Relatório Final
Thaynara Aparecida da S. Velasco
13 de julho de 2022
1. Introdução
A construção civil foi um dos setores da indústria mais afetado pela pandemia do Covid-19, pois devido ao alto índice de contaminação, as esferas federais, estaduais e municipais determinaram medidas de prevenção para o controle de transmissão do novo coronavírus. Desse modo, foi estabelecido a obrigatoriedade do cumprimento de protocolos de segurança, como o isolamento social para atividades não essenciais, os quais preliminarmente propiciaram a paralisação de obras, férias coletivas, redução de jornada de trabalho e suspensão de contratos (BATISTA et al., 2020).
Esses problemas não ocorrem apenas devido às medidas de isolamento no país. O mundo inteiro sofreu com as consequências, principalmente o setor de exportações. A falta de insumos fez com que o preço de diversas matérias-primas, como vidro, alumínio, cobre etc. ficassem mais caras e os prazos de entrega mais lentos. Além disso, a baixa produção e a alta demanda, somadas à desvalorização do real encareceu os materiais. No entanto, mesmo com tantos problemas, o setor da construção apresentou crescimento econômico no ano de 2020 burlando o cenário pandêmico.
De acordo com os resultados do Produto Interno Bruto (PIB) o setor cresceu 2,7% no segundo trimestre de 2021 e de acordo com o CBIC 2020, fechou o ano de 2020 com a implementação de 112174 postos de trabalho mesmo com a economia nacional se mantendo em relativa instabilidade, demonstrando a importância deste seguimento para a economia do país durante este período pandêmico com um impacto financeiro positivo para o país.
2. Objetivo
O objetivo geral do presente estudo é avaliar a expansão do setor da construção civil durante a pandemia do covid-19 em comparação com o ano anterior, 2019. Por meio da comparação entre as quantidades de empresas existentes, postos de trabalho ocupados e custo de construções nos anos de 2020 e 2019 por região do país, utilizando-se diagramas de dispersão e gráficos Boxplot e teste de hipóteses.
3. Revisão Bibliográfica
O cenário pandêmico ampliou a ocorrência de crises econômicas em diverso países, englobando Brasil, onde o setor econômico desde 2018 já estava tentando se recuperar de uma expressiva recessão ocorrida entre os anos de 2015 e 2017 (MATTEI; HEINEN, 2020). No entanto, o setor da construção civil continuou em plena atividade após ser considerado como atividade essencial e conseguiu driblar a pandemia que estamos enfrentando. Dados da Pesquisa Nacional por Amostragem de Domicílios (Pnad), por meio do Instituto Brasileiro de Geografia e Estatísticas (IBGE) apontam crescimento de 10,7% em 2020, concluindo então, que a construção civil é um dos maiores setores que aquecem a economia brasileira.
O Cadastro Geral de Empregados e Desempregados (Caged), que avalia apenas o trabalho formal, também aponta a construção civil como o setor que mais gerou vagas de janeiro a novembro de 2020: 157.881 mil. A criação de postos de trabalho aumentou 34,6% na comparação com o mesmo período de 2019. O crescimento acumulado do número de trabalhadores com carteira assinada foi de 7,29% em 11 meses. No início de janeiro de 2020, o contingente era de 2,176 milhões e, no final de novembro, 2,324 milhões de trabalhadores com carteira assinada.
Os dois últimos meses do ano são sazonais, é um período mais chuvoso e, normalmente, o saldo de empregos é negativo. No entanto, tivemos o melhor novembro da série histórica, iniciada em 1992. Foram gerados mais de 20 mil novos postos de trabalho, o que mostra a força da reação da construção civil (VASCONCELOS, 2020). A construção civil vem passando por grandes mudanças, mas segundo a Câmara Brasileira da Indústria da Construção (Cbic), o setor pode ser otimista.
4. Metodologia
Para este estudo, foi selecionada uma base de dados do IBGE que contém informações sobre região, número de empresas, pessoal ocupado, salários, custos e valores de incorporações e serviços na construção civil referentes aos anos de 2019 e 2020. Foram anexadas às tabelas importadas do banco de dados do IBGE, as regiões de cada estado para melhor avaliação dos objetivos propostos por este estudo.
