Capítulo 2 Alíquotas de Contribuição Praticadas

Neste capítulo, objetiva-se explorar o conjunto de dados contendo informações sobre as alíquotas de contribuição previdenciária praticadas pelos RPPS.

Para que a análise dos dados seja possível é necessário realizar a importação dos mesmos:

aliquotas <- read_excel("dados/1-aliquota_atualizacao_de_ago_set_2020_extracao_em_2020-10-06t18_11_46.xlsx")

Feita a importação é sempre recomendável inspecionar os dados para verificar se tudo ocorreu bem. Uma forma de se fazer isso é mostrar os registros iniciais da base de dados.

head(aliquotas) %>% 
  kbl(caption="Registros iniciais do conjunto de dados") %>% 
  kable_paper(full_width = FALSE) %>% 
  scroll_box(width = "700px", height = "300px")
Table 2.1: Registros iniciais do conjunto de dados
CNPJ Ente UF Plano de Segregação Sujeito Passivo Aliquota Início de Vigência Fim de Vigência Observação
63606479000124 Governo do Estado do Acre AC PREVIDENCIÁRIO Ativos 14 2017-07-01 NA NA
63606479000124 Governo do Estado do Acre AC PREVIDENCIÁRIO Aposentados 14 2017-07-01 NA NA
63606479000124 Governo do Estado do Acre AC PREVIDENCIÁRIO Pensionistas 14 2017-07-01 NA NA
63606479000124 Governo do Estado do Acre AC PREVIDENCIÁRIO Ente 22 2019-12-04 2020-02-29 NA
63606479000124 Governo do Estado do Acre AC PREVIDENCIÁRIO Ente 14 2020-03-01 NA NA
04034583000122 Rio Branco AC FINANCEIRO Aposentados 11 2013-01-01 2020-10-31 Reanalisando: o art. 56 da Lei 1793/2009-publicada em 31/12/2009-segregou a massa estabelecendo: - I.Fundo Financeiro – FFIN: abrange todos os benefícios previdenciários de aposentadorias e pensões/II.Fundo Previdenciário – FPREV: abrange todos os demais servidores públicos efetivos vinculados ao RPPS.O art. 51 fixando a alíquota m 11%.

Examinando o conjunto de dados, verifica-se que o mesmo possui nove colunas. Também aqui os nomes das mesmas dão uma boa indicação do conteúdo de cada uma.

Basicamente a base de dados informa o percentual da alíquota de contribuição praticada em cada RPPS, indicando na variável Sujeito Passivo se a alíquota se refere aos servidores ativos, aos aposentados, aos pensionistas, ao Ente e também se é alíquota suplementar, situação em que a variável Sujeito Passivo assume o valor Ente-suplementar.

A base de dados também indica o início e o término de vigência da alíquota e se a mesma refere-se ao plano financeiro ou ao plano previdenciário.

É possível verificar os valores assumidos pela variável Sujeito Passivo da seguinte forma:

unique(aliquotas$`Sujeito Passivo`)
[1] "Ativos"           "Aposentados"      "Pensionistas"     "Ente"            
[5] "Ente-suplementar"

Para facilitar o trabalho posterior com o conjunto de dados, será feita a modificação dos nomes das variáveis, conforme mostrado no código a seguir:

# Renomeia as colunas
aliquotas <- aliquotas %>% 
  rename(cnpj_ente = CNPJ,
         ente = Ente,
         uf = UF,
         plano_segregacao = `Plano de Segregação`,
         sujeito_passivo = `Sujeito Passivo`,
         aliquota = Aliquota,
         inic_vigencia = `Início de Vigência`,
         fim_vigencia = `Fim de Vigência`)

# Ajuste no tipo de dados das datas de início e de vigência
# e exclusão da coluna "Observação"
aliquotas <- aliquotas %>% 
  mutate(inic_vigencia = as.Date(inic_vigencia),
         fim_vigencia  = as.Date(fim_vigencia)) %>% 
  select(-Observação)

