três etapas principais:

  1. Empilhamento e transformação longitudinal: os dados brutos são fornecidos em arquivos anuais separados, com várias informações em formato largo (wide). O primeiro passo foi empilhar essas bases e reorganizá-las para permitir comparações ao longo da década.
  2. Tratamento de dados ausentes: em vez de excluir automaticamente linhas com valores ausentes (NA), foi adotada a regra descrita na documentação da base: em variáveis esportivas selecionadas, a ausência de valor indica que a instituição não ofertou aquela modalidade naquele ano. Nesses casos, os valores foram preenchidos com zero.
  3. Criação de variáveis: para analisar as hipóteses do estudo, foram criadas métricas como lucro líquido, calculado pela diferença entre receita e despesa, e gasto per capita, calculado pela divisão do orçamento pelo número de atletas. Essa segunda medida ajuda a comparar modalidades com tamanhos de elenco diferentes.

Relevância e Potenciais Clientes

Os resultados deste relatório podem ser úteis para diferentes públicos:

  • Administradores universitários e equipes de compliance: oferece parâmetros para avaliar orçamentos, verificar a dependência financeira do futebol americano e identificar possíveis riscos relacionados ao Title IX.
  • Legisladores e associações de atletas: apresenta uma visão de longo prazo sobre o ritmo da equidade de gênero, podendo apoiar discussões sobre políticas públicas e critérios de fiscalização.
  • Jornalismo investigativo e sociedade: ao transformar bases governamentais extensas em gráficos e tabelas acessíveis, o projeto facilita o acompanhamento público de como os recursos do atletismo universitário são distribuídos.

Pacotes

Para facilitar a reprodução da análise, todas as bibliotecas utilizadas foram carregadas no início do documento. A tabela abaixo resume a função de cada pacote no código:

library(tidyverse)
library(readxl)
library(knitr)
library(scales)
library(DT)
library(plotly)
Pacote Descrição
tidyverse Manipulação e limpeza dos dados (dplyr, tidyr) e criação dos gráficos base (ggplot2).
readxl Leitura automatizada dos microdados originais direto das planilhas Excel (.xlsx).
knitr Processamento do RMarkdown e geração estruturada do relatório final.
scales Formatação visual dos eixos gráficos (como a conversão de valores brutos para formato monetário).
DT Geração de tabelas HTML interativas, permitindo paginação e busca dinâmica.
plotly Transformação dos gráficos estáticos em visuais interativos (hover, zoom e filtros).

Preparação dos Dados

Esta etapa organiza os registros governamentais brutos em uma estrutura adequada para análise. Como o projeto trabalha com dados de vários anos, a padronização dos arquivos foi uma parte importante do processo.

Fonte e Documentação

  • Origem dos dados: foram utilizados dados primários do EADA - Equity in Athletics Data Analysis (https://ope.ed.gov/athletics/#/datafile/list), sistema oficial de transparência do Departamento de Educação dos Estados Unidos. A análise considera 11 anos acadêmicos completos, de 2013 a 2024.
  • Arquivos de documentação: os dicionários técnicos fornecidos pelo governo (SchoolsDoc.doc e InstlevelDataDoc.doc) foram usados para interpretar as tabelas. A partir deles, foi possível identificar, por exemplo, que valores ausentes (NA) em colunas esportivas podem indicar que a universidade não ofereceu determinada modalidade naquele ano.

Dicionário de Dados Estrutural

Os arquivos originais possuem milhares de colunas por ano, pois reúnem informações institucionais e financeiras em registros amplos. Para manter a análise focada, foram selecionadas apenas as variáveis mais relevantes para o estudo:

Variável Original Descrição Técnica e Regra de Negócio
caminho_arquivo Variável criada durante a importação para identificar o ano de cada arquivo.
unitid Identificador único do Ministério da Educação para a instituição (Chave Primária).
institution_name Nome oficial da universidade.
sector_name Classificação administrativa (ex: Public, Private nonprofit).
classification_name Divisão atlética. Foco deste estudo: NCAA Division I.
GRND_TOTAL_REVENUE Receita total bruta do departamento de atletismo.
GRND_TOTAL_EXPENSE Despesa total bruta do departamento de atletismo.
EXP_MEN / EXP_WOMEN Despesas Operacionais Totais por gênero (Game Day Expenses).
REV_MEN / REV_WOMEN Receitas Totais atribuíveis diretamente a cada gênero.