A seguir, segue a base de dados utilizada - 2019:
#Relatorio final
#Carregar biblioteca para incluir tabela
library(kableExtra)
#Carregar base de dados objeto da pesquisa - 2019
library(readxl)
Dados_2019 <- read_excel("tabela_11_2019.xlsx")
View(Dados_2019)
#Execução e manipulação da tabela - 2019
kable(Dados_2019, row.names = FALSE)%>%
kable_styling( full_width = T,bootstrap_options = c("striped", "hover", "condensed", "responsive"),
position = "center", fixed_thead = T) %>%
scroll_box(width = "900px", height = "600px")| Unidades_de_federação | Região | Quantidade_Empresas_Unidades_da_Federação_de_origem | Quantidade_Empresas_Atuantes_nas_Unidades_da_Federação_(1) | Pessoal_ocupado_em_31_12 | Salários_retiradas_e_outras_remunerações _1 000R$ | Custos_de_ incorporação_e_das_obras_ou_serviços_da_construção_1 000R$ | Valor_das_incorporações_obras_e_ou _serviços_da_construção _1 000R$ |
|---|---|---|---|---|---|---|---|
| Norte | NA | NA | NA | NA | NA | NA | NA |
| Rondônia | NORTE | 272 | 365 | 7380 | 219459 | 324476 | 1110257 |
| Acre | NORTE | 111 | 130 | 3238 | 84141 | 158042 | 459375 |
| Amazonas | NORTE | 416 | 500 | 19254 | 532151 | 1175407 | 3333399 |
| Roraima | NORTE | 82 | 105 | 3242 | 89025 | 229577 | 634499 |
| Pará | NORTE | 647 | 789 | 50338 | 1544663 | 2682381 | 8019104 |
| Amapá | NORTE | 30 | 54 | 2132 | 78846 | 148472 | 390731 |
| Tocantins | NORTE | 230 | 323 | 7339 | 208791 | 453511 | 1358057 |
| Nordeste | NA | NA | NA | NA | NA | NA | NA |
| Maranhão | NORDESTE | 520 | 630 | 29176 | 802972 | 1245440 | 3854065 |
| Piauí | NORDESTE | 491 | 565 | 18440 | 425082 | 900760 | 2540194 |
| Ceará | NORDESTE | 1537 | 1663 | 53942 | 1418294 | 2675113 | 7814154 |
| Rio Grande do Norte | NORDESTE | 723 | 794 | 24306 | 656874 | 1375014 | 3602307 |
| Paraíba | NORDESTE | 914 | 977 | 23106 | 489414 | 1003884 | 2909068 |
| Pernambuco | NORDESTE | 1502 | 1678 | 56510 | 1588058 | 2461010 | 7711878 |
| Alagoas | NORDESTE | 291 | 354 | 16726 | 384950 | 925826 | 2254228 |
| Sergipe | NORDESTE | 293 | 338 | 14574 | 400865 | 606537 | 1702151 |
| Bahia | NORDESTE | 2010 | 2373 | 99522 | 3018184 | 4421544 | 14025538 |
| Sudeste | NA | NA | NA | NA | NA | NA | NA |
| Minas Gerais | SUDESTE | 6843 | 7237 | 212955 | 5939516 | 10504028 | 30042940 |
| Espírito Santo | SUDESTE | 1142 | 1244 | 37254 | 997977 | 1708687 | 5106576 |
| Rio de Janeiro | SUDESTE | 3457 | 3867 | 137875 | 4864796 | 7053790 | 21049213 |
| São Paulo | SUDESTE | 15287 | 15781 | 455315 | 15881916 | 28619148 | 75277734 |
| Sul | NA | NA | NA | NA | NA | NA | NA |
| Paraná | SUL | 4896 | 5049 | 109043 | 3218909 | 7272221 | 18027802 |
| Santa Catarina | SUL | 4445 | 4749 | 88893 | 2505468 | 5244185 | 12779684 |
| Rio Grande do Sul | SUL | 5259 | 5435 | 97903 | 3120605 | 6481059 | 16575242 |
| Centro-Oeste | NA | NA | NA | NA | NA | NA | NA |
| Mato Grosso do Sul | CENTRO-OESTE | 620 | 787 | 19323 | 618537 | 1186194 | 3283046 |
| Mato Grosso | CENTRO-OESTE | 930 | 1107 | 28529 | 880238 | 2018360 | 5022456 |
| Goiás | CENTRO-OESTE | 1738 | 1885 | 51000 | 1413668 | 3010223 | 8258804 |
| Distrito Federal | CENTRO-OESTE | 879 | 1014 | 40478 | 1275684 | 2632622 | 6940526 |