# Exibe os 3 primeiros registros do conjunto de dados
head(aliquotas, 3) %>% 
  kbl(caption="Registros iniciais do conjunto de dados") %>% 
  kable_paper(full_width = FALSE) %>% 
  scroll_box(width = "700px", height = "300px")
Table 2.2: Registros iniciais do conjunto de dados
cnpj_ente ente uf plano_segregacao sujeito_passivo aliquota inic_vigencia fim_vigencia
63606479000124 Governo do Estado do Acre AC PREVIDENCIÁRIO Ativos 14 2017-07-01 NA
63606479000124 Governo do Estado do Acre AC PREVIDENCIÁRIO Aposentados 14 2017-07-01 NA
63606479000124 Governo do Estado do Acre AC PREVIDENCIÁRIO Pensionistas 14 2017-07-01 NA

2.1 Análise Exploratória

Uma coisa que deve ser feita logo de início, ao se começar a análise de um conjunto de dados, é verificar se existe alguma inconsistência nos valores das variáveis; e nesse conjunto de dados em particular, é importante examinar se as alíquotas não apresentam valores inconsistentes.

Essa verificação pode ser feita realizando-se, por exemplo, um resumo estatístico dos valores das alíquotas. Antes, contudo, é conveniente observar se a base de dados contém alíquotas recentes.

summary(aliquotas$fim_vigencia)
        Min.      1st Qu.       Median         Mean      3rd Qu.         Max. 
"2020-01-01" "2020-08-31" "2020-12-31" "2023-01-24" "2022-12-31" "2058-12-31" 
        NA's 
      "9648"

A base de dados não contém alíquotas cuja validade tenha encerrado em anos anteriores a 2020. O resumo dos valores das alíquotas pode ser feito da seguinte forma:

summary(aliquotas$aliquota)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
   0.01   11.00   11.00   13.38   14.00  180.00

Os valores mínimo e máximo não parecem razoáveis. No código a seguir será feita a identiticação dos RPPS com as alíquotas nesses valores:

aliquotas %>% 
  filter(aliquota == 0.01)
# A tibble: 1 x 8
  cnpj_ente ente  uf    plano_segregacao sujeito_passivo aliquota inic_vigencia
  <chr>     <chr> <chr> <chr>            <chr>              <dbl> <date>       
1 01612686~ Caci~ PB    PREVIDENCIÁRIO   Ente-suplement~     0.01 2020-01-01   
# ... with 1 more variable: fim_vigencia <date>
aliquotas %>% 
  filter(aliquota == 180)
# A tibble: 1 x 8
  cnpj_ente ente  uf    plano_segregacao sujeito_passivo aliquota inic_vigencia
  <chr>     <chr> <chr> <chr>            <chr>              <dbl> <date>       
1 01217538~ Trin~ GO    PREVIDENCIÁRIO   Ente-suplement~      180 2044-01-01   
# ... with 1 more variable: fim_vigencia <date>

Existe a necessidade de examinar com mais profundidade se estes valores de fato estão corretos, ou se houve erro no preenchimento dos dados.

Essa mesma verificação que foi feita para o conjunto de dados como um todo, pode ser feita considerando-se os valores de uma variável qualitativa, . Exemplo:

aliquotas %>%
  group_by(sujeito_passivo) %>% 
  summarise(aliq_min = min(aliquota),
            aliq_max = max(aliquota)) %>% 
  kbl() %>% 
  kable_paper(full_width = FALSE)
sujeito_passivo aliq_min aliq_max
Aposentados 6.00 15.30
Ativos 6.00 22.00
Ente 5.15 123.25
Ente-suplementar 0.01 180.00
Pensionistas 6.00 24.02

O resultado mostra os valores máximo e mínimo das alíquotas por valores da variável sujeito_passivo.

Uma análise gráfica também pode revelar coisas interessantes. O código a seguir produz um boxplot das alíquotas por sujeito passivo, separados por plano:

ggplot(aliquotas, aes(x = sujeito_passivo, y = aliquota)) +
  facet_wrap(~ plano_segregacao) +
  geom_boxplot() +
  theme_bw() +
  theme(axis.text.x = element_text(angle = 30))

O gráfico mostra algumas coisas interessantes: a primeira são os valores altos que se verificam para algumas alíquotas. No plano previdenciário existem alíquotas suplementares em valores superiores a 100%.

Outra coisa é ver que no fundo em repartição existem alguns RPPS com alíquota suplementar, o que é estranho já que nesse regime financeiro não há deficit atuarial a ser amortizado.

As alíquotas do ente no plano em repartição tendem a ser maiores que as alíquotas do ente no plano em capitalização.

Ativos, aposentados e pensionistas tendem a ter alíquotas iguais nos dois planos.