Importação, Empilhamento e Limpeza

A transformação dos dados brutos seguiu um processo organizado para lidar com arquivos de diferentes anos e com a junção entre bases:

  1. Leitura dinâmica: foram usadas expressões regulares (regex) para localizar automaticamente as pastas anuais. Para reduzir problemas causados por mudanças de formatação ao longo dos anos, todas as colunas foram inicialmente lidas como texto (col_types = "text").
  2. Chave composta: o ano acadêmico foi extraído do nome da pasta e combinado com o unitid, permitindo cruzar os dados esportivos com as informações institucionais do mesmo ano.
  3. Tratamento de ausências: após a junção, as variáveis financeiras foram convertidas para formato numérico. Seguindo a interpretação da documentação, valores vazios nas variáveis selecionadas foram tratados como modalidades não ofertadas e preenchidos com zero.
  4. Delimitação de escopo: a amostra foi restrita à NCAA Divisão I, evitando misturar instituições com perfis esportivos e orçamentários muito diferentes.
# 1. Mapeamento dos arquivos (ignorando variações de maiúsculas/minúsculas)
caminho_raiz <- "~/Documentos/data_science/dados"

arquivos_inst <- list.files(path = caminho_raiz, 
                            pattern = "(?i)instlevel\\.xlsx$", 
                            recursive = TRUE, full.names = TRUE)

arquivos_schools <- list.files(path = caminho_raiz, 
                               pattern = "(?i)schools\\.xlsx$", 
                               recursive = TRUE, full.names = TRUE)

# 2. Função para ler em lote, empilhar e extrair o ano
empilhar_e_extrair_ano <- function(lista_arquivos) {
  lista_arquivos %>%
    set_names() %>%
    map_dfr(~ read_excel(.x, col_types = "text"), .id = "caminho_arquivo") %>%
    mutate(Ano_Academico = str_extract(caminho_arquivo, "20[0-9]{2}-20[0-9]{2}")) %>%
    select(-caminho_arquivo)
}

# 3. Executando a leitura das duas dimensões de dados
dados_instituicao <- empilhar_e_extrair_ano(arquivos_inst)
dados_esportes <- empilhar_e_extrair_ano(arquivos_schools)

# 4. Fusão dos Datasets (Inner Join por chave composta)
dados_completos <- inner_join(dados_esportes, dados_instituicao, 
                              by = c("unitid", "Ano_Academico"))

# 5. Limpeza, Tipagem Numérica e Filtro (NCAA Division I)
dados_limpos <- dados_completos %>%
  rename(
    sector_name = sector_name.x,
    institution_name = institution_name.x,
    classification_name = classification_name.x
  ) %>%
  filter(str_detect(classification_name, "NCAA Division I")) %>%
  mutate(
    # Convertendo para número e zerando NAs com segurança
    REV_MEN = replace_na(suppressWarnings(as.numeric(REV_MEN)), 0),
    EXP_MEN = replace_na(suppressWarnings(as.numeric(EXP_MEN)), 0),
    REV_WOMEN = replace_na(suppressWarnings(as.numeric(REV_WOMEN)), 0),
    EXP_WOMEN = replace_na(suppressWarnings(as.numeric(EXP_WOMEN)), 0),
    GRND_TOTAL_REVENUE = replace_na(suppressWarnings(as.numeric(GRND_TOTAL_REVENUE)), 0),
    GRND_TOTAL_EXPENSE = replace_na(suppressWarnings(as.numeric(GRND_TOTAL_EXPENSE)), 0),
    PARTIC_MEN = replace_na(suppressWarnings(as.numeric(PARTIC_MEN)), 0),
    PARTIC_WOMEN = replace_na(suppressWarnings(as.numeric(PARTIC_WOMEN)), 0)
  )

Visão Interativa da Base Consolidada

Com as tabelas unidas e filtradas, a base final fica pronta para as análises seguintes. A tabela interativa abaixo mostra uma amostra dos dados consolidados, permitindo navegar pelos anos e pelas modalidades.

# Tabela Interativa usando DT
dados_limpos %>%
  select(Ano_Academico, institution_name, classification_name, Sports, 
         EXP_MEN, EXP_WOMEN, REV_MEN, REV_WOMEN) %>%
  head(100) %>%
  datatable(options = list(scrollX = TRUE, pageLength = 5), 
            caption = "Amostra: Série Histórica EADA (NCAA Divisão I)") %>%
  formatCurrency(columns = c('EXP_MEN', 'EXP_WOMEN', 'REV_MEN', 'REV_WOMEN'), 
                 currency = "$", digits = 0)

Resumo Estatístico da Década

A tabela a seguir resume as principais métricas da amostra ao longo de todo o período analisado. Em vez de observar apenas anos isolados, a agregação da década ajuda a identificar padrões gerais no financiamento esportivo universitário.