A seguir, segue a base de dados utilizada - 2020:
#Carregar base de dados objeto da pesquisa - 2020
library(readxl)
Dados_2020 <- read_excel("Tabela_11_2020.xlsx")
View(Dados_2020)
#Execução e manipulação da tabela - 2020
kable(Dados_2020, row.names = FALSE)%>%
kable_styling( full_width = T,bootstrap_options = c("striped", "hover", "condensed", "responsive"),
position = "center", fixed_thead = T)%>%
scroll_box(width = "900px", height = "600px")| Unidades_de_federação | Região | Quantidade_Empresas_Unidades_da_Federação_de_origem | Quantidade_Empresas_Atuantes_nas_Unidades_da_Federação | Pessoal_ocupado_em_31_12 | Salários_retiradas_e_outras_remunerações _1000R$ | Custos_de _incorporação_e_das_obras _e_ou_serviços_1000R$ | Valor_das_incorporações_obras_e_ou_serviço_1000R$ |
|---|---|---|---|---|---|---|---|
| Norte | NA | NA | NA | NA | NA | NA | NA |
| Rondônia | NORTE | 301 | 432 | 7953 | 212374 | 375359 | 1223344 |
| Acre | NORTE | 90 | 110 | 3388 | 87692 | 181605 | 470567 |
| Amazonas | NORTE | 438 | 492 | 20953 | 597465 | 1416722 | 4249506 |
| Roraima | NORTE | 54 | 85 | 4260 | 147679 | 265109 | 717698 |
| Pará | NORTE | 625 | 765 | 59704 | 1774117 | 2987184 | 9296455 |
| Amapá | NORTE | 43 | 74 | 2649 | 103365 | 168309 | 487311 |
| Tocantins | NORTE | 284 | 335 | 8815 | 215630 | 451506 | 1318628 |
| Nordeste | NA | NA | NA | NA | NA | NA | NA |
| Maranhão | NORDESTE | 544 | 652 | 35250 | 977404 | 2188926 | 5821658 |
| Piauí | NORDESTE | 447 | 518 | 19352 | 454907 | 971575 | 3202939 |
| Ceará | NORDESTE | 1523 | 1661 | 55179 | 1304699 | 2943388 | 7804728 |
| Rio Grande do Norte | NORDESTE | 795 | 893 | 27998 | 583797 | 1168009 | 3548279 |
| Paraíba | NORDESTE | 958 | 1015 | 23442 | 501565 | 1052212 | 3559692 |
| Pernambuco | NORDESTE | 1468 | 1598 | 54976 | 1437411 | 2791513 | 8059702 |
| Alagoas | NORDESTE | 364 | 420 | 20031 | 484106 | 1053851 | 2750961 |
| Sergipe | NORDESTE | 349 | 378 | 13056 | 407747 | 566407 | 1715579 |
| Bahia | NORDESTE | 2170 | 2409 | 96164 | 2919732 | 5117365 | 14067489 |
| Sudeste | NA | NA | NA | NA | NA | NA | NA |
| Minas Gerais | SUDESTE | 7190 | 7499 | 243104 | 6896050 | 12519359 | 35915936 |
| Espírito Santo | SUDESTE | 1153 | 1350 | 40536 | 1022076 | 2036190 | 6099819 |
| Rio de Janeiro | SUDESTE | 3587 | 3935 | 126212 | 4432311 | 6005257 | 20555165 |
| São Paulo | SUDESTE | 15791 | 15967 | 484803 | 16496707 | 26891289 | 77952561 |
| Sul | NA | NA | NA | NA | NA | NA | NA |
| Paraná | SUL | 5432 | 5717 | 120698 | 3725641 | 9270765 | 22604588 |
| Santa Catarina | SUL | 4753 | 4946 | 87623 | 2662674 | 5990385 | 14496103 |
| Rio Grande do Sul | SUL | 5103 | 5334 | 94181 | 2899134 | 7466466 | 17915998 |
| Centro-Oeste | NA | NA | NA | NA | NA | NA | NA |
| Mato Grosso do Sul | CENTRO-OESTE | 690 | 939 | 21379 | 640567 | 1129134 | 3354921 |
| Mato Grosso | CENTRO-OESTE | 1180 | 1395 | 31061 | 928054 | 2092948 | 5807981 |
| Goiás | CENTRO-OESTE | 1960 | 2151 | 57443 | 1636163 | 3374472 | 9582078 |
| Distrito Federal | CENTRO-OESTE | 870 | 956 | 38259 | 1342922 | 2573293 | 6892288 |
A tabela abaixo constitui o dicionário de dados, em que constam as variáveis e uma breve explicação do que cada uma delas significa.