A base de dados parece ter muitas inconsistências, o que é preocupante visto que é uma base de dados essencial para o cálculo das contribuições devidas ao RPPS.

2.2 RPPS com Segregação de Massas

Uma questão que é possível responder com essa base de dados é: quantos RPPS possuem segregação de massas e quanto isso representa do total de RPPS?

Uma outra questão é: qual unidade da federação possui o maior percentual de RPPS com segregação de massas?

Sabe-se que o instituto da segregação de massas é adotado pelo RPPS como uma forma de equacionamento do deficit atuarial. Assim, se um RPPS possui segregação de massas pode-se concluir que é deficitário ainda que o fundo em capitalização seja superavitário.

No que segue buscar-se-á as repostas para as questões acima “interrogando” a base de dados.

O primeiro passo será criar uma nova coluna na base de dados para identificar os RPPS com segregação de massas:

cnpj_ente_segregacao <- aliquotas %>% 
                            filter(plano_segregacao == "FINANCEIRO") %>% 
                            pull(cnpj_ente) %>% 
                            unique()

Os comandos acima identificam os CNPJ dos Entes que possuem RPPS com segregação de massas. O próximo passo é criar a nova coluna, que terá o valor 1 se o RPPS possui segregação e 0 caso contário.

# Cria nova coluna "possui_segregacao"
aliquotas <- aliquotas %>% 
                mutate(possui_segregacao = ifelse(cnpj_ente %in% cnpj_ente_segregacao, 1, 0))

# Exibe os 10 primeiros registros
aliquotas %>% 
  select(ente, plano_segregacao, possui_segregacao) %>%
  head(10) %>% 
  kbl() %>% 
  kable_paper(full_width = FALSE)
ente plano_segregacao possui_segregacao
Governo do Estado do Acre PREVIDENCIÁRIO 0
Governo do Estado do Acre PREVIDENCIÁRIO 0
Governo do Estado do Acre PREVIDENCIÁRIO 0
Governo do Estado do Acre PREVIDENCIÁRIO 0
Governo do Estado do Acre PREVIDENCIÁRIO 0
Rio Branco FINANCEIRO 1
Rio Branco FINANCEIRO 1
Rio Branco FINANCEIRO 1
Rio Branco FINANCEIRO 1
Rio Branco PREVIDENCIÁRIO 1

Agora é possível responder a questão 1: quantos RPPS possuem segregação de massas e quanto isso representa do total de RPPS?

rpps_segregado <- aliquotas %>% 
                      select(cnpj_ente, possui_segregacao) %>% 
                      distinct(cnpj_ente, .keep_all = TRUE) 
nrow(rpps_segregado)
[1] 2147
table(rpps_segregado$possui_segregacao)

   0    1 
1894  253 
prop.table(table(rpps_segregado$possui_segregacao))

        0         1 
0.8821612 0.1178388

As saídas indicam que a base de dados contempla 2.147 RPPS, dos quais 253 possuem segregação de massa, o que representa 11,7% dos RPPS na base de dados e não da totalidade dos RPPS, visto que no Capítulo 1 ao se examinar a base de dados de cadastro de RPPS, ficou evidenciada a existência de 2.156 RPPS ativos e mais 21 em extinção.

Agora passa-se à segunda questão: qual unidade da federação possui o maior percentual de RPPS com segregação de massas?

rpps_segregado_uf <- aliquotas %>% 
                        select(cnpj_ente, uf, possui_segregacao) %>% 
                        distinct(cnpj_ente, .keep_all = TRUE) %>% 
                        group_by(uf) %>%
                        summarise(com_sm = sum(possui_segregacao),
                                  sem_sm = n() - com_sm,
                                  n_rpps = com_sm + sem_sm,
                                  `%_com_sm` = round(com_sm / n_rpps, 4),
                                  `%_sem_sm` = round(sem_sm / n_rpps, 4)) %>% 
                        arrange(desc(`%_com_sm`))
                      

qflextable(rpps_segregado_uf)

