Introdução

O MediadoR pretende se tornar um instrumento que auxilie os pesquisadores de negociações coletivas por todo o Brasil, oferecendo um método simples e fácil de realizar estas pesquisas. Para fazer isto, pretendemos trazer contribuições em basicamente três frentes:

Buscamos reforçar este foco em compartilhar nosso instrumento também através da abertura de nosso código em um repositório no github. Também convidamos todas e todos pesquisadores a contribuírem nele. Se você quiser ajudar, comece lendo nosso Readme para se ter uma ideia melhor de nossa proposta e objetivos.

Este documento, então, é uma breve introdução ao estado atual de nossas funções e elementos que podemos extrair delas.

Instalação do pacote e citação

Organizamos nosso pacote a partir dos pacotes tidyverse, em especial stringr e dplyr, para a manipulação dos dados, e o rvest para realizar o webscraping das páginas das negociações coletivas, o que demanda que estes sejam instalados no seu computador. Se eles não estiverem instalados, nosso código simplesmente não irá funcionar, mas não se preocupe, este processo já é automatizado pelo devtools na instalação de nosso pacote:

# Se você não tem o devtools instalado, instale-o:
install.packages("devtools")

# A partir daí é só colocar o próximo código:
devtools::install_github(repo = "gpistelli/MediadoR", subdir = "pkg")

Para construir esta introdução, usaremos, além dos pacotes chamados pelo MediadoR, o tidyverse e o rmarkdown.

library(tidyverse)
library(rmarkdown)
library(MediadoR)

Se você utilizar nossoo pacote em seu trabalho, não se esqueça de citá-lo. Seu formato na ABNT seria mais ou menos o seguinte:

FERREIRA, Gabriel Pistelli. MediadoR: A Tool to Research Brazilian Collective Bargaining. R Package version 0.1. 2022. Disponível em: <https://github.com/gpistelli/MediadoR>.


Funções auxiliares

Além da coleta de dados, como falamos, também organizamos algumas funções para nos ajudar na manipulação dos dados. Temos três principais funções desenvolvidas até o presente momento: uma de comparação de cláusulas presentes durante o tempo e outras duas que extraem os dados de valores em reais e percentuais.

Se quisermos saber se há alguma cláusula nova ou retirada, podemos utilizar a função CCT.find_nold_clauses():

knitr::kable(NCT_find_nold_clauses(CCT_df))
BASE.TERRITORIAL CATEGORIAS.ABRANGIDAS CATEGORIA.ABRANGIDA
5 Retirado Retirado Novo

Estes dados, então, nos ajudam a entender melhor as transformações no período abrangido pelas negociações. Neste caso, não temos nada especial, apenas mudanças estéticas, como advertimos anteriormente.

Outra função importante é a da retirada de valores em Real, as quais podemos utilizar para investigar o piso salarial, o qual, em nosso caso, temos dois pisos na cláusula: daqueles trabalhadores em experiência, nos primeiros 90 dias de trabalho, e os efetivados. Isto demanda que tiremos a média destes valores:

piso_salarial <- NCT_get_monetary_values(CCT_df$SALÁRIO.NORMATIVO) %>% lapply(X = ., FUN = NCT_convert_mon_to_num) %>% lapply(X = ., FUN = mean) %>% unlist()

names(piso_salarial) <- CCT_df$X

knitr::kable(x = piso_salarial)
x
2015 1182.500
2017 1283.025
2019 1405.800
2020 1443.200
2021 1512.500

O reajuste salarial, por sua vez, possui um único resultado, aplicado para todos os trabalhadores, mas, no fundo, o processo de ajuste dos dados é o mesmo, mas com valores proporcionais, o que exige que somemos 1 ao valor retirado da cláusula em questão para representar um aumento neste valor:

reaj_salario <- NCT_get_percent_value(CCT_df$REAJUSTE.SALARIAL) %>% unlist() %>% NCT_convert_perct_to_num()+1
names(reaj_salario) <- CCT_df$X

knitr::kable(x = reaj_salario)
x
2015 1.1033
2017 1.0850
2019 1.0400
2020 1.0255
2021 1.0477

Estes dados, embora já sejam interessantes apresentados assim, ainda precisam de um tratamento para serem utilizados em nosso exemplo, uma análise da evolução dos salários, a qual mostraremos na próxima seção.

