Natán

Analisis de sueldos de la Municipalidad de Rosario

—

por

Natán Calzolari
en

Se encuentra disponible una versión en inglés de este notebook ingresando a este enlace.

Introducción

Este notebook tiene como objetivo explorar y analizar los sueldos de los empleados de la Municipalidad de Rosario para junio de 2023. Específicamente, busca responder cuál es la estructura salarial del Municipio de Rosario, y cómo se distribuyen los sueldos entre las diferentes secretarías, funciones y situaciones laborales. Aunque los datos pertenecen al año 2023, este ejercicio puede ayudarnos a comprender la estructura salarial dentro del municipio y probar varias capacidades del lenguaje R.

Los datos

El conjunto de datos, o dataset, utilizado en este análisis pertenece a los sueldos de los empleados dentro de la Municipalidad de Rosario. Los datos, que originalmente se obtuvieron del sitio web oficial del municipio, se proporcionaron en formato PDF y posteriormente se convirtieron a un formato más accesible para publicar en Kaggle. Se puede acceder al dataset mediante este enlace.

Aclaración importante

  • Todos los montos están expresados en Pesos Argentinos (ARS).
  • Debido a la alta tasa de inflación en Argentina, estas cifras quedarán obsoletas sin un contexto temporal específico. Una posible solución sería expresar los sueldos en dólares estadounidenses (USD) en lugar de pesos (ARS).
  • Según registros extraoficiales, el valor promedio del dólar paralelo (o «blue») en Argentina para junio de 2023 fue de 490,30 ARS. Por lo tanto, todas las cifras de este análisis podrían dividirse por este valor para aproximar los sueldos en USD.
  • Esta información se proporciona para contexto, pero el ajuste a USD está más allá del alcance de este análisis.

Cargar librerías y datos

Para empezar vamos a cargar las librerías necesarias para nuestro análisis.

library(dplyr)
library(tidyr)
library(ggplot2)Lenguaje del código: R (r)

A continuación, cargamos el dataset para obtener una comprensión inicial de su estructura y contenido.

data <- read.csv("../input/salaries-municipality-of-rosario-argentina/salaries-municipality-rosario-2023-06.csv")
glimpse(data)Lenguaje del código: R (r)
Rows: 11,418
Columns: 8
$ apellido_nombre "AGUILAR MILTON ARIEL", "ALBA LEONARDO DANIEL", "AQUINO HECTOR RUBEN", "AROCHA OMAR", "ARREDONDO DEBORA NOELIA", "BAHAMONDES C…
$ sueldo_bruto 241157.3, 517921.8, 883713.6, 729185.8, 420951.0, 523447.5, 220925.3, 425626.4, 252726.8, 861174.1, 305311.5, 255753.7, 315835…
$ sueldo_neto 179110.3, 432736.5, 632763.8, 572239.9, 338850.7, 439669.2, 167501.5, 319430.9, 188933.6, 619656.6, 234711.0, 204513.9, 245234…
$ costo_laboral 282286.0, 578548.1, 985446.6, 812274.2, 478869.1, 582919.1, 258801.3, 494904.3, 297608.3, 960522.7, 356197.6, 290178.3, 366721…
$ planta "PERMANENTES", "PERMANENTES", "PERMANENTES", "PERMANENTES", "PERMANENTES", "PERMANENTES", "PERMANENTES", "PERMANENTES", "PERMA…
$ funcion "OPERARIO DE CUADRILLA", "INSPECTOR/A", "JEFE DIV.ESP.VERDES", "OPERARIO FUMIGADOR", "ADMINISTRATIVO/A", "INSPECTOR/A", "ADMIN…
$ area "SERV.URBANOS DIST.CENTRO", "SERV.URBANOS DIST.CENTRO", "SERV.URBANOS DIST.CENTRO", "SERV.URBANOS DIST.CENTRO", "SERV.URBANOS …
$ secretaria "Ambiente y Espacio Público", "Ambiente y Espacio Público", "Ambiente y Espacio Público", "Ambiente y Espacio Público", "Ambie…Lenguaje del código: texto plano (plaintext)

Visión general

El dataset contiene los sueldos de un total de 11.418 empleados. A continuación, crearemos un gráfico de barras para visualizar el costo total de los sueldos bruto y neto, así como el costo laboral total. Este gráfico nos ayuda a comprender el gasto total en sueldos.