uf

com_sm

sem_sm

n_rpps

%_com_sm

%_sem_sm

DF

1

0

1

1,000

0,00

AC

1

1

2

0,500

0,50

AP

2

2

4

0,500

0,50

RR

1

1

2

0,500

0,50

SE

2

2

4

0,500

0,50

ES

13

22

35

0,371

0,63

RJ

26

54

80

0,325

0,68

PE

46

103

149

0,309

0,69

CE

13

51

64

0,203

0,80

PI

13

56

69

0,188

0,81

SP

32

190

222

0,144

0,86

SC

10

60

70

0,143

0,86

PA

4

25

29

0,138

0,86

PR

21

157

178

0,118

0,88

MG

23

197

220

0,104

0,90

PB

6

65

71

0,085

0,92

AM

2

25

27

0,074

0,93

RO

2

28

30

0,067

0,93

TO

2

28

30

0,067

0,93

MT

6

101

107

0,056

0,94

AL

4

70

74

0,054

0,95

RN

2

39

41

0,049

0,95

GO

8

163

171

0,047

0,95

RS

11

321

332

0,033

0,97

BA

1

36

37

0,027

0,97

MA

1

46

47

0,021

0,98

MS

0

51

51

0,000

1,00

2.3 Adequação das Alíquotas à EC 103/19

Com a promulgação da Emenda Constitucional no 103/19, os RPPS com deficit atuarial devem obrigatoriamente aumentar a alíquota de contribuição de seus servidores para 14%.

Existe para esses RPPS a possibilidade de estabelecer alíquotas progressivas, ou seja, percentuais diferentes por faixa salarial. Nesses casos é interessante o cálculo da alíquota efetiva, já que a mesma não pode resultar em percentual inferior a 14%.

Os poucos RPPS superavitários podem manter suas alíquotas no mesmo patamar desde que não sejam inferiores às alíquotas aplicáveis ao RGPS.

A questão que se pode colocar é: quais RPPS ainda não cumpriram o mandamento constitucional de aumentar suas alíquotas de contribução?

Pode-se identificar uma parcela desses RPPS simplesmente verificando se possuem segregação de massas. Em caso positivo, são deficitários e devem implementar a alteração de alíquotas de uma ou outra forma. Uma outra parcela pode ser identificada verificando se possui alíquota suplementar, indicativo de que o RPPS possui déficit atuarial em equacionamento.

Com essa sistemática ficariam de fora os RPPS deficitários que tenham optado por equacionar o deficit por aportes períodicos. Para a identificação desses RPPS será necessário trazer para análise a base de dados Valores_Compromissos que integra o conjunto de arquivos com dados do DRAA.

Os comandos a seguir servirão para identificar os RPPS deficitários, tomando por base apenas o arquivo de alíquotas.

Na seção anterior foram identificados os RPPS com segregação de massas. Agora será feita a identificação dos RPPS que possuem alíquota suplementar, outro indicador de RPPS deficitário.

O comando a seguir identifica os CNPJ dos Entes cujos RPPS possuem alíquota suplementar.

cnpj_ente_aliqsup <- aliquotas %>% 
                        filter(sujeito_passivo == "Ente-suplementar") %>% 
                        pull(cnpj_ente) %>% 
                        unique()

Agora será criada na base de dados uma nova coluna chamada possui_aliqsup que assumirá o valor 1 se o RPPS possui alíquota suplementar e o valor 0 caso contrário.

aliquotas <- aliquotas %>% 
                mutate(possui_aliqsup = ifelse(cnpj_ente %in% cnpj_ente_aliqsup, 1, 0))

aliquotas %>% 
  select(ente, plano_segregacao, possui_segregacao, possui_aliqsup) %>%
  head(10) %>% 
  kbl() %>% 
  kable_paper(full_width = FALSE)
ente plano_segregacao possui_segregacao possui_aliqsup
Governo do Estado do Acre PREVIDENCIÁRIO 0 0
Governo do Estado do Acre PREVIDENCIÁRIO 0 0
Governo do Estado do Acre PREVIDENCIÁRIO 0 0
Governo do Estado do Acre PREVIDENCIÁRIO 0 0
Governo do Estado do Acre PREVIDENCIÁRIO 0 0
Rio Branco FINANCEIRO 1 1
Rio Branco FINANCEIRO 1 1
Rio Branco FINANCEIRO 1 1
Rio Branco FINANCEIRO 1 1
Rio Branco PREVIDENCIÁRIO 1 1

Agora será necessáro aplicar um filtro com o objetivo de pegar apenas os registros para os quais o RPPS possui segregação de massas ou alíquota suplementar.

rpps_ajuste_aliquota <- aliquotas %>% 
                          filter(!(possui_segregacao == 0 & possui_aliqsup == 0))

Uma coisa interessante de se observar é que vários RPPS, apesar de possuirem segregação de massas, possuem também alíquota suplementar.