library(readxl)
Dicionario <- read_excel("Dicionario.xlsx")
View(Dicionario)
#Execução e manipulação da tabela
library(DT)
DT::datatable(Dicionario, rownames = FALSE, colnames = FALSE)As informações sobre quantidade de empresas e pessoal ocupado por região serão apresentados através de gráficos do tipo boxplots para cada ano, histogramas e Q-Q plot. Além disso, será realizado teste de hipóteses para analisar a influência da região (variável qualitativa) no crescimento econômico da indústria da construção civil com base no números de empresas do setor existentes (variável quantitativa) no período de pandemia.
5. Análise de Resultados
5.1 Boxplot
Para avaliação entre o relacionamento de variáveis qualitativas (Região) com variáveis quantitativas (quantidade de empresas e número de pessoal ocupado) fez-se uso do gráfico do tipo bloxpot.
#2019
#Boxplot
#Manipulação de dados
Dados_2019$Região<-as.factor(Dados_2019$Região)
#Construção de gráfico tipo boxplot
#Quantidade de empresas x Região
# quantitativa = Quantidade de empresas
# qualitativa = Região
boxplot(Quantidade_Empresas_Unidades_da_Federação_de_origem~Região, data=Dados_2019, col=c("red","#faa005","#1bc704","#0f8efc","yellow"), xlab = "Regiões", ylab = "Quantidade de empresas", main="Bloxpot 1 \n Nº de empresas por região - 2019\n")
O boxplot 1 acima demonstra que a quantidade de empresas no ano de 2019 variam de acordo com a região do país, observa-se que a região Sudeste é a que apresenta o maior número de empresas ativas no setor da construção civil, seguida das regiões Sul, Nordeste, Centro-oeste e norte respectivamente.
# Boxplot 2 - Número de ocupados x Região
# quantitativa = Numero de ocupados
# qualitativa = Região
boxplot(Pessoal_ocupado_em_31_12~Região, data=Dados_2019, col=c("red","#faa005","#1bc704","#0f8efc","yellow"), xlab = "Regiões", ylab = "Número de ocupados", main="Bloxpot 2 \n Nº de ocupados por região - 2019\n")
O boxplot 2 acima demonstra que a quantidade de pessoas ocupadas no ano de 2019, ou seja, empregadas no setor da construção civil também varia de acordo com a região do país, observa-se que a região Sudeste é a que apresenta o maior número de pessoas ocupadas, seguida pelas regiões Nordeste, Sul, centro-oeste e Norte respectivamente. Desta forma, percebe-se que a região Sul mesmo com um número maior de empresas ativas do que a região nordeste, detêm uma quantidade menor de pessoas empregadass que a mesma.