# calcular totales
data_totales <- data %>%
  summarise(total_sueldo_bruto = sum(sueldo_bruto),
            total_sueldo_neto = sum(sueldo_neto),
            total_costo_laboral = sum(costo_laboral))

# transformar a formato largo
data_totales_largo <- data_totales %>%
  pivot_longer(
    cols = everything(),
    names_to = "variable",
    values_to = "valor"
  )

# plot
ggplot(data_totales_largo, aes(x=reorder(variable, -valor), y=valor, fill=variable)) +
  geom_bar(stat="identity") + 
  geom_text(aes(label=round(valor, 2)), vjust=-1, color="grey60", size=3) +
  ylim(0, max(data_totales_largo$valor) * 1.05) +
  ggtitle("Gasto total en costo laboral, sueldo bruto y sueldo neto") +
  theme(legend.position="none",
        axis.title.x=element_blank(),
        axis.title.y=element_blank())Lenguaje del código: R (r)

Se observan diferencias notables entre los sueldos brutos y netos, destacando el impacto de las deducciones y los impuestos.

A continuación, crearemos otro gráfico de barras que muestre los sueldos brutos y netos promedio, así como el costo laboral promedio, de cada empleado. Esto nos dará una idea de lo que gana en promedio un empleado municipal en Rosario y el costo promedio incurrido por el municipio por cada empleado.

# calcular valores promedio
data_avg_sueldos <- data %>%
  summarise(avg_sueldo_bruto = mean(sueldo_bruto),
            avg_sueldo_neto = mean(sueldo_neto),
            avg_costo_laboral = mean(costo_laboral))

# transformar a formato largo
data_avg_sueldos_largo <- data_avg_sueldos %>%
  pivot_longer(
    cols = everything(),
    names_to = "variable",
    values_to = "valor"
  )

# plot
ggplot(data_avg_sueldos_largo, aes(y=valor, x=reorder(variable, -valor), fill=variable)) +
  geom_bar(stat="identity", width = 0.30) +
  geom_text(aes(label=round(valor, 2)), vjust=-1, color="grey60", size=3) +
  ylim(0, max(data_avg_sueldos_largo$valor) * 1.05) +
  ggtitle("Promedio de sueldo bruto, neto y costo laboral por empleado") +
  theme(legend.position="none",
        axis.title.x=element_blank(),
        axis.title.y=element_blank())Lenguaje del código: R (r)

Estos números muestran que el Municipio de Rosario emplea a un total de 11418 personas, con un sueldo neto promedio de 350596,60 ARS. En promedio, el Municipio gasta 513317,90 ARS por empleado, lo que incluye el sueldo, así como los impuestos adicionales y los costos patronales exigidos en Argentina.

Cabe destacar que los gastos totales de nómina ascienden a ARS 5861 millones, lo que representa el costo total incurrido por el Municipio para compensar a su fuerza laboral.

Secretarías

A continuación, agruparemos los datos por secretaría para comprender cómo varían las distribuciones salariales en cada una de ellas.

# agrupar sueldos por secretaria y contabilizar
secretarias_empleados <- data %>% 
  group_by(secretaria) %>% 
  summarise(cantidad_empleados = n())

# plot
ggplot(secretarias_empleados, aes(x=cantidad_empleados, y=reorder(secretaria, -cantidad_empleados))) + 
  geom_bar(stat="identity", fill="skyblue") + 
  geom_text(aes(label=cantidad_empleados), hjust=-0.25, color="grey60", size=3) +
  xlim(0, max(secretarias_empleados$cantidad_empleados) * 1.05) +
  ggtitle("Cantidad de empleados por secretaría") +
  theme(axis.title.x=element_blank(),
        axis.title.y=element_blank())Lenguaje del código: R (r)

Notablemente, la mayoría de los empleados municipales de Rosario están ubicados en la Secretaría de Salud Pública.