Deve-se fazer novamente a ressalva de que o conjunto de dados acima deixa de fora os RPPS deficitários que optaram por equacionar o deficit via aportes periódicos.

Agora que foram identificados parte dos RPPS que devem fazer o ajuste de alíquota, resta identificar quem ainda não fez.

O critério será olhar as alíquotas vigentes dos servidores ativos do plano previdenciário. O código a seguir realiza esse filtro:

ajuste <- rpps_ajuste_aliquota %>% 
            filter(sujeito_passivo == "Ativos",
                   plano_segregacao == "PREVIDENCIÁRIO",
                   is.na(fim_vigencia))

Sempre é interessante checar para ver se existe RPPS em duplicidade na base:

any(duplicated(ajuste$cnpj_ente))
[1] TRUE

Sim. A identificação dos mesmos pode ser feita da seguinte forma:

dups <- ajuste$cnpj_ente[duplicated(ajuste$cnpj_ente)]
ajuste %>% 
  filter(cnpj_ente %in% dups) %>% 
  kbl() %>% 
  kable_paper(full_width = FALSE)
cnpj_ente ente uf plano_segregacao sujeito_passivo aliquota inic_vigencia fim_vigencia possui_segregacao possui_aliqsup
06314439000175 Duque Bacelar MA PREVIDENCIÁRIO Ativos 11.00 2011-02-01 NA 0 1
06314439000175 Duque Bacelar MA PREVIDENCIÁRIO Ativos 13.55 2018-06-01 NA 0 1
28920999000106 Porciúncula RJ PREVIDENCIÁRIO Ativos 14.00 2020-08-01 NA 1 0
28920999000106 Porciúncula RJ PREVIDENCIÁRIO Ativos 14.00 2020-08-01 NA 1 0

Como é possível verificar, há uma duplicidade (Porciúncula-RJ) e o não registro de um término de vigência (Duque Bacelar-MA).

Agora é possível olhar para um resumo dos valores das alíquotas nesse subconjunto dos dados:

summary(ajuste$aliquota)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
  11.00   11.00   11.00   11.93   14.00   15.00

O comando a seguir irá mostrar quais valores de alíquotas são mais frequentes:

ajuste %>% 
  count(aliquota, sort=TRUE) %>% 
  kbl() %>% 
  kable_paper(full_width=FALSE)
aliquota n
11.00 990
14.00 429
12.00 9
13.00 7
12.50 3
13.50 2
14.25 2
11.50 1
11.75 1
11.80 1
12.20 1
12.22 1
12.33 1
12.80 1
12.82 1
13.21 1
13.55 1
15.00 1

Para identificar os RPPS que ainda não providenciaram a alteração da alíquota basta aplicar um filtro para obter os registros onde o valor da alíquota seja inferior a 14% e caso seja de interesse identificar esses RPPS por unidade da federação basta filtrar também por UF. O código a seguir mostra como fazer isso para o RJ:

ajuste %>% 
  filter(aliquota < 14, uf == "RJ") %>% 
  select(ente, uf, aliquota, inic_vigencia) %>% 
  arrange(inic_vigencia) %>% 
  kbl() %>% 
  kable_paper(full_width = FALSE)
ente uf aliquota inic_vigencia
São José de Ubá RJ 11.0 2005-10-13
Macaé RJ 11.0 2005-10-23
Cantagalo RJ 11.0 2005-12-08
Carmo RJ 11.0 2006-03-27
Silva Jardim RJ 11.0 2006-04-30
Itatiaia RJ 11.0 2006-05-05
Teresópolis RJ 11.0 2006-11-23
Cachoeiras de Macacu RJ 11.0 2007-01-12
Campos dos Goytacazes RJ 11.0 2007-04-27
Paraíba do Sul RJ 11.0 2009-03-12
Laje do Muriaé RJ 11.0 2009-05-28
Cardoso Moreira RJ 11.0 2010-01-01
Areal RJ 11.0 2010-05-31
Maricá RJ 11.0 2010-06-07
Duas Barras RJ 11.0 2010-12-31
Angra dos Reis RJ 11.0 2011-07-12
Saquarema RJ 11.0 2012-03-30
Mendes RJ 11.0 2012-06-06
Aperibé RJ 11.0 2012-12-04
Valença RJ 11.0 2012-12-27
São Sebastião do Alto RJ 11.0 2013-06-29
Volta Redonda RJ 11.0 2013-09-12
Sapucaia RJ 11.0 2015-01-01
Mesquita RJ 11.0 2015-06-04
Barra Mansa RJ 11.0 2016-07-19
Sumidouro RJ 11.0 2016-12-14
Japeri RJ 11.0 2017-01-13
Niterói RJ 12.5 2017-03-30
Bom Jardim RJ 11.0 2017-09-15
São João de Meriti RJ 11.0 2018-02-28
Rio Claro RJ 11.0 2018-10-01
Petrópolis RJ 11.0 2019-06-01

