Economia RS Impact — Projeto de Análise de Dados

Tema: Estudo da resiliência econômica do Rio Grande do Sul pós-desastre de 2024, cruzando dados de emprego do CAGED com índices de chuva do INMET.

Objetivo do Projeto

Analisar o impacto socioeconômico das enchentes históricas no Rio Grande do Sul (ocorridas em maio de 2024) por meio da resiliência do mercado de trabalho formal.

O projeto busca correlacionar índices pluviométricos extremos com a flutuação de empregos (admissões e desligamentos), estabelecendo uma linha do tempo (2023 como base, 2024 como evento e 2025 como recuperação) para identificar o Lag Time (tempo de resposta) e os setores econômicos mais afetados pela catástrofe.

Estrutura do Projeto

Plaintext

rs-impact/
├── data/
│   ├── raw/                # Dados originais não modificados (CAGED, INMET, DEE-RS)
│   └── processed/          # Dados limpos e padronizados gerados pelos scripts
│
├── src/                    # Código-fonte principal
│   ├── ingestion/          # Scripts de download ou extração automatizada
│   ├── processing/         # Scripts de limpeza e conversão (ex: converter.py)
│   ├── analysis/           # Scripts de análise estatística e agregação
│   └── mapreduce_engine/   # Scripts de processamento distribuído (MRJob)
│
├── notebooks/              # Jupyter Notebooks para exploração e testes rápidos
│
├── outputs/                # Resultados gerados pela análise
│   ├── charts/             # Gráficos (PNG, PDF)
│   └── reports/            # Relatórios em texto e sumarizações (TXT, CSV finais)
│
├── docs/                   # Documentação detalhada, metadados e artigo final
├── requirements.txt        # Dependências do projeto
└── README.md               # Este arquivo

Pipeline de Dados (Fluxo de Execução)

O projeto segue um fluxo clássico de ETL e análise de Big Data:

1. Ingestão: Coleta dos microdados do CAGED e relatórios pluviométricos.
2. Transformação (Limpeza): Filtragem geográfica (isolando o RS) e padronização das colunas temporais e setoriais.
3. Agregação: Concatenação dos dados de 2023, 2024 e 2025 em uma base unificada temporal.
4. Enriquecimento: Join dos dados econômicos com as métricas de chuva (mm acima da média).
5. Análise e Visualização: Extração de correlações estatísticas e geração dos artefatos visuais.

Ferramentas e Tecnologias

• Python 3: Linguagem base do projeto.
• Pandas / Numpy: Manipulação e limpeza de dados tabulares em memória.
• Apache Spark / PySpark: Processamento distribuído para os volumes massivos de dados, se necessário.
• Jupyter Notebook: Ambiente de desenvolvimento interativo para exploração inicial.
• Matplotlib / Seaborn: Criação das visualizações e gráficos comparativos.
• Openpyxl / Xlrd: Leitura e conversão de formatos legados e modernos do Excel.

Documentação Adicional

Para detalhes técnicos profundos e acesso à fundamentação teórica, consulte o diretório /docs:

• docs/datasets.md: Dicionário de dados, mapeamento de colunas do CAGED e descritivo das fontes originais.
• docs/metodologia.md: Detalhamento estatístico, justificativas metodológicas e decisões de arquitetura do pipeline de dados.
• docs/resultados_consolidados.md: Síntese dos achados analíticos finais, abordando as correlações setoriais e o comportamento de lag time .
• docs/trabalho_academico_rs_impact.pdf: Documento consolidado da pesquisa acadêmica formatado conforme as normas da ABNT.

Contribuidores

Este projeto foi desenvolvido como trabalho acadêmico para a disciplina de Big Data e Análise de Dados no Centro Universitário Estácio, Campus Aracaju (2026).

• Lucas Paiva Santos de Oliveira — @lucaspaiva-lp
• Rodrigo Moraes dos Santos — @RodrigoDevBack

Orientador da Disciplina

• Prof. Max Castor Rodrigues Junior