El siguiente gráfico mostrará los sueldos netos y brutos promedio de cada secretaría, junto con los costos laborales promedio.

# agrupar sueldos por secretaria y calcular promedios
secretaria_avg_sueldo <- data %>%
  group_by(secretaria) %>%
  summarise(avg_sueldo_neto = mean(sueldo_neto),
            avg_diferencia_bruto_neto = mean(sueldo_bruto - sueldo_neto),
            avg_diferencia_costolaboral_bruto = mean(costo_laboral - sueldo_bruto))

# ordenar las secretarías por sueldo neto promedio ascendentemente
secretaria_avg_sueldo <- secretaria_avg_sueldo %>% arrange(desc(avg_sueldo_neto))

# convertir a formato largo y ordenar para graficar
secretaria_avg_sueldo_largo <- secretaria_avg_sueldo %>%
  pivot_longer(cols = c(avg_sueldo_neto,
                        avg_diferencia_bruto_neto,
                        avg_diferencia_costolaboral_bruto),
               names_to = "tipo_sueldo",
               values_to = "sueldo") %>%
  mutate(tipo_sueldo = factor(tipo_sueldo, levels = c("avg_diferencia_costolaboral_bruto",
                                                        "avg_diferencia_bruto_neto",
                                                        "avg_sueldo_neto")),
         secretaria = factor(secretaria, levels = unique(secretaria_avg_sueldo$secretaria)))

# plot
ggplot(secretaria_avg_sueldo_largo, aes(x=sueldo, y=secretaria, fill=tipo_sueldo)) + 
  geom_bar(stat="identity", position="stack") + 
  ggtitle("Promedio de sueldos y costos laborales por secretaría") +
  scale_fill_manual(
    name = NULL, 
    values = c("avg_sueldo_neto" = "seagreen3",
               "avg_diferencia_bruto_neto" = "gold2",
               "avg_diferencia_costolaboral_bruto" = "coral"),
    labels = c("avg_sueldo_neto" = "Sueldo neto",
               "avg_diferencia_bruto_neto" = "Sueldo bruto",
               "avg_diferencia_costolaboral_bruto" = "Costo laboral")
    
  ) +
  theme(axis.title.x=element_blank(),
        axis.title.y=element_blank())Lenguaje del código: R (r)

Este gráfico es interesante porque muestra qué secretaría paga los sueldos promedio más altos y más bajos. Podemos ver que «Control y Convivencia» paga los sueldos más altos, seguido de «Intendencia». Por el contrario, «Cultura», a pesar de ser la tercera secretaría más grande en cuanto a número de empleados, paga los sueldos más bajos. El gráfico también resalta los montos pagados en impuestos o deducciones y el costo total incurrido por el municipio.

El siguiente gráfico de barras mostrará el costo laboral total por secretaría. Esta distribución se puede predecir de alguna manera a partir del número de empleados en cada secretaría, que hemos visto anteriormente.

# agrupar sueldos por secretaría y calcular sus costos laborales totales
secretarias_costos_laborales <- data %>%
  group_by(secretaria) %>%
  summarise(costo_laboral_total = sum(costo_laboral))

# plot
ggplot(secretarias_costos_laborales, aes(x=costo_laboral_total, y=reorder(secretaria, -costo_laboral_total))) + 
  geom_bar(stat="identity", fill="coral") + 
  geom_text(aes(label=round(costo_laboral_total, 2)), hjust=-0.1, color="grey60", size=3) +
  xlim(0, max(secretarias_costos_laborales$costo_laboral_total) * 1.2) +
  ggtitle("Costos laborales totales por secretaría") +
  theme(axis.title.x = element_blank(),
        axis.title.y = element_blank())Lenguaje del código: R (r)

Secretaría de Salud Pública

En este apartado nos vamos a centrar en los sueldos de la secretaría de Salud Pública. De los gráficos y análisis anteriores, hemos observado que esta secretaría tiene la mayoría de empleados y es donde el municipio gasta más dinero en términos de nómina. Por tanto, es fundamental profundizar en la estructura y distribución salarial dentro de esta importante división.

Primero, visualizaremos la cantidad de empleados en cada area.