# Resumo agrupando dados financeiros da década
tabela_resumo_bruto <- dados_limpos %>%
  select(
    `Despesa Bruta (Homens)` = EXP_MEN,
    `Despesa Bruta (Mulheres)` = EXP_WOMEN,
    `Receita Bruta (Homens)` = REV_MEN,
    `Receita Bruta (Mulheres)` = REV_WOMEN
  ) %>%
  pivot_longer(cols = everything(), names_to = "Variável", values_to = "Valor") %>%
  group_by(Variável) %>%
  summarise(
    Média = dollar(mean(Valor, na.rm = TRUE), prefix = "$", big.mark = ",", accuracy = 1),
    Mediana = dollar(median(Valor, na.rm = TRUE), prefix = "$", big.mark = ",", accuracy = 1),
    `Desvio Padrão` = dollar(sd(Valor, na.rm = TRUE), prefix = "$", big.mark = ",", accuracy = 1),
    `Máximo` = dollar(max(Valor, na.rm = TRUE), prefix = "$", big.mark = ",", accuracy = 1)
  )

kable(tabela_resumo_bruto, 
      align = c("l", "r", "r", "r", "r"),
      caption = "Estatísticas Descritivas Globais (2013-2024)")
Estatísticas Descritivas Globais (2013-2024)
Variável Média Mediana Desvio Padrão Máximo
Despesa Bruta (Homens) $608,209 $62,009 $2,989,090 $112,230,118
Despesa Bruta (Mulheres) $323,147 $98,209 $627,152 $13,119,360
Receita Bruta (Homens) $742,836 $61,712 $5,073,292 $200,736,464
Receita Bruta (Mulheres) $274,857 $96,208 $520,862 $21,440,365

Primeiras observações: A média indica que as modalidades masculinas concentram receitas e despesas maiores. No entanto, o desvio padrão também é elevado, o que sugere grande variação entre instituições. A diferença entre média e mediana reforça que os valores totais são influenciados por uma minoria de programas com orçamentos muito altos, como aparece nos valores máximos observados para homens e mulheres.

Esse resultado motiva a análise exploratória: é necessário isolar variáveis, como despesa per capita e lucro líquido, para entender se a diferença aparece de forma generalizada ou se é fortemente influenciada por modalidades de grande orçamento, especialmente o futebol americano.

Análise Exploratória

Nesta seção, a análise passa da descrição geral para comparações mais específicas sobre a assimetria orçamentária no esporte universitário. Os gráficos e tabelas interativos foram usados para facilitar a exploração dos dados ao longo da década.

O Paradoxo do Gasto Per Capita e o Efeito de Diluição

Observar apenas os valores totais sugere que as equipes femininas recebem menos recursos. No entanto, uma comparação mais adequada precisa considerar o tamanho das equipes. Por isso, foi calculado o gasto por atleta, ou gasto per capita.

O gráfico de violino abaixo mostra a distribuição desse gasto no último ano acadêmico completo, 2023-2024, indicando onde a maior parte das observações se concentra.

# 1. Isolando 2024, calculando o Gasto Per Capita e pivotando
dados_per_capita <- dados_limpos %>%
  filter(Ano_Academico == "2023-2024") %>%
  # Removemos divisões por zero (esportes sem participantes)
  filter(PARTIC_MEN > 0 | PARTIC_WOMEN > 0) %>%
  mutate(
    `Masculino` = ifelse(PARTIC_MEN > 0, EXP_MEN / PARTIC_MEN, NA),
    `Feminino` = ifelse(PARTIC_WOMEN > 0, EXP_WOMEN / PARTIC_WOMEN, NA)
  ) %>%
  pivot_longer(cols = c(`Masculino`, `Feminino`), 
               names_to = "Genero", values_to = "Gasto_Per_Capita") %>%
  filter(!is.na(Gasto_Per_Capita))