Como os RPPS que não constam da base de dados, bem como aqueles que optaram por equacionar o deficit via aportes pariódicos não são identificados pela metodologia descrita, faz sentido identificar os RPPS que fizerem o ajuste de alíquota, visto que se um RPPS não constar em nenhuma das listagens ou é superavitário ou optou por equacionar o deficit via aportes.

O código a seguir identifica os RPPS do RJ que já possuem as alíquotas ajustadas.

ajuste %>% 
  filter(aliquota >= 14, uf == "RJ") %>% 
  select(ente, uf, aliquota, inic_vigencia) %>% 
  arrange(inic_vigencia) %>% 
  qflextable()

ente

uf

aliquota

inic_vigencia

Governo do Estado do Rio de Janeiro

RJ

14

2017-08-28

Duque de Caxias

RJ

14

2017-11-14

Rio das Ostras

RJ

14

2018-03-01

Natividade

RJ

14

2020-07-01

Pinheiral

RJ

14

2020-07-15

Porciúncula

RJ

14

2020-08-01

Porciúncula

RJ

14

2020-08-01

Quatis

RJ

14

2020-10-01

2.4 Alíquota do Ente Inferior à do Servidor Ativo

Uma outra verificação possível de ser feita é se existe algum Ente cuja alíquota de contribuição para o RPPS seja inferior a do servidor ativo ( Lei 9717, art. 2o, caput ).

Para essa análise serão selecionados apenas os registros relativos às alíquotas do Ente e dos servidores ativos do plano previdenciário que estejam em vigor. O código a seguir faz esse filtro:

aliq_ente_ativos_prev <- aliquotas %>% 
                          filter(sujeito_passivo %in% c("Ente", "Ativos"),
                          plano_segregacao == "PREVIDENCIÁRIO",
                          is.na(fim_vigencia))

No conjunto de dados obtido foi observado que existem alguns RPPS para os quais existem mais de uma alíquota em vigor para o Ente ou para o servidor Ativo.

O código abaixo faz a identificação do CNPJ do Ente cujo RPPS apresenta essa inconsistência com vistas a excluí-los da base de dados para que sejam, posterioremnte, objeto de análise à parte.

rpps_inconsistente <-  aliq_ente_ativos_prev %>% 
                          group_by(cnpj_ente) %>% 
                          summarise(qtd_linhas = length(cnpj_ente)) %>% 
                          filter(qtd_linhas > 2) %>% 
                          pull(cnpj_ente) %>% 
                          unique()

Os RPPS “com problemas” são os seguintes:

aliq_ente_ativos_prev %>%
  filter(cnpj_ente %in% rpps_inconsistente) %>%
  qflextable()

