Capítulo 3 CRP - Certificado de Regularidade Previdenciária

Este capítulo objetiva mostrar algumas possibilidades de análise dos dados do CRP

A primeira coisa a ser feita, como sempre, é realizar a importação e o pré-processamento dos dados:

crp <- read_excel("dados/5-validade-crp_atualizacao_de_ago_set_2020_extracao_em_2020-10-06t18_25_59.xlsx")

head(crp) %>% 
  qflextable()

UF	ENTE	NR CRP	DATA DE EMISSÃO	DATA DE VALIDADE	CRP JUDICIAL	TIPO DE REGIME	SITUAÇÃO DO CRP
AC	Acrelândia	980643-185126	17/04/2020	14/10/2020	NÃO	RGPS	VÁLIDO
AC	Assis Brasil	980157-186981	24/06/2020	21/12/2020	NÃO	RGPS	VÁLIDO
AC	Brasiléia	980105-185377	28/04/2020	25/10/2020	NÃO	RGPS	VÁLIDO
AC	Bujari	980645-188197	15/08/2020	11/02/2021	NÃO	RGPS	VÁLIDO
AC	Capixaba	980647-188445	19/08/2020	15/02/2021	NÃO	RGPS	VÁLIDO
AC	Cruzeiro do Sul	980107-187340	07/07/2020	03/01/2021	NÃO	RGPS	VÁLIDO

O conjunto de dados contempla tanto os entes vinculados ao RGPS quanto ao RPPS e fornece algumas informações sobre o CRP.

Para facilitar a análise posterior dos dados as colunas serão renomeadas e as variáveis indicativas de datas serão convertidas para um formato de data.

# Alterar nomes das variáveis
crp <- crp %>%
        rename(uf = UF,
               ente = ENTE,
               num_crp = `NR CRP`,
               dt_emissao = `DATA DE EMISSÃO`,
               dt_validade = `DATA DE VALIDADE`,
               judicial = `CRP JUDICIAL`,
               tipo_regime = `TIPO DE REGIME`,
               situacao = `SITUAÇÃO DO CRP`)

# Converter datas para o formato de datas
crp <- crp %>% 
        mutate(dt_emissao  = dmy(dt_emissao),
               dt_validade = dmy(dt_validade))

head(crp) %>% 
  qflextable()

uf	ente	num_crp	dt_emissao	dt_validade	judicial	tipo_regime	situacao
AC	Acrelândia	980643-185126	2020-04-17	2020-10-14	NÃO	RGPS