# 2. Construção do Gráfico de Violino + Boxplot interno
g_violino <- ggplot(dados_per_capita, aes(x = Genero, y = Gasto_Per_Capita, fill = Genero)) +
  geom_violin(alpha = 0.6, trim = FALSE) +
  geom_boxplot(width = 0.1, fill = "white", outlier.shape = NA) +
  scale_y_continuous(labels = dollar_format(prefix = "$"), limits = c(0, 150000)) +
  scale_fill_manual(values = c("Masculino" = "#2C3E50", "Feminino" = "#E74C3C")) +
  labs(
    title = "Distribuição do Gasto Per Capita por Gênero (NCAA Divisão I)",
    subtitle = "Ano Acadêmico 2023-2024",
    x = "Gênero",
    y = "Despesa por Atleta (USD)"
  ) +
  theme_minimal() +
  theme(legend.position = "none")

# 3. Tornando interativo
ggplotly(g_violino)

O gráfico mostra um resultado que, à primeira vista, pode parecer contraintuitivo. A distribuição feminina aparece mais concentrada em valores um pouco superiores, com mediana em torno de $12.000, enquanto a mediana masculina fica próxima de $10.000. Isso não significa, necessariamente, que o financiamento feminino seja maior em termos absolutos. Uma explicação provável é o efeito de diluição: modalidades masculinas como o futebol americano têm orçamentos muito altos, mas também elencos numerosos, frequentemente com mais de 100 atletas. Assim, parte do orçamento masculino é dividida por um número maior de participantes, reduzindo o gasto per capita mediano e mantendo a concentração de grandes valores nos extremos da distribuição.

A Evolução da Disparidade na Última Década

A primeira questão apresentada na introdução diz respeito ao comportamento histórico da diferença de investimento. Considerando que o Title IX já tem mais de 50 anos, seria razoável esperar uma redução gradual da distância orçamentária entre homens e mulheres.

Para avaliar essa tendência, foram somadas as despesas operacionais absolutas da NCAA Divisão I em cada ano acadêmico, separando os valores por gênero.

# 1. Agrupando por ano para obter os totais absolutos da década
evolucao_gap <- dados_limpos %>%
  group_by(Ano_Academico) %>%
  summarise(
    `Masculino` = sum(EXP_MEN, na.rm = TRUE),
    `Feminino` = sum(EXP_WOMEN, na.rm = TRUE)
  ) %>%
  pivot_longer(cols = c(`Masculino`, `Feminino`), 
               names_to = "Gênero", 
               values_to = "Valor_Total")

# 2. Criação do Gráfico de Linhas Histórico
g_evolucao <- ggplot(evolucao_gap, aes(x = Ano_Academico, y = Valor_Total, color = Gênero, group = Gênero)) +
  geom_line(linewidth = 1.2) +
  geom_point(size = 3) +
  scale_y_continuous(labels = label_number(prefix = "$", scale = 1e-6, suffix = "M")) +
  scale_color_manual(values = c("Masculino" = "#2C3E50", "Feminino" = "#E74C3C")) +
  labs(
    title = "Evolução Histórica das Despesas Operacionais Totais",
    x = "Ano Acadêmico",
    y = "Despesa Total Cumulativa (Milhões USD)"
  ) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1),
        legend.position = "bottom")

# 3. Interatividade
ggplotly(g_evolucao, tooltip = c("x", "y", "color"))

A visualização indica que a diferença orçamentária não diminuiu no período analisado. Pelo contrário, as linhas se afastam ao longo da série. Em 2013, a diferença era de cerca de $2,4 bilhões a favor das modalidades masculinas. Em 2024, essa diferença chegou a aproximadamente $5,6 bilhões anuais.

Outro ponto visível é a queda de gastos na temporada 2020-2021, compatível com o impacto da pandemia de COVID-19. Após esse período, a recuperação ocorreu em formato de “V”, mas com crescimento mais acentuado nas despesas masculinas. Com isso, a diferença entre os grupos voltou a se ampliar depois da pandemia.

A Premissa da Lucratividade: O Futebol Paga a Conta?

Uma justificativa frequente para o maior investimento em esportes masculinos é a premissa de que modalidades de grande audiência, especialmente o futebol americano, geram receita suficiente para sustentar a si mesmas e ajudar a financiar outras modalidades da universidade.

Para verificar em que medida essa premissa aparece nos dados da Divisão I, foram isolados os registros de “Football” no último ano acadêmico, 2023-2024. Em seguida, foi calculado o lucro líquido de cada universidade, subtraindo as despesas totais das receitas.