Exemplo de análise: variação do piso e reajuste em comparação com a cesta básica

Como falamos, estes dados precisam ser tratados para que eles possam ser comparados adequadamente e, aqui, nos focaremos em demonstrar as reais variações do poder de compra de seus salários a partir do caso da cesta básica. Primeiro, vamos tratar nossos dados, comparando-os com suas variações reais no tempo:

# Definir as variações em comparação com o primeiro salário de nossa série histórica
piso_salarial <- piso_salarial/piso_salarial[1]

# Vamos juntar o salário anterior como um e escalonar o valor deste a partir dos reajustes concedidos anualmente
reaj_salario <- c(1, reaj_salario)

# Isto daqui também pode virar uma função (FUNCTION)
reaj_salario_ano <- numeric(length(reaj_salario))
for (i in 1:length(reaj_salario)){
  reaj_salario_ano[i] <- prod(reaj_salario[1:i])
}

names(reaj_salario_ano) <- c(CCT_df$X[1]-1, CCT_df$X)

knitr::kable(data.frame(Reaj = reaj_salario_ano[-1], Piso = piso_salarial))
Reaj Piso
2015 1.103300 1.000000
2017 1.197080 1.085011
2019 1.244964 1.188837
2020 1.276710 1.220465
2021 1.337609 1.279070

Agora temos dados que estão comparáveis e pretendemos realizar o mesmo procedimento com o valor da cesta básica, o qual foi retirado do site do DIEESE e se encontra disponível processado e limpado em nosso repositório, indo até Julho de 1994 (implementação do Real).

cesta_bas <- read.csv("https://raw.githubusercontent.com/gpistelli/MediadoR/main/data/DIEESE/Cesta/Curitiba/Cesta_Curitiba.csv", row.names = 1, fileEncoding = "utf8")

anos <- 2014:2021

cesta_bas_mean_year <- numeric(length(anos))

for (i in 1:length(anos)){
cesta_bas_mean_year[i] <- cesta_bas %>% filter(Ano == anos[i]) %>% .$CB %>% as.numeric() %>% mean()
}
cesta_bas_mean_year <- cesta_bas_mean_year/cesta_bas_mean_year[1]
names(cesta_bas_mean_year) <- anos

Com estes dados organizados e comparáveis, podemos plotá-los de forma adequada. Diversos métodos podem ser feitos para seguir este processo, e recomendamos em especial o ggplot, o qual, devido ao seu formato peculiar, exigirá que nós façamos uma gambiarra com nossos vetores, a qual já organizamos na função generate_ggplot2_df:

ts_df <- rbind(NCT_generate_ggplot2_df("Piso", piso_salarial),
               NCT_generate_ggplot2_df("Reaj", reaj_salario_ano),
               NCT_generate_ggplot2_df("CB", cesta_bas_mean_year)
               ) %>% as.data.frame()

# Podemos incluir estes elementos na função generate_ggplot2_df (FUNCTION)
names(ts_df) <- c("Obj", "Ano", "Prop")
ts_df$Prop <- as.numeric(ts_df$Prop)
ggplot(ts_df, aes(x = Ano, y = Prop, group = Obj)) +
  geom_line(aes(color = Obj)) +
  geom_point(aes(color = Obj))

Estes dados demonstram explicitamente uma perda gigantesca no poder de compra desta categoria, tanto com relação ao piso salarial quanto ao reajuste. Outros dados interessantes poderiam ser mobilizados por aqui, como o salário mínimo, ou até mesmo agregando categorias por setores, estados, regiões, etc.

Referências

DIEESE. Cesta básica de alimentos. Disponível em: http://www.dieese.org.br/cesta/.

MTE. Sistema Mediador. 1997. Disponível em: http://www3.mte.gov.br/sistemas/mediador/Home.

WICKHAM, Hadley. rvest: Easily Harvest (Scrape) Web Pages. R package version 0.3.6. 2020. Disponível em: https://CRAN.R-project.org/package=rvest.

_____; et al. Welcome to the tidyverse. Journal of Open Source Software, 4(43), 1686, 2019