# filtrar sueldos exclusivamente de esta secretaría
sueldos_salud_publica <- data %>% filter(secretaria == "Salud Pública")

# agrupar sueldos por area y calcular el neto promedio y cantidad de empleados
sueldos_salud_publica_areas <- sueldos_salud_publica %>%
  group_by(area) %>% 
  summarise(cantidad_empleados = n(),
            avg_sueldo_neto = mean(sueldo_neto))

# plot
ggplot(sueldos_salud_publica_areas, aes(x = cantidad_empleados, y = reorder(area, -cantidad_empleados))) +
  geom_bar(stat="identity", fill="skyblue") +
  geom_text(aes(label=cantidad_empleados), hjust=-0.25, color="grey60", size=3) +
  xlim(0, max(sueldos_salud_publica_areas$cantidad_empleados) * 1.1) +
  ggtitle("Cantidad de empleados en la Secretaría de Salud Pública") +
  theme(axis.title.x = element_blank(),
      axis.title.y = element_blank())Lenguaje del código: R (r)

A continuación, visualizaremos el sueldo neto promedio de cada area dentro de la secretaría de Salud Pública.

# los datos ya fueron filtrados previamente

# plot
ggplot(sueldos_salud_publica_areas, aes(x = avg_sueldo_neto, y = reorder(area, -avg_sueldo_neto))) +
  geom_bar(stat="identity", fill="seagreen3") +
  geom_text(aes(label=round(avg_sueldo_neto, 2)), hjust=-0.25, color="grey60", size=3) +
  xlim(0, max(sueldos_salud_publica_areas$avg_sueldo_neto) * 1.2) +
  ggtitle("Sueldo neto promedio por area de Salud Pública") +
  theme(axis.title.x = element_blank(),
        axis.title.y = element_blank())Lenguaje del código: R (r)

Estos gráficos parecen revelar que las areas con los sueldos netos promedio más altos tienden a tener menos empleados. Comprobemos esto rápidamente con un diagrama de dispersión.

ggplot(sueldos_salud_publica_areas, aes(x=cantidad_empleados, avg_sueldo_neto, colour=area)) +
  geom_point() +
  ggtitle("Relación entre cantidad de empleados y sueldo neto promedio en Secretaría de Salud Pública") +
  xlab("Cantidad de empleados") + 
  ylab("Sueldo neto promedio") +
  labs(color = "Area") +
  theme(plot.title = element_text(size = 10),
        legend.title = element_text(size=8),
        legend.text = element_text(size=6),
        legend.key.height= unit(0.4, 'cm'))Lenguaje del código: R (r)

En la Secretaría de Salud Pública no existe correlación entre el número de empleados y el sueldo neto promedio. Esto sugiere que una fuerza laboral más grande no necesariamente resulta en sueldos netos más bajos. Curiosamente, las areas con menos empleados tienden a tener los sueldos más altos.

Ahora nos enfocamos en las funciones dentro de la secretaría de Salud Pública. Calcularemos el sueldo neto promedio para cada puesto e identificaremos los diez puestos con los sueldos netos promedio más altos.

# agrupar sueldos de la secretaría de salud pública por función
sueldos_salud_publica_funciones <- sueldos_salud_publica %>%
  group_by(funcion) %>%
  summarise(avg_sueldo_neto = mean(sueldo_neto)) %>% 
  arrange(desc(avg_sueldo_neto))

# obtener los primeros diez puestos con el sueldo promedio más alto
sueldos_salud_publica_funciones_altos <- sueldos_salud_publica_funciones %>% head(10)

# plot
ggplot(sueldos_salud_publica_funciones_altos, aes(x=reorder(funcion, avg_sueldo_neto), y=avg_sueldo_neto)) +
  geom_bar(stat="identity", fill="seagreen3") +
  geom_text(aes(label=round(avg_sueldo_neto, 2)), vjust=-1, color="grey60", size=3) +
  ylim(0, max(sueldos_salud_publica_funciones_altos$avg_sueldo_neto) * 1.05) +
  ggtitle("Puestos mejores pagos (en promedio) en Salud Pública") +
  
  theme(axis.text.x = element_text(angle=45, vjust=1, hjust=1),
        axis.title.x = element_blank(),
        axis.title.y = element_blank())Lenguaje del código: R (r)

Finalmente, veremos los puestos con los sueldos netos promedio más bajos en la secretaría de Salud Pública. También reemplazamos cualquier valor N/A en los nombres de los puestos con «DESCONOCIDO» para mayor claridad.

