Otimizando a Coleta da PNADC* com o Pacote R `orce`

* e CNEFE

Introdução

• O IBGE enfrenta desafios logísticos e altos custos na coleta de dados
• Território vasto e unidades geograficamente dispersas
• Necessidade de otimização na alocação de Unidades Primárias de Amostragem (UPAs)

---

O Pacote R orce

• Desenvolvido para otimizar a alocação das diversas “Unidades de Coleta” (UPAs, Escolas, Municípios) nas pesquisas do IBGE
• Utiliza programação linear inteira mista
• Objetivo: Minimizar os custos totais de coleta, tendo como dada a rede atual de agências do IBGE.

---

Fatores Considerados na Otimização

• Distâncias e tempo de deslocamento

Calculados com o OpenStreetMap.

• Custos com entrevistadores

Remuneração e custo de deslocamento (combustível, horas de trabalho e diárias).

• Restrições específicas das agências

Carga de trabalho máxima, custos fixos, etc.

---

Benefícios da Otimização

• Melhoria no Planejamento:
• Calcula o custo da pesquisa (diárias, combustível, e remuneração).
• Facilita o planejamento e gestão da coleta de dados
• Otimização de Recursos:
• Otimiza a alocação de entrevistadores e UPAs entre as agências.
• Garante carga de trabalho equilibrada entre agências

---

Recursos Principais do orce

• Roteamento e Geocodificação
• Otimização Avançada de Alocação
• Cálculo Detalhado de Custos
• Flexibilidade e Adaptabilidade.
• Auxílio no cálculo dos custos de treinamento.

---

PNADC e CNEFE

Pontos representativos das UPAs

• Não utilizamos a centroide dos setores ou UPAs
• Utilizamos, em vez disso, o CNEFE (público).
• Para cada UPA, utilizando a função ponto_densidade, calculamos a densidade de domicílios para cada domicílio da UPA. O domicílios com a maior densidade calculada é considerado o ponto representativo do domicílio.
• Esse procedimento diminui a possibilidade de calcular distâncias de agências a pontos vazios ou inacessíveis nos setores/UPAs.

---

Cálculo de distâncias

• Função calcula_distancias auxilia nesse trabalho. Utiliza dados do OpenStreetMaps com a Open Source Routing Machine (OSRM).
• As distâncias são calculadas entre todas as agências para os pontos representativos de cada UPAs da amostra mestra.

---

Cálculo de diárias

Dados do IBGE:

• Composição das Regiões Metropolitanas
• Microrregiões (Censo 2022)
• Jurisdição das agências (BDO)

Parâmetro:

• duracao_horas para calcular Pernoite

Função:

• calcula_diarias

---

Função para alocação de UCs: alocar_ucs

• Alocação otimizada de Unidade de Coleta (UCs, no caso UPAs) às agências.

• Dados por UPA: código da UPA, agência de jurisdição, dias de coleta, número de viagens.

• Dados por agência: código da agência, custo fixo, número máximo de dias de coleta alocáveis para a agência.

• Dados por díade UPA-Agência: distância em km, horas de viagem, faz jus a diárias (independentemente da distância), faz jus a diárias (pernoite).

---

Ideal para pesquisas com equipes exclusivas ou com limitação no número de equipamentos (e.g. PeNSE).

---

Função para alocação de municípios: alocar_municipios

• Realiza a alocação otimizada de municípios às agências.

• São utilizados os mesmos argumentos e dados da função alocar_ucs.

• Ou seja, as UCs de um mesmo município são alocadas integralmente para uma mesma agência. O custo de deslocamento agência-município é a soma dos custo de deslocamento entre cada UCs de um município e a agência candidata.

---

Permite maior sinergia entre as várias pesquisas em campo.

---

Parâmetros para o cálculo:

• CNEFE realizado no trimestre anterior ao da 1ª entrevista do Painel
• 200 dias de trabalho por entrevistador/ano
• 5 dias de coleta para CNEFE e 5 dias de coleta para a PNADC
• Uma viagem em caso de diárias inteiras, 5 (CNEFE) e 5 (PNADC) viagens nos casos sem diárias (ou com meias-diárias)
• São sugeridas alterações de jurisdição somente quando a economia proporcionada é maior que R$ 100.