cnpj_ente

ente

uf

plano_segregacao

sujeito_passivo

aliquota

inic_vigencia

fim_vigencia

possui_segregacao

possui_aliqsup

04271037000105

Barcelos

AM

PREVIDENCIÁRIO

Ente

11,0

2006-06-26

0

0

04271037000105

Barcelos

AM

PREVIDENCIÁRIO

Ativos

8,0

2009-02-01

0

0

04271037000105

Barcelos

AM

PREVIDENCIÁRIO

Ativos

9,0

2009-02-01

0

0

04271037000105

Barcelos

AM

PREVIDENCIÁRIO

Ativos

11,0

2009-02-01

0

0

14043574000151

Feira de Santana

BA

PREVIDENCIÁRIO

Ativos

14,0

2020-09-01

0

1

14043574000151

Feira de Santana

BA

PREVIDENCIÁRIO

Ente

14,0

2020-09-01

0

1

14043574000151

Feira de Santana

BA

PREVIDENCIÁRIO

Ente

14,0

2020-09-01

0

1

16444150000124

Ourolândia

BA

PREVIDENCIÁRIO

Ente

14,0

2018-01-04

0

0

16444150000124

Ourolândia

BA

PREVIDENCIÁRIO

Ativos

7,5

2020-07-01

0

0

16444150000124

Ourolândia

BA

PREVIDENCIÁRIO

Ativos

9,0

2020-07-01

0

0

16444150000124

Ourolândia

BA

PREVIDENCIÁRIO

Ativos

12,0

2020-07-01

0

0

16444150000124

Ourolândia

BA

PREVIDENCIÁRIO

Ativos

14,0

2020-07-01

0

0

16444150000124

Ourolândia

BA

PREVIDENCIÁRIO

Ativos

14,5

2020-07-01

0

0

16444150000124

Ourolândia

BA

PREVIDENCIÁRIO

Ativos

16,5

2020-07-01

0

0

16444150000124

Ourolândia

BA

PREVIDENCIÁRIO

Ativos

19,0

2020-07-01

0

0

16444150000124

Ourolândia

BA

PREVIDENCIÁRIO

Ativos

22,0

2020-07-01

0

0

04219688000156

Conquista d'Oeste

MT

PREVIDENCIÁRIO

Ente

14,0

2020-08-01

0

0

04219688000156

Conquista d'Oeste

MT

PREVIDENCIÁRIO

Ativos

11,0

2020-08-01

0

0

04219688000156

Conquista d'Oeste

MT

PREVIDENCIÁRIO

Ativos

13,0

2020-08-01

0

0

04219688000156

Conquista d'Oeste

MT

PREVIDENCIÁRIO

Ativos

12,0

2020-08-01

0

0

04219688000156

Conquista d'Oeste

MT

PREVIDENCIÁRIO

Ativos

14,0

2020-08-01

0

0

28920999000106

Porciúncula

RJ

PREVIDENCIÁRIO

Ente

14,8

2017-09-01

1

0

28920999000106

Porciúncula

RJ

PREVIDENCIÁRIO

Ativos

14,0

2020-08-01

1

0

28920999000106

Porciúncula

RJ

PREVIDENCIÁRIO

Ativos

14,0

2020-08-01

1

0

Esses RPPS serão excluídos da base para que não comprometam a análise:

# Exclusão dos RPPS inconsistentes
aliq_ente_ativos_prev <- aliq_ente_ativos_prev %>% 
                            filter(!(cnpj_ente %in% rpps_inconsistente)) %>% 
                            select(cnpj_ente, ente, uf, sujeito_passivo, aliquota)

Feita a exclusão, já é possível identificar os Entes cujas alíquotas são inferiores às alíquotas dos servidores:

# Modificação do formato da base e identificação dos registros onde
# a alíquota do Ente é inferior a do servidor ativo
aliq_ente_ativos_prev <- aliq_ente_ativos_prev %>% 
                            pivot_wider(names_from = sujeito_passivo,
                                        values_from = aliquota, values_fn = max) %>% 
                            mutate(dif_taxa = Ente - Ativos) %>% 
                            filter(dif_taxa < 0)

Foram identificados 90 RPPS para os quais, em princípio, a alíquota de contribuição do Ente é inferior à alíquota cobrada dos servidor ativo. Estes RPPS estão listados na tabela a seguir:

aliq_ente_ativos_prev %>% 
  select(-cnpj_ente) %>% #
  qflextable()