# obtener los 10 sueldos más bajos
sueldos_salud_publica_funciones_bajos <- sueldos_salud_publica_funciones %>% tail(10) %>% 
  mutate(funcion = ifelse(is.na(funcion), "DESCONOCIDO", funcion))

# plot
ggplot(sueldos_salud_publica_funciones_bajos, aes(x=reorder(funcion, -avg_sueldo_neto), y=avg_sueldo_neto)) +
  geom_bar(stat="identity", fill="darksalmon") +
  geom_text(aes(label=round(avg_sueldo_neto, 2)), vjust=-1, color="grey60", size=3) +
  ylim(0, max(sueldos_salud_publica_funciones_bajos$avg_sueldo_neto) * 1.05) +
  ggtitle("Puestos peores pagos (en promedio) en Salud Pública") +
  theme(axis.text.x = element_text(angle=45, vjust=1, hjust=1),
        axis.title.x = element_blank(),
        axis.title.y = element_blank())Lenguaje del código: R (r)

Estos gráficos deberían permitir una mejor comprensión de cómo está compuesta la Secretaría de Salud Pública, la secretaría más cara del Municipio de Rosario en términos de sueldos, incluyendo sus puestos y areas.

Situación laboral

Aquí, vamos a agrupar los datos por situación laboral para analizar la distribución de los empleados en función de su tipo de contrato.

# agrupar los sueldos por situación laboral y contabilizar
planta_distribucion <- data %>% group_by(planta) %>% summarize(cantidad_empleados = n())

# plot
ggplot(planta_distribucion, aes(x=planta, y=cantidad_empleados, fill=planta)) +
  geom_bar(stat="identity") +
  geom_text(aes(label=cantidad_empleados), vjust=-1, color="grey60", size=3) +
  ylim(0, max(planta_distribucion$cantidad_empleados) * 1.05) +
  ggtitle("Distribución de empleados según situación laboral") +
  theme(legend.position="none",
        axis.title.x=element_blank(),
        axis.title.y=element_blank())Lenguaje del código: R (r)

La mayoría de los empleados pertenecen a la planta permanente. El resto de los empleados tienen contratos temporales, generalmente realizados para proyectos específicos, para cubrir la escasez de personal temporal o como pasantes. El grupo más pequeño de empleados son los que ocupan puestos de «autoridad superior», como el intendente y sus secretarios, los llamados «puestos políticos».

A continuación, crearemos otro gráfico de barras para visualizar el sueldo neto promedio dentro de cada situación laboral.

# agrupar sueldos por situación laboral y calcular el neto promedio
avg_planta_sueldo <- data %>%
  group_by(planta) %>%
  summarise(avg_sueldo_neto = mean(sueldo_neto))

# plot
ggplot(avg_planta_sueldo, aes(x=reorder(planta, avg_sueldo_neto), y=avg_sueldo_neto, fill=planta)) +
  geom_bar(stat="identity") +
  geom_text(aes(label=round(avg_sueldo_neto, 2)), vjust=-1, color="grey60", size=3) +
  ylim(0, max(avg_planta_sueldo$avg_sueldo_neto) * 1.05) +
  ggtitle("Sueldo neto promedio por situación laboral") +
  theme(legend.position="none",
  axis.title.x=element_blank(),
  axis.title.y=element_blank())Lenguaje del código: R (r)

El gráfico revela que los puestos políticos tienen los sueldos netos más altos, duplicando los sueldos promedio de los empleados permanentes, que son personal de carrera.

Funciones (puestos)

En esta sección, agruparemos los datos por funciones para identificar qué puestos específicos tienen los sueldos netos promedio más altos y más bajos.

El siguiente código generará un gráfico de barras que muestra los diez puestos con los sueldos netos promedio más altos en el municipio.

