Qualidade da burocracia e inovação institucional: evidências dos municípios brasileiros
Bibliographic record
Abstract
Qual o efeito da qualidade da burocracia na promoção da inovação em municípios brasileiros? Este trabalho responde a essa questão ao propor um novo Índice de Qualidade da Burocracia Municipal (IQBM), mensurado a partir de três dimensões: nível de escolaridade, terceirização e politização. A hipótese central da tese sustenta que quanto mais qualificada for a burocracia maior a probabilidade de um município brasileiro inovar. Além disso, foram identificadas outras variáveis que contribuem para aumentar a chance da promoção de uma nova ideia, como o alinhamento político, a receita municipal e, algumas características dos prefeitos, como idade, escolaridade e possibilidade de reeleição. Metodologicamente, o desenho de pesquisa utiliza a técnica de análise de componentes principais para criação do IQBM e a regressão logística para identificar a influência exercida pelo indicador sobre as chances dos municípios inovarem. Foi construído um banco de dados original, compilado a partir de informações disponibilizadas pela Pesquisa de Informações Básicas Municipais (MUNIC) realizada pelo IBGE, Tribunal Superior Eleitoral, Tesouro Nacional e SEBRAE Nacional. Os principais resultados indicam que: (1) municípios com uma burocracia mais capacitada têm uma maior chance de promover políticas ou programas inovadores e, (2) que existe uma influência positiva do alinhamento político e da receita municipal sobre as chances dessas unidades subnacionais inovarem. Esta investigação contribui para a literatura sobre o tema por apresentar um caráter original ao criar um indicador que mensura a qualidade da burocracia para os municípios brasileiros (IQBM) inferindo sobre a probabilidade deles inovarem.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".