#2020
#Boxplot
#Manipulação de dados
Dados_2020$Região<-as.factor(Dados_2020$Região)
#Construção de gráfico tipo boxplot
#Quantidade de empresas x Região
boxplot(Quantidade_Empresas_Unidades_da_Federação_de_origem~Região, data=Dados_2020, col=c("red","#faa005","#1bc704","#0f8efc","yellow"), xlab = "Regiões", ylab = "Quantidade de empresas", main="Bloxpot 3 \n Nº de empresas por região - 2020\n")
O boxplot 3 acima demonstra o mesmo cenário identificado no boxplot 1 referente ao ano de 2019, que a quantidade de empresas variam de acordo com a região do país, observa-se que a região Sudeste é a que apresenta o maior número de empresas ativas no setor da construção civil seguida das regiões Sul, Nordeste, Centro-oeste e norte respectivamente.
# Boxplot 4 - Número de ocupados x Região
# quantitativa = Numero de ocupados
# qualitativa = Região/localidade
boxplot(Pessoal_ocupado_em_31_12~Região, data=Dados_2020, col=c("red","#faa005","#1bc704","#0f8efc","yellow"), xlab = "Regiões", ylab = "Número de ocupados", main="Bloxpot 4 \n Nº de ocupados por região - 2020\n")
O boxplot 4 acima demonstra que a quantidade de pessoas ocupadas no ano de 2020, ou seja, empregadas no setor da construção civil também variam de acordo com a região do país, observa-se que a região Sudeste é a que apresenta o maior número de pessoas ocupadas, seguida pelas regiões Nordeste, Sul, centro-oeste e Norte respectivamente, igualmente acontece no mesmo período de 2019.
5.2 Teste de hipótese
A realização dos testes será efetuada com análise dos pressupostos a partir dos residuos do modelo estatístico criado a partir da base de dados utilizada para estudo. Adota-se alpha=0,05 para todos os testes realizados. Dessa forma, a regra de decisão ficaria definida como:
Se p-value ≤ alpha, rejeita H0. Se p-value > alpha, não rejeita H0.
5.2.1 Variável Qualitativa vs Variável Quantitativa
Para analisar se a variável Região (qualitativa) interfere na variável Quantidade_Empresas_Unidades_da_Federação_de_origem (quantitativa) que refere-se a quantidade de empresas existentes será realizado o teste de hipóteses e para isso será utilizada a base de dados no ano de 2019.
# Modelo estatístico- 2019
library(readxl)
Dados_2019 <- read_excel("tabela_11_2019.xlsx")
View(Dados_2019)
modelo <- aov(Quantidade_Empresas_Unidades_da_Federação_de_origem ~ Região, data = Dados_2019)
residuos <- residuals(modelo)
residuos 2 3 4 5 6 7
16.571429 -144.428571 160.571429 -173.428571 391.571429 -225.428571
8 10 11 12 13 14
-25.428571 -400.111111 -429.111111 616.888889 -197.111111 -6.111111
15 16 17 18 20 21
581.888889 -629.111111 -627.111111 1089.888889 160.750000 -5540.250000
22 23 25 26 27 29
-3225.250000 8604.750000 29.333333 -421.666667 392.333333 -421.750000
30 31 32
-111.750000 696.250000 -162.750000 A avaliação do pressuposto de normalidade de distribuiçaõ dos dados é realizado com base nos residuos do modelo estatístico, inseridos acima. O histograma, bem como o Q-Q Plot são duas ferramentas gráficas que auxiliam a verificação do pressuposto de normalidade, percebe-se que não há uma relação de normaliddade na distribuião dos dados.
# Avaliando o pressuposto de normalidade
hist(residuos)
qqnorm(residuos)
Porém, será realizado o teste de normalidade Shapiro- Wilk para confirmar ou não o pressuposto de normalidade.