---

Parâmetros (2):

• Todas as viagens são feitas por automóvel, o custo por litro de combustível é de R$ 6, o automóvel percorre 10 quilômetros com um litro. Cada hora de viagem tem custo adicional equivalente a R$ 10.
• Viagens (ida) com mais de 1,5 horas de duração fazem jus a diárias.
• A diária tem o valor de R$ 335, e é paga nos casos de pernoite ou quando a UPA é de fora da jurisdição/microrregião/região metropolitana da agência.
• Remuneração por entrevistador por mês: R$ 2675 .

---

Parâmetros (3):

• diarias_entrevistador_max = Inf
• n_entrevistadores_min = 1
• dias_treinamento = 0
• agencias_treinadas = NULL
• agencias_treinamento = NULL
• distancias_agencias = NULL

---

Executando a otimização:

## amostra mestra/pnadc
#pontos_upas_29 <- readRDS(here::here("data-raw/pontos_upas_29.rds"))
#ufs_now <- ufs%>%filter(uf_sigla==params2$uf_sigla)

render_tables <- function(ufnow) {
  ufs_now <- ufs%>%filter(uf_sigla==ufnow)
  uf_codigo_now <- ufs_now$uf_codigo
  ufnow <- ufs%>%filter(uf_codigo==uf_codigo_now)
  amostra_mestra <- readr::read_rds(here::here("data-raw/amostra_br_2024_01_2025_06.rds"))%>%
    filter(ano_mes>=as.Date("2024-07-01"), ano_mes<=as.Date("2025-06-01"), uf_codigo==uf_codigo_now)
  amostra_pnadc <- amostra_mestra%>%
    distinct(uc=upa, pesquisa=paste("pnadc", substr(ano_mes,1,7)), agencia_codigo, dias_coleta=params2$dias_coleta_pnadc, viagens=params2$viagens_pnadc)
  library(lubridate)## so months works
  amostra_cnefe <- amostra_mestra%>%
    filter(entrevista_numero==1)%>%
    mutate(ano_mes=ano_mes-months(3))%>%
    distinct(uc=upa, pesquisa=paste("cnefe", substr(ano_mes,1,7)), agencia_codigo, dias_coleta=params2$dias_coleta_cnefe, viagens=params2$viagens_cnefe)
  carga_pnadc <- bind_rows(amostra_cnefe, amostra_pnadc)%>%
    group_by(uc, agencia_codigo, municipio_codigo=substr(uc,1,7))%>%
    summarise(dias_coleta=sum(dias_coleta), viagens=sum(viagens))
  municipio_principal <- carga_pnadc%>%group_by(municipio_codigo)%>%summarise(dias_coleta=sum(dias_coleta))%>%arrange(desc(dias_coleta))%>%
    head(1)
  carga_pnadc_uf <- carga_pnadc%>%
    filter(substr(uc,1,2)==ufnow$uf_codigo)%>%
    ## Importante: Sem as agências do principal municipio
    filter(!grepl(municipio_principal$municipio_codigo, agencia_codigo))%>%
    #ungroup#%>%filter(agencia_codigo%in%c("291360600", "291480200", "292870300", "293290300", "290490200", "292740800", "292740801", "291640100"))
    ungroup#%>%filter(agencia_codigo%in%unique(agencia_codigo)[1:20])
  
  ## distancias uc
  fname <- here::here(paste0("data-raw/distancias_agencias_upas_osrm_", uf_codigo_now, ".rds"))
  distancias_ucs_all <- readRDS(fname)%>%
    rename(uc=upa)%>%
    transmute(uc, agencia_codigo, distancia_km, duracao_horas, municipio_codigo=substr(uc,1,7), ponto_origem)%>%
    left_join(agencias_municipios_diaria, by=c("agencia_codigo", "municipio_codigo"))%>%
    semi_join(carga_pnadc_uf, by="uc")%>%
    mutate(diaria_pernoite=duracao_horas>params2$horas_viagem_pernoite)%>%
    group_by(uc, agencia_codigo)%>%
    ## só a configuração de upa mais distante
    arrange(desc(duracao_horas))%>%
    slice(1)%>%
    ungroup()
  #distancias_ucs_all%>%ungroup%>%count(ponto_origem)
  
  agencias_uf <-  carga_pnadc_uf%>%
    group_by(agencia_codigo)%>%
    summarise(n_ucs_jurisdicao=n(), dias_coleta_jurisdicao=sum(dias_coleta))%>%
    mutate(dias_coleta_agencia_max=Inf, 
           custo_fixo=0)%>%
    ## tira Cipó
    mutate(dias_coleta_agencia_max=if_else(agencia_codigo=="290790500", 0, dias_coleta_agencia_max))
  