ente

uf

Ativos

Ente

dif_taxa

Atalaia

AL

14

11,0

-3,00

Branquinha

AL

11

9,3

-1,66

Cajueiro

AL

11

8,1

-2,88

Canapi

AL

11

5,2

-5,85

Jundiá

AL

14

11,0

-3,00

Monteirópolis

AL

11

7,6

-3,36

Palmeira dos Índios

AL

14

11,6

-2,39

Penedo

AL

11

9,2

-1,85

Tanque d'Arca

AL

11

8,6

-2,37

Taquarana

AL

11

7,4

-3,57

Serra Dourada

BA

11

5,8

-5,20

Aparecida de Goiânia

GO

11

9,5

-1,50

Campo Alegre de Goiás

GO

14

11,5

-2,50

Edéia

GO

14

13,0

-1,00

Gameleira de Goiás

GO

11

10,1

-0,92

Inhumas

GO

14

11,5

-2,47

Leopoldo de Bulhões

GO

14

13,6

-0,41

Mutunópolis

GO

11

7,9

-3,10

Quirinópolis

GO

14

12,4

-1,80

São Patrício

GO

11

9,3

-1,74

Senador Canedo

GO

14

11,5

-2,47

Chapadinha

MA

11

5,4

-5,64

Pedreiras

MA

11

6,0

-5,00

São Mateus do Maranhão

MA

11

11,0

-0,04

Vitória do Mearim

MA

11

9,7

-1,27

Coimbra

MG

14

11,8

-2,17

Felisburgo

MG

11

10,0

-1,00

Senhora do Porto

MG

14

11,0

-3,00

Rochedo

MS

14

12,0

-2,00

Acorizal

MT

11

7,8

-3,20

Água Boa

MT

14

13,0

-0,97

Alto Araguaia

MT

14

6,2

-7,83

Araguaiana

MT

14

8,2

-5,84

Aripuanã

MT

14

11,1

-2,91

Barra do Bugres

MT

14

10,4

-3,60

Castanheira

MT

14

13,6

-0,43

Colniza

MT

14

13,6

-0,45

Curvelândia

MT

14

11,9

-2,11

Figueirópolis d'Oeste

MT

14

6,5

-7,49

Gaúcha do Norte

MT

14

13,6

-0,42

Glória d'Oeste

MT

14

7,1

-6,94

Guarantã do Norte

MT

14

12,2

-1,78

Itiquira

MT

14

7,6

-6,40

Jaciara

MT

14

12,8

-1,17

Jauru

MT

14

8,8

-5,21

Juína

MT

14

11,3

-2,70

Juruena

MT

14

8,0

-6,02

Mirassol d'Oeste

MT

14

13,0

-0,98

Nova Canaã do Norte

MT

14

12,7

-1,31

Nova Lacerda

MT

14

11,9

-2,12

Nova Marilândia

MT

14

6,2

-7,81

Nova Olímpia

MT

14

10,4

-3,64

Nova Santa Helena

MT

14

6,2

-7,81

Novo Horizonte do Norte

MT

14

7,5

-6,52

Ponte Branca

MT

11

9,4

-1,63

Pontes e Lacerda

MT

14

6,4

-7,56

Porto Estrela

MT

14

9,9

-4,10

Reserva do Cabaçal

MT

14

9,5

-4,49

Santo Afonso

MT

14

6,2

-7,80

São Félix do Araguaia

MT

14

7,9

-6,11

Tabaporã

MT

14

7,6

-6,38

Terra Nova do Norte

MT

14

7,2

-6,76

Vila Rica

MT

14

8,2

-5,78

Curralinho

PA

15

7,6

-7,65

Dom Eliseu

PA

11

9,5

-1,54

Oeiras do Pará

PA

11

7,3

-3,69

Rurópolis

PA

11

9,5

-1,48

Soure

PA

11

10,8

-0,15

Lagoa Seca

PB

14

13,8

-0,21

Santa Helena

PB

11

8,5

-2,54

Água Preta

PE

11

9,8

-1,18

Águas Belas

PE

14

11,0

-3,00

Altinho

PE

14

12,8

-1,20

Angelim

PE

11

10,8

-0,18

Jupi

PE

11

10,2

-0,80

Petrolina

PE

14

11,0

-3,00

Francisco Santos

PI

14

11,0

-3,00

Jaboti

PR

14

13,0

-1,00

Natividade

RJ

14

12,1

-1,95

Boa Saúde (antigo Januário Cicco)

RN

11

5,7

-5,30

Coronel João Pessoa

RN

11

8,7

-2,28

Goianinha

RN

11

10,4

-0,62

São Tomé

RN

14

13,0

-1,00

Barra do Rio Azul

RS

14

13,8

-0,18

Nova Pádua

RS

14

11,0

-3,00

Porto Vera Cruz

RS

14

12,0

-2,00

Navegantes

SC

14

11,4

-2,62

Ilha das Flores

SE

11

6,7

-4,29

Sumaré

SP

11

9,5

-1,51

Couto de Magalhães

TO

11

10,1

-0,88