H0: os dados seguem uma distribuição normal H1: os dados NÃO seguem uma distribuição normal alpha = 0.05
#Se pvalor <= alpha Rejeita HA #Se pvalor > alpha NÃO Rejeita H0
# Teste de normalidade (Shapiro Wilk)
#H0: os dados seguem uma distribuição normal
#H1: os dados NÃO seguem uma distribuição normal
#alpha = 0.05
# Se pvalor <= alpha Rejeita HA
# Se pvalor > alpha NÃO Rejeita H0
shapiro.test(residuos)
Shapiro-Wilk normality test
data: residuos
W = 0.61664, p-value = 3.253e-07Para a quantidade de empresas existentes , pvalor < 0,05, logo rejeita H0. Sendo assim, os residuos não seguem uma distribuição normal, o pressuposto da normalidade foi violado. Com isto, como a variável região possui 05 grupos, adota-se em seguida o teste de Kruskal-Wallis, um método não paramétrico, onde:
H0: A distribuição de empresas segue o mesmo quantitativo nas cinco regiões do país em 2019 H1: Pelo menos uma região se destaca mais quanto ao números de empresas existentes alpha = 0.05
#Se pvalor <= alpha Rejeita H0 #Se pvalor > alpha NÃO Rejeita H0
#H0: A distribuição de empresas segue o mesmo quantitativo nas cinco regiões do país em 2019
#H1: Pelo menos uma região se destaca mais quanto ao números de empresas existentes
#alpha = 0.05
# Se pvalor <= alpha Rejeita H0
# Se pvalor > alpha NÃO Rejeita H0
kruskal.test(Quantidade_Empresas_Unidades_da_Federação_de_origem ~ Região, data=Dados_2019)
Kruskal-Wallis rank sum test
data: Quantidade_Empresas_Unidades_da_Federação_de_origem by Região
Kruskal-Wallis chi-squared = 19.117, df = 4, p-value = 0.0007455O pvalor < 0,05, logo rejeita a hipótese nula H0. Portanto, a quantidade de empresas difere de acordo com a região, sendo assim, pelo menos uma se destaca mais, no que diz respeito a quantidade. E como o pressuposto de normalidade não foi garantido, será realizado o teste de Comparações Múltiplas de Wilcoxon.
pairwise.wilcox.test(Dados_2019$Quantidade_Empresas_Unidades_da_Federação_de_origem,
Dados_2019$Região,
p.adjust.method="fdr")
Pairwise comparisons using Wilcoxon rank sum exact test
data: Dados_2019$Quantidade_Empresas_Unidades_da_Federação_de_origem and Dados_2019$Região
CENTRO-OESTE NORDESTE NORTE SUDESTE
NORDESTE 0.559 - - -
NORTE 0.030 0.030 - -
SUDESTE 0.071 0.033 0.030 -
SUL 0.071 0.030 0.033 1.000
P value adjustment method: fdr Com p-valor < 0,05, a hipótese nula H0 é rejeitada. Assim, os grupos são amostrados de regiões com diferentes distribuiçoes,ou seja, a quantidade de empresas do setor da construção civil ativas não possui distribuição semelhante em todas as regiões do país, o que é perceptível no Boxplot, em que se observa esta diferença.
5.2.2 Variável Quantitativa vs Variável Quantitativa
Para valiar se a quantidade de empresas existentes (Quantitativa) no ano de 2019 tem relação com a quantidade de empresas existentes por estado no ano da pandemia, 2020, utiliza-se outro teste de hipótese por se tratar de duas variáveis quantitativas.
Avaliação do pressuposto de normalidade, foi realizado um teste de normalidade das variáveis adotadas para o ano de 2019 e 2020:
## Hipótese: Avaliar se a quantidade de empresas existentes (Quantitativa) no ano de 2019 tem relação com a quantidade de empresas no ano da pandemia, 2020.