# 1. Filtrando Futebol e Calculando o Lucro Líquido
lucro_futebol <- dados_limpos %>%
  filter(Sports == "Football", Ano_Academico == "2023-2024") %>%
  mutate(
    Lucro_Liquido = REV_MEN - EXP_MEN,
    Status_Financeiro = ifelse(Lucro_Liquido > 0, "Superávit (Deu Lucro)", "Déficit (Deu Prejuízo)")
  )

# 2. Agrupando e calculando percentuais
resumo_lucro <- lucro_futebol %>%
  count(Status_Financeiro) %>%
  mutate(Percentual = n / sum(n))

# 3. Gráfico de Barras do Status Financeiro
g_lucro <- ggplot(resumo_lucro, aes(x = Status_Financeiro, y = n, fill = Status_Financeiro)) +
  geom_col(width = 0.5) +
  geom_text(aes(label = paste0(n, " univ. (", percent(Percentual, accuracy = 1), ")")), 
            vjust = -0.5, size = 4.5, fontface = "bold") +
  scale_fill_manual(values = c("Déficit (Deu Prejuízo)" = "#E74C3C", "Superávit (Deu Lucro)" = "#27AE60")) +
  scale_y_continuous(limits = c(0, max(resumo_lucro$n) * 1.15)) +
  labs(
    title = "A Realidade Financeira do Futebol Americano (2023-2024)",
    subtitle = "NCAA Divisão I: Receita Total vs. Despesa Total da Modalidade",
    x = "",
    y = "Número de Universidades"
  ) +
  theme_minimal() +
  theme(legend.position = "none",
        plot.title = element_text(face = "bold", size = 14))

# 4. Renderização
ggplotly(g_lucro, tooltip = c("y"))

O gráfico sugere que a ideia do “futebol que paga a conta” não se aplica à maioria das instituições analisadas. Das 649 universidades da amostra, 65% (420 instituições) registraram déficit no futebol americano em 2023-2024. O superávit aparece concentrado em uma parcela menor, correspondente a 35% das instituições. Para muitas universidades, os custos de manter os programas ativos, como viagens, comissões técnicas e bolsas, superam a receita atribuída à modalidade. Esse resultado enfraquece a justificativa de que o maior investimento no esporte masculino seria compensado, de forma generalizada, por retornos financeiros do futebol americano.

A tabela interativa abaixo apresenta o balanço de cada programa, permitindo consultar individualmente as universidades analisadas.

# Tabela com as variáveis calculadas
lucro_futebol %>%
  select(institution_name, state_cd = state_cd.x, REV_MEN, EXP_MEN, Lucro_Liquido, Status_Financeiro) %>%
  arrange(desc(Lucro_Liquido)) %>%
  datatable(
    options = list(pageLength = 5, scrollX = TRUE),
    rownames = FALSE,
    caption = "Balanço Financeiro do Futebol Americano (Ordenável)",
    colnames = c("Universidade", "Estado", "Receita", "Despesa", "Lucro Líquido", "Status")
  ) %>%
  formatCurrency(columns = c('REV_MEN', 'EXP_MEN', 'Lucro_Liquido'), currency = "$", digits = 0) %>%
  formatStyle(
    'Status_Financeiro',
    color = styleEqual(c("Superávit (Deu Lucro)", "Déficit (Deu Prejuízo)"), c('#27AE60', '#E74C3C')),
    fontWeight = 'bold'
  )

O Fator Institucional: Público vs. Privado

Para encerrar a análise exploratória, foi avaliada uma hipótese ligada ao tipo de instituição. Como o Title IX é uma lei federal associada a programas educacionais com financiamento público, seria esperado que universidades públicas, sujeitas a maior fiscalização estatal, apresentassem métricas de equidade mais equilibradas do que instituições privadas.

Para observar essa relação, foi construído um boxplot do gap financeiro absoluto, segmentado pelo setor da universidade.

# 1. Calculando o Gap Absoluto por instituição e categorizando o Setor
dados_setor <- dados_limpos %>%
  filter(Ano_Academico == "2023-2024") %>%
  group_by(unitid, institution_name, sector_name) %>%
  summarise(
    Gap_Absoluto = sum(EXP_MEN, na.rm = TRUE) - sum(EXP_WOMEN, na.rm = TRUE),
    .groups = "drop"
  ) %>%
  mutate(
    Tipo_Instituicao = ifelse(str_detect(sector_name, "Public"), "Universidade Pública", "Universidade Privada")
  )

