Clusters of Brazilian municipalities and the relationship with their fiscal management

• Marcio Afonso PUC-Rio
• Tatiana Escovedo PUC-Rio

Resumo

The management of municipal finances is crucial in providing quality services and infrastructure to citizens and the availability of data and indicators that provide an individualized view of fiscal management is relatively recent. Therefore, we seek to identify which socioeconomic characteristics of brazilian municipalities appear to have the greatest influence on the FIRJAN Fiscal Management Index (IFGF) for the more than five thousand Brazilian municipalities, as well as to identify homogeneous groups of cities based on such characteristics, using the K-Means method for clustering. Among the main conclusions, we highlight that Brazilian cities are very homogeneous and face the same social vulnerabilities and that the average level of municipal investment does not significantly differ between groups, even when we compare groups with greater socioeconomic disparities.

Palavras-chave: Municipal Finances, Firjan Fiscal Management Index, Clustering

Referências

José Roberto Afonso, Cristóvão Correia, Júlio Ramundo, Maurício David, Erika Araújo, Romulo dos Santos. 1998. Municípios, arrecadação e administração tributária: quebrando tabus. Revista do BNDES, Rio de Janeiro, v. 5, n. 10 (dez. 1998), 3-36. https://web.bndes.gov.br/bib/jspui/handle/1408/11521

Magno Cirino Barbosa Filho. 2013. Uma avaliação do programa de modernização da administração tributária (PMAT) sobre o esforço fiscal dos municípios (2000 a 2010). Dissertação (Mestrado Profissional em Economia). Universidade de Brasília, Brasília, Brasil.

M. Emre Celebi, Hassan Kingravib & Patricio Vela. 2013. A comparative study of efficient initialization methods for the k-means clustering algorithm. Expert Systems with Applications, Volume 40, Edição 1, 200-210. DOI: https://doi.org/10.1016/j.eswa.2012.07.021

Caio Costa, Marco Aurélio Ferreira, Marcelo José Braga & Luiz Antônio Abrantes. 2012. Disparidades Inter-Regionais e Características dos Municípios do Estado de Minas Gerais. Desenvolvimento em Questão, Ano 10, n. 20, 52-88. DOI: https://doi.org/10.21527/2237-6453.2012.20.52-88

Manoranjan Dash, Kiseok Choi, Peter Scheuermann & Huan Liu. 2002. Feature Selection for Clustering - A Filter Solution. In Proceedings of the 2002 IEEE International Conference on Data Mining, 2002. https://doi.org/10.1109/icdm.2002.1183893

Marcelo Doni. 2004. Análise de cluster: métodos hierárquicos e de particionamento. Monografia (Trabalho de Graduação). Universidade Presbiteriana Mackenzie, São Paulo, Brasil.

Tatiana Escovedo & Adriano Koshiyama. Introdução a Data Science: Algoritmos de Machine Learning e métodos de análise (1ª ed.). Casa do Código, Rio de Janeiro, Rio de Janeiro.

Federação das Indústrias do Estado do Rio de Janeiro. 2019. Índice Firjan Gestão Fiscal - Edição 2019 – Metodologia. Disponível em: [link]. Acessado em julho de 2020.

Sidney Leal, Sandra Aluísio, Erica Rodrigues, João Marcos Vieira & Elisângela Teixeira. 2019. Métodos de clusterização para a criação de corpus para rastreamento ocular durante a leitura de parágrafos em português. In Proceedings of the 12th Brazilian Symposium in Information and Human Language Technology, October 15-18, 2019, Salvador, Bahia, Brazil.

Eduardo Ribeiro. 199. Capacidade, eficácia e eficiência tributária no Rio Grande do Sul: municípios. Universidade Federal do Rio Grande do Sul, Rio Grande do Sul, Brasil.

Manish Verma, Mauly Srivastava, Neha Chack, Atul Kumar Diswar, Nidhi Gupta. 2012. A Comparative Study of Various Clustering Algorithms in Data Mining. International Journal of Engineering Research and Applications (IJERA), Vol. 2, 3 (May-Jun 2012), 1379-1384.