# agrupar sueldos por función, con su neto promedio
avg_sueldo_funcion <- data %>%
  filter(planta != "BECARIOS") %>% 
  group_by(funcion) %>%
  summarize(avg_sueldo_neto = mean(sueldo_neto)) %>%
  arrange(desc(avg_sueldo_neto))

# 10 sueltos más altos
avg_sueldo_funcion_altos <- avg_sueldo_funcion %>% head(10)

# plot
ggplot(avg_sueldo_funcion_altos, aes(x=reorder(funcion, avg_sueldo_neto), y=avg_sueldo_neto)) +
  geom_bar(stat="identity", fill="seagreen3") +
  geom_text(aes(label=round(avg_sueldo_neto, 2)), vjust=-1, color="grey60", size=3) +
  ylim(0, max(avg_sueldo_funcion_altos$avg_sueldo_neto) * 1.05) +
  ggtitle("Puestos mejores pagos (en promedio) en la Municipalidad de Rosario") +
  theme(axis.text.x = element_text(angle=45, vjust=1, hjust=1),
        axis.title.x = element_blank(),
        axis.title.y = element_blank())Lenguaje del código: R (r)

De manera similar, crearemos otro gráfico de barras para mostrar los diez puestos con los sueldos netos promedio más bajos.

# 10 sueldos más bajos
avg_sueldo_funcion_bajos <- avg_sueldo_funcion %>% tail(10)

# plot
ggplot(avg_sueldo_funcion_bajos, aes(x=reorder(funcion, -avg_sueldo_neto), y=avg_sueldo_neto)) +
  geom_bar(stat="identity", fill="darksalmon") +
  geom_text(aes(label=round(avg_sueldo_neto, 2)), vjust=-1, color="grey60", size=3) +
  ylim(0, max(avg_sueldo_funcion_bajos$avg_sueldo_neto) * 1.05) +
  ggtitle("Puestos peores pagos (en promedio) en la Municipalidad de Rosario") +
  theme(axis.text.x = element_text(angle=45, vjust=1, hjust=1),
        axis.title.x = element_blank(),
        axis.title.y = element_blank())Lenguaje del código: R (r)

Entre los puestos mejor pagados se encuentran el de «Contador general», seguido de «Intendente» y «Administrador general». Por el contrario, los puestos peor pagados incluyen «Mantenimiento» y «Profesor de Primaria», entre otros.

Aquí es importante señalar dos cosas. Primero, para estos gráficos, estamos excluyendo a los empleados en la planta de «BECARIOS», ya que no se consideran parte del personal contratado regular y sus funciones no siempre están especificados. En segundo lugar, el conjunto de datos no contiene información sobre los años de antigüedad de los empleados, por lo que no podemos desglosar en qué medida esta clasificación depende de la antigüedad y en qué medida del sueldo inherente al puesto.

Distribución de sueldos

Finalmente, vamos a crear un histograma para mostrar la distribución de sueldos dentro del municipio. Esto nos permitirá comprender la distribución y frecuencia de los diferentes rangos salariales.

media_sueldos <- mean(data$sueldo_neto)
mediana_sueldos <- median(data$sueldo_neto)

ggplot(data, aes(x=sueldo_neto)) + 
  geom_histogram(binwidth=10000, fill="seagreen3") + 
  geom_vline(aes(xintercept=media_sueldos), color="chocolate", linetype="dashed", size=1) +
  geom_vline(aes(xintercept=mediana_sueldos), color="orchid", linetype="dashed", size=1) +
  annotate("text", x=media_sueldos * 0.95, y=200, angle=90, colour="chocolate", size=3, label=paste("Media: ", round(media_sueldos, 2))) +
  annotate("text", x=mediana_sueldos * 1.05, y=200, angle=90, colour="orchid", size=3, label=paste("Mediana: ", round(mediana_sueldos, 2))) +
  ggtitle("Distribución de sueldos netos") +
  xlab("Sueldo neto") + 
  ylab("Frecuencia")Lenguaje del código: R (r)

La forma de la distribución tiene un sesgo positivo, lo que indica que la mayoría de los sueldos se concentran en el extremo inferior del rango, con una larga cola que se extiende hacia los sueldos más altos.