  
  
  ## sem custo fixo nem custo de treinamento
  params_pnadc_0  <- list(ucs=carga_pnadc_uf,
                          agencias=agencias_uf,
                          custo_litro_combustivel = params2$custo_litro_combustivel,
                          custo_hora_viagem = params2$custo_hora_viagem,
                          kml = params2$kml,
                          valor_diaria = params2$valor_diaria,
                          ## em um ano de coleta, um entrevistador consegue
                          ## 48 upas pnadc / 24 upas POF / 18 Municipios
                          dias_coleta_entrevistador_max=params2$dias_coleta_entrevistador_max,
                          diarias_entrevistador_max=Inf,
                          dias_treinamento = 0,
                          agencias_treinadas = NULL,
                          agencias_treinamento  = NULL,
                          distancias_ucs=distancias_ucs_all,
                          ## for symphony solver
                          #gap_limit=5, 
                          adicional_troca_jurisdicao  = params2$adicional_troca_jurisdicao,
                          solver=params2$solver,
                          max_time=params2$max_time,
                          rel_tol=params2$rel_tol,
                          resultado_completo=FALSE 
  )
  library(tictoc)
  tic()
  estrategias_pnadc <- bind_rows(
    tibble(params_pnadc=list(params_pnadc_0), 
           descricao='sem remuneração entrevistadores'),
    tibble(params_pnadc=list(modifyList(params_pnadc_0, 
                                        list( remuneracao_entrevistador=params2$remuneracao_entrevistador*12)
    )), 
    descricao=glue::glue('remuneracao entrevistador por mês {params2$remuneracao_entrevistador}')),
    tibble(params_pnadc=list(modifyList(params_pnadc_0, 
                                        list(n_entrevistadores_min=2, remuneracao_entrevistador=params2$remuneracao_entrevistador*12)
    )), 
    descricao=glue::glue('mínimo de entrevistador=2, remuneracao entrevistador por mês {params2$remuneracao_entrevistador}')),
    tibble(params_pnadc=list(modifyList(params_pnadc_0, 
                                        list(n_entrevistadores_min=3, remuneracao_entrevistador=params2$remuneracao_entrevistador*12)
    )), 
    descricao=glue::glue('mínimo de entrevistador=3, remuneracao entrevistador {params2$remuneracao_entrevistador} por mês'))
  )%>%
    ungroup%>%#slice(1:2)%>%
    mutate(resultado_uc=purrr::map(params_pnadc, ~do.call(alocar_ucs, .x)),
           resultado_municipio=purrr::map(params_pnadc, ~do.call(alocar_municipios, .x))
           )
  #toc()
  