## Dados coletados em 2019 e 2020
## Método: Coeficiente de correlação
#H0: os dados seguem uma distribuição normal
#H1: os dados NÃO seguem uma distribuição normal
#alpha = 0.05
# Se pvalor <= alpha Rejeita HA
# Se pvalor > alpha NÃO Rejeita H0
# Dados de 2019
shapiro.test(Dados_2019$Quantidade_Empresas_Unidades_da_Federação_de_origem)
Shapiro-Wilk normality test
data: Dados_2019$Quantidade_Empresas_Unidades_da_Federação_de_origem
W = 0.61607, p-value = 3.203e-07p-value = 3.203e-07 < 0,05, então rejeita H0
# Dados de 2020
shapiro.test(Dados_2020$Quantidade_Empresas_Unidades_da_Federação_de_origem)
Shapiro-Wilk normality test
data: Dados_2020$Quantidade_Empresas_Unidades_da_Federação_de_origem
W = 0.62096, p-value = 3.668e-07p-value = 3.668e-07 < 0,05, então rejeita H0
Portanto etas variáveis, tanto de 2019 quanto de 2020, não seguem uma distribuição normal, desta maneira o próximo teste a ser relizado será o teste de Spearman:
#H0: rho = 0
#H1: rho := 0
#apha = 0,05
cor.test(Dados_2020$Quantidade_Empresas_Unidades_da_Federação_de_origem,Dados_2019$Quantidade_Empresas_Unidades_da_Federação_de_origem,method = "spearman")
Spearman's rank correlation rho
data: Dados_2020$Quantidade_Empresas_Unidades_da_Federação_de_origem and Dados_2019$Quantidade_Empresas_Unidades_da_Federação_de_origem
S = 8, p-value < 2.2e-16
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
0.997558 p-value < 2.2e-16 p-valor< alpha, então rejeita H0
Desse modo, existe uma relação linear entre a quantidade de empresa existentes por estado no ano de 2019 e 2020
6. Conclusão
O estudo evidenciou que o número de empresas da construção civil ativas, pessoal ocupado, custo e valores de salários, incorporações e serviços da construção foram maiores no ano de 2020 quando comparado com o ano de 2019. Ou seja, mesmo com a recessão econômica que o Brasil já enfrentava somado ao período pandêmico, a indústria da construção conseguiu superar as expectativas e apresentar diante de todos os problemas uma melhora financeira colaborando para a economia do país.
Outro fator observado pelas análises gráficas, além da melhora econômica no ano de 2020, é que a região Sudeste é a que obteve maior parte deste avanço do setor da construção civil. Somado a isso, observou-se que a taxa de desemprego neste setor conseguiu obter uma melhora significativa.
Bibliografia
BATISTA, K.R.; NETTO, C. S. L.; MEDEIROS, L. R. A. Procedimentos para o combate à covid-19 em canteiros de obras com base na experiência de uma construtora da cidade de João Pessoa-PB. Acta Scientia, v. 2, n. 1, 2020.
BRASIL. Instituto Brasileiro de Geografia e Estatística. O IBGE. Disponível em https://www.ibge.gov.br/estatisticas/downloads-estatisticas.html. Acesso em: 07 jun. 2022.
CÂMARA BRASILEIRA DE INDÚSTRIA DA CONSTRUÇÃO - CBIC. Banco de dados: estoque de trabalhadores na construção civil. Disponível em: Acesso em: 03 jul. 2022.
JUNIOR, Marcos. Tudo sobre o crescimento da construção civil durante a pandemia. Construinforma, 21 de set. de 2021. Disponível em: https://construinforma.com.br/tudo-sobre-o-crescimento-da-construcao-civil-durante-a-pandemia/Acesso em: 22 de jun. de 2022.
LUNARDELLI, Paula. Indústria da construção: como está o cenário e quais os impactos da pandemia. Sienge, 31 de maio de 2021. Disponível em: https://www.sienge.com.br/blog/industria-da-construcao-impactos-da-pandemia/. Acesso em: 22 de jun. de 2022
MATTEI, L.; HEINEN, V. L. Impactos da crise da covid-19 no mercado de trabalho brasileiro. Brazilian Journal of Political Economy, v. 40, n. 4, p. 647-668, 2020. Mendonça, Fernanda, Adelmar Junior, Marcos Francisco, e Lino Maia. Análise Dos Impactos Na Construção Civil Frente à Pandemia Da COVID-19 / Analysis of the Impacts On Civil Construction in the Face of the COVID-19 Pandemic. Brazilian Journal of development, v. 7. n. 10, 2021.
Otimismo em alta na construção civil: setor seguem em expansão. Correio Braziliense, Rio de Janeiro. Disponível em: https://www.sinduscon-rio.com.br/wp/noticias/otimismo-em-alta-na-construcao-civil-setor-segue-em-expansao/. Acesso em: 20 de jun. de 2022.