La mayoría de los sueldos se encuentran a la izquierda de la media. Esto significa que la mayoría de las personas ganan un sueldo por debajo del sueldo promedio del municipio.

El último gráfico que crearemos es similar al histograma de distribución salarial anterior, pero esta vez resaltaremos la situación laboral del empleado.

ggplot(data, aes(x=sueldo_neto, fill=planta)) + 
  geom_histogram(binwidth=10000, position = "stack") + 
  ggtitle("Distribución de sueldos netos") +
  xlab("Sueldo neto") + 
  ylab("Frecuencia")Lenguaje del código: R (r)

Podemos ver que una porción significativa de los sueldos más altos pertenecen a empleados «permanentes», lo cual puede tener que ver con la antigüedad del empleado. Por otro lado, los pocos puestos políticos se ubican consistentemente entre los sueldos más altos.

Conclusión

Este análisis proporciona una descripción detallada de la estructura salarial dentro del Municipio de Rosario para junio de 2023. Examinamos los costos totales de nómina, los sueldos promedio por secretaría, la situación laboral y las funciones o puestos, y visualizamos la distribución salarial general.

Algunos puntos a destacar de esta exploración:

  • La Municipalidad de Rosario emplea a 11418 personas, con costos totales de nómina que ascienden aproximadamente a ARS 5861 millones mensuales. Esta cifra incluye sueldos brutos, sueldos netos y costos adicionales para el empleador.
  • La Secretaría de Salud Pública cuenta con la mayoría de los empleados municipales; un total de 4912 empleados. Es seguida por la secretaría de Ambiente y Espacio Público, con 1263 empleados. La secretaría con menor cantidad de empleados es Movilidad, con 74 dependientes.
  • Asimismo, la secretaría de Salud Pública incurre en los gastos de nómina más altos del municipio; poco más de ARS 2.685 millones mensuales.
  • Los sueldos netos más altos se ganan en las secretarías de Control y Convivencia, con un promedio de ARS 491828,40, e Intendencia, con un promedio de ARS 489694,40.
  • Los sueldos netos más bajos se ganan la Secretaría de Cultura, con un promedio de ARS 243653,70.
  • El puesto de «Contador general» tiene el sueldo neto promedio más alto, registrado en ARS 1021847,24. Le sigue el sueldo del Intendente, con un valor de ARS 991334,44. Los puestos de «Docente/Profesor», «Promotor» y «Mantenimiento» se encuentran entre los sueldos netos promedio más bajos, con valores que oscilan entre los 97 mil y 185 mil ARS.
  • La planta permanente está formada por 10290 empleados, siendo este el tipo de contrato predominante. En cambio, sólo hay 41 puestos clasificados como «autoridad superior» o puestos políticos.
  • Los puestos políticos cobran los sueldos más altos del municipio. El sueldo neto promedio para estas funciones es de ARS 772306,35, más del doble del sueldo neto promedio de un empleado permanente, que se ubica en ARS 360582,64.
  • La distribución de los sueldos está sesgada positivamente, lo que muestra que la mayoría de las personas gana sueldos por debajo de la media.

Limitaciones

  • El análisis se basa en datos de junio de 2023 y es posible que no refleje las estructuras salariales actuales o futuras.
  • Antigüedad del empleado: el conjunto de datos carece de información sobre los años de antigüedad de cada empleado, lo que limita una visión más profunda de las distribuciones salariales.

Análisis futuro

  • Debido a las altas tasas de inflación de Argentina, sería posible expresar los sueldos en dólares estadounidenses (USD) para tener una perspectiva más clara.
  • Analisis de tendencias salariales durante varios años para identificar patrones y ajustes. Esto se podrá hacer a medida que haya nueva información disponible del Municipio de Rosario.

En conclusión, este análisis proporciona una visión integral de la dinámica salarial dentro del Municipio de Rosario. Además, sirve para informar a la ciudadanía sobre los sueldos de este importante organismo gubernamental, promoviendo la transparencia y la rendición de cuentas.