# 2. Gráfico Boxplot Comparativo
g_setor <- ggplot(dados_setor, aes(x = Tipo_Instituicao, y = Gap_Absoluto, fill = Tipo_Instituicao)) +
  geom_boxplot(alpha = 0.7, outlier.color = "#E74C3C", outlier.size = 2.5) +
  scale_y_continuous(labels = label_number(prefix = "$", scale = 1e-6, suffix = "M")) +
  scale_fill_manual(values = c("Universidade Pública" = "#3498DB", "Universidade Privada" = "#9B59B6")) +
  labs(
    title = "Disparidade Financeira (Gap Masculino) por Controle Institucional",
    subtitle = "Vantagem Orçamentária Masculina Absoluta (2023-2024)",
    x = "Controle Institucional",
    y = "Gap a favor do Masculino (Milhões USD)"
  ) +
  theme_minimal() +
  theme(legend.position = "none",
        plot.title = element_text(face = "bold"))

ggplotly(g_setor, tooltip = c("y"))

Os dados não confirmam a expectativa de que o controle governamental esteja associado, por si só, a maior equilíbrio orçamentário. Na amostra analisada, a disparidade é maior e mais variável entre universidades públicas. A mediana do gap a favor das modalidades masculinas nas instituições públicas ultrapassa $1,3 milhão, mais que o dobro da mediana observada nas instituições privadas, de cerca de $521 mil. Além disso, o terceiro quartil das universidades públicas chega a $6,1 milhões, contra $1,2 milhão nas privadas. O maior outlier da amostra também aparece em uma universidade pública, com mais de $112 milhões adicionais associados ao esporte masculino.

Conclusões

Retomada do Problema e Metodologia

Este relatório investigou se a disparidade financeira entre homens e mulheres no esporte universitário de elite, representado pela NCAA Divisão I, diminuiu ao longo do tempo. A pergunta central foi: décadas após a criação do Title IX, o equilíbrio orçamentário avançou de forma consistente?

Para responder a essa pergunta, foram consolidados 11 anos de registros oficiais do EADA, de 2013 a 2024. Os dados foram limpos, empilhados e transformados em métricas comparáveis, como gasto per capita e lucro líquido, permitindo analisar a evolução do financiamento esportivo no período.

Principais Resultados

A análise exploratória indicou quatro pontos principais:

  1. O gap está aumentando: a série histórica indica que a distância financeira entre os gêneros não diminuiu no período analisado. O investimento nas modalidades masculinas cresceu de forma mais acentuada, ampliando o gap orçamentário.
  2. O efeito de diluição: embora o gasto mediano por atleta feminino apareça igual ou levemente superior, esse resultado precisa ser interpretado com cuidado. Orçamentos elevados do futebol americano são divididos por elencos numerosos, o que reduz o gasto per capita masculino mediano e mantém grande concentração de recursos nos extremos da distribuição.
  3. A premissa da lucratividade: a ideia de que “o futebol paga a conta do departamento” não se aplica à maioria das instituições da amostra. Em 2023-2024, 65% das universidades da Divisão I registraram déficit no futebol americano.
  4. O setor público apresentou maior variação: as universidades públicas concentraram alguns dos maiores gaps financeiros da amostra. Mesmo sujeitas a maior fiscalização estatal, elas apresentaram mediana e dispersão superiores às observadas nas instituições privadas.

Implicações Práticas

Os resultados podem apoiar discussões de gestores, reguladores e associações de atletas sobre a distribuição de recursos no esporte universitário. A constatação de que a maioria dos programas de futebol americano da amostra não gerou superávit sugere que a justificativa financeira para maiores investimentos masculinos deve ser analisada com cautela. O relatório também oferece visualizações e tabelas que podem auxiliar o acompanhamento público da aplicação do Title IX, especialmente em instituições públicas.

Limitações e Trabalhos Futuros

A principal limitação da análise é que a base governamental utilizada foca em despesas operacionais, como custos de jogos, viagens e salários. Custos estruturais, como construção de estádios e instalações esportivas, não aparecem diretamente nessa conta. Por isso, a diferença financeira real pode ser maior do que a observada nos gráficos. Além disso, ao tratar valores ausentes (NA) como modalidades inativas, existe o risco de subestimar algumas métricas em casos pontuais de falha ou ausência de reporte.

Para trabalhos futuros, dois caminhos podem ampliar esta análise:

  • Modelagem preditiva: aplicar modelos sobre a série temporal de 2013-2024 para estimar cenários futuros de aproximação ou distanciamento entre os investimentos.
  • Inclusão de infraestrutura e dívida: cruzar os dados operacionais com bases sobre dívida universitária e investimentos em infraestrutura, permitindo avaliar o peso de estádios, arenas e instalações esportivas na manutenção do gap financeiro a longo prazo.