  estrategias_pnadc_sum_uc <-
    estrategias_pnadc%>%
    rowwise(descricao)%>%
    reframe(
      bind_rows(
        resultado_uc$resultado_agencias_otimo%>%mutate(modelo="Ótimo"),
        resultado_uc$resultado_agencias_jurisdicao%>%mutate(modelo="Jurisdição")
        )%>%
        group_by(modelo)%>%
        mutate(n_agencias=1)%>%
        summarise(across(matches("custo|n_agencias"), ~sum(.x, na.rm=TRUE))))%>%
    mutate(custo_total=custo_deslocamento+custo_fixo+custo_total_entrevistadores)%>%
    select(descricao, modelo, n_agencias, custo_total, everything())
  estrategias_pnadc_sum_municipio <-
    estrategias_pnadc%>%
    rowwise(descricao)%>%
    reframe(
      bind_rows(
        resultado_municipio$resultado_agencias_otimo%>%mutate(modelo="Ótimo"),
        resultado_municipio$resultado_agencias_jurisdicao%>%mutate(modelo="Jurisdição")
        )%>%
        group_by(modelo)%>%
        mutate(n_agencias=1)%>%
        summarise(across(matches("custo|n_agencias"), ~sum(.x, na.rm=TRUE))))%>%
    mutate(custo_total=custo_deslocamento+custo_fixo+custo_total_entrevistadores)%>%
    select(descricao, modelo, n_agencias, custo_total, everything())
  tdist <- lapply(1:nrow(estrategias_pnadc), function(i) report_plans(estrategias_pnadc$resultado_uc[[i]])|>
                    gt::tab_options(table.font.size = "small", footnotes.font.size ="small")|>
                    gt::opt_interactive(use_compact_mode = TRUE, use_filters=TRUE))
  tdist_municipios <- lapply(1:nrow(estrategias_pnadc), function(i) report_plans(estrategias_pnadc$resultado_municipio[[i]], level = "municipio_codigo")|>
                    gt::tab_options(table.font.size = "small", footnotes.font.size ="small")|>
                    gt::opt_interactive(use_compact_mode = TRUE, use_filters=TRUE))
  alocacao_municipios <- lapply(1:nrow(estrategias_pnadc), function(i) plano_municipios(r = estrategias_pnadc$resultado_municipio[[i]])%>%
                                  filter(troca)%>%
  select(municipio_nome, agencia_nome, agencia_nome_jurisdicao, total_diarias, total_diarias_jurisdicao, custo_combustivel, custo_combustivel_jurisdicao)%>%gt::gt()%>%
  gt::tab_caption("Sem remuneração por APM")%>%
  gt::opt_interactive(use_compact_mode = TRUE, use_filters=TRUE))
  
  tplans_uc <- estrategias_pnadc_sum_uc%>%
    group_by(descricao)%>%
    select(-modelo)%>%
    reframe(across(everything(), diff))%>%
    group_by(descricao)%>%
    arrange(descricao)%>%
    slice(1)%>%
    select(descricao, n_agencias, custo_total, custo_total_entrevistadores, custo_diarias, custo_combustivel)%>%
    ungroup%>%
    #arrange(-custo_total)%>%
    gt::gt()%>%
    gt::cols_label(descricao='Modelo')%>%
    gt::tab_caption("Redução de custos promovido pela otimização da rede de coleta")%>%
    print_gt()
  tplans_municipio <- estrategias_pnadc_sum_municipio%>%
    group_by(descricao)%>%
    select(-modelo)%>%
    reframe(across(everything(), diff))%>%
    group_by(descricao)%>%
    arrange(descricao)%>%
    slice(1)%>%
    select(descricao, n_agencias, custo_total, custo_total_entrevistadores, custo_diarias, custo_combustivel)%>%
    ungroup%>%
    #arrange(-custo_total)%>%
    gt::gt()%>%
    gt::cols_label(descricao='Modelo')%>%
    gt::tab_caption("Redução de custos promovido pela otimização da rede de coleta")%>%
    print_gt()
  
  list(sumario_planos_uc=tplans_uc, sumario_planos_municipio=tplans_municipio, distribuicao=tdist, distribuicao_municipios=tdist_municipios, alocacao_municipios=alocacao_municipios)
}

plano_dist <- 3

---

Planos RJ

r <- render_tables("RJ")
#> 
#> Attaching package: 'lubridate'
#> The following objects are masked from 'package:base':
#> 
#>     date, intersect, setdiff, union
#> `summarise()` has grouped output by 'uc', 'agencia_codigo'. You can override
#> using the `.groups` argument.
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`

r$alocacao_municipios[[1]]

---

r$sumario_planos_municipio%>%
  gt::tab_caption("Por Município")

Por Município

Modelo	N Agencias	Custo Total	Custo Total Entrevistadores	Custo Diarias	Custo Combustivel
mínimo de entrevistador=2, remuneracao entrevistador por mês 2675	0	−R$199.589	−R$256.800	R$37.520	R$14.472
mínimo de entrevistador=3, remuneracao entrevistador 2675 por mês	0	−R$199.278	−R$256.800	R$32.998	R$20.357
remuneracao entrevistador por mês 2675	−1	−R$175.245	−R$256.800	R$47.402	R$28.391
sem remuneração entrevistadores	0	−R$13.744	R$0	−R$4.020	−R$9.664

r$sumario_planos_uc%>%
  gt::tab_caption("Por UC")

Por UC

Modelo	N Agencias	Custo Total	Custo Total Entrevistadores	Custo Diarias	Custo Combustivel
mínimo de entrevistador=2, remuneracao entrevistador por mês 2675	0	−R$244.071	−R$256.800	R$20.602	−R$8.606
mínimo de entrevistador=3, remuneracao entrevistador 2675 por mês	0	−R$280.688	−R$288.900	R$9.212	−R$1.255
remuneracao entrevistador por mês 2675	0	−R$250.234	−R$256.800	R$15.912	−R$8.567
sem remuneração entrevistadores	0	−R$18.496	R$0	−R$5.528	−R$11.322

---

RJ - Com remuneração dos entrevistadores

r$distribuicao_municipios[[2]]

---

Planos ES

r <- render_tables("ES")
#> `summarise()` has grouped output by 'uc', 'agencia_codigo'. You can override
#> using the `.groups` argument.
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`

r$alocacao_municipios[[1]]

---

r$sumario_planos_municipio%>%
  gt::tab_caption("Por Município")

Por Município

Modelo	N Agencias	Custo Total	Custo Total Entrevistadores	Custo Diarias	Custo Combustivel
mínimo de entrevistador=2, remuneracao entrevistador por mês 2675	0	−R$112.642	−R$96.300	−R$45.728	R$22.782
mínimo de entrevistador=3, remuneracao entrevistador 2675 por mês	0	−R$110.024	−R$96.300	−R$40.368	R$20.944
remuneracao entrevistador por mês 2675	0	−R$111.087	−R$96.300	−R$54.102	R$30.698
sem remuneração entrevistadores	0	−R$37.532	R$0	−R$58.122	R$15.766

r$sumario_planos_uc%>%
  gt::tab_caption("Por UC")

Por UC

Modelo	N Agencias	Custo Total	Custo Total Entrevistadores	Custo Diarias	Custo Combustivel
mínimo de entrevistador=2, remuneracao entrevistador por mês 2675	0	−R$171.181	−R$128.400	−R$76.882	R$26.608
mínimo de entrevistador=3, remuneracao entrevistador 2675 por mês	0	−R$169.259	−R$128.400	−R$63.482	R$17.218
remuneracao entrevistador por mês 2675	0	−R$172.676	−R$128.400	−R$77.552	R$25.951
sem remuneração entrevistadores	0	−R$49.988	R$0	−R$77.552	R$21.290

---

Planos BA

r <- render_tables("BA")
#> `summarise()` has grouped output by 'uc', 'agencia_codigo'. You can override
#> using the `.groups` argument.
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`

r$alocacao_municipios[[1]]

---

r$sumario_planos_municipio%>%
  gt::tab_caption("Por Município")

Por Município

Modelo	N Agencias	Custo Total	Custo Total Entrevistadores	Custo Diarias	Custo Combustivel
mínimo de entrevistador=2, remuneracao entrevistador por mês 2675	−15	−R$904.492	−R$1.155.600	R$181.068	R$55.973
mínimo de entrevistador=3, remuneracao entrevistador 2675 por mês	−23	−R$1.676.509	−R$2.247.000	R$513.052	R$47.579
remuneracao entrevistador por mês 2675	−3	−R$615.352	−R$674.100	−R$9.882	R$55.137
sem remuneração entrevistadores	−1	−R$91.187	R$0	−R$101.840	R$7.737

r$sumario_planos_uc%>%
  gt::tab_caption("Por UC")

Por UC

Modelo	N Agencias	Custo Total	Custo Total Entrevistadores	Custo Diarias	Custo Combustivel
mínimo de entrevistador=2, remuneracao entrevistador por mês 2675	−13	−R$948.616	−R$1.187.700	R$153.765	R$68.844
mínimo de entrevistador=3, remuneracao entrevistador 2675 por mês	−22	−R$1.647.293	−R$2.118.600	R$396.808	R$60.086
remuneracao entrevistador por mês 2675	−3	−R$699.028	−R$706.200	−R$50.418	R$45.129
sem remuneração entrevistadores	−1	−R$115.154	R$0	−R$127.468	R$9.032

---

Planos MG

r <- render_tables("MG")
#> `summarise()` has grouped output by 'uc', 'agencia_codigo'. You can override
#> using the `.groups` argument.
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`

r$alocacao_municipios[[1]]

---

r$sumario_planos_municipio%>%
  gt::tab_caption("Por Município")

Por Município

Modelo	N Agencias	Custo Total	Custo Total Entrevistadores	Custo Diarias	Custo Combustivel
mínimo de entrevistador=2, remuneracao entrevistador por mês 2675	−18	−R$1.059.901	−R$1.508.700	R$372.855	R$59.070
mínimo de entrevistador=3, remuneracao entrevistador 2675 por mês	−34	−R$2.218.638	−R$3.402.600	R$937.498	R$197.780
remuneracao entrevistador por mês 2675	−5	−R$781.441	−R$995.100	R$126.630	R$68.592
sem remuneração entrevistadores	−1	−R$49.038	R$0	−R$69.178	R$15.439

r$sumario_planos_uc%>%
  gt::tab_caption("Por UC")

Por UC

Modelo	N Agencias	Custo Total	Custo Total Entrevistadores	Custo Diarias	Custo Combustivel
mínimo de entrevistador=2, remuneracao entrevistador por mês 2675	−20	−R$1.254.245	−R$1.797.600	R$420.258	R$96.763
mínimo de entrevistador=3, remuneracao entrevistador 2675 por mês	−34	−R$2.250.974	−R$3.338.400	R$871.502	R$171.818
remuneracao entrevistador por mês 2675	−6	−R$878.419	−R$1.027.200	R$68.005	R$62.534
sem remuneração entrevistadores	0	−R$57.464	R$0	−R$83.582	R$20.109

---

Planos RS

r <- render_tables("RS")
#> `summarise()` has grouped output by 'uc', 'agencia_codigo'. You can override
#> using the `.groups` argument.
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`
#> Joining with `by = join_by(agencia_codigo)`

r$alocacao_municipios[[1]]

---

r$sumario_planos_municipio%>%
  gt::tab_caption("Por Município")

Por Município

Modelo	N Agencias	Custo Total	Custo Total Entrevistadores	Custo Diarias	Custo Combustivel
mínimo de entrevistador=2, remuneracao entrevistador por mês 2675	−2	−R$414.147	−R$513.600	R$45.058	R$41.697
mínimo de entrevistador=3, remuneracao entrevistador 2675 por mês	−9	−R$671.544	−R$1.027.200	R$294.465	R$48.903
remuneracao entrevistador por mês 2675	0	−R$514.149	−R$481.500	−R$57.955	R$20.442
sem remuneração entrevistadores	0	−R$101.923	R$0	−R$107.870	R$4.887

r$sumario_planos_uc%>%
  gt::tab_caption("Por UC")

Por UC

Modelo	N Agencias	Custo Total	Custo Total Entrevistadores	Custo Diarias	Custo Combustivel
mínimo de entrevistador=2, remuneracao entrevistador por mês 2675	−2	−R$507.591	−R$513.600	−R$42.042	R$36.682
mínimo de entrevistador=3, remuneracao entrevistador 2675 por mês	−8	−R$746.709	−R$1.059.300	R$227.130	R$68.653
remuneracao entrevistador por mês 2675	0	−R$550.707	−R$481.500	−R$90.115	R$16.127
sem remuneração entrevistadores	0	−R$125.956	R$0	−R$135.340	R$7.029

---

Conclusão

• Benefícios:
• Economia significativa de custos
• Planejamento aprimorado
• Flexibilidade para diversos cenários de pesquisa e coleta de dados
• Importância de equilibrar redução de custos com qualidade dos dados

---

(Possíveis) Próximos Passos

• Alocação de UCs/municípios levando em conta o cronograma das pesquisas.
• Utilizar algoritmo de “traveller salesman problem” para alocação ótima de grupos de UCs
• Sugerir alteração da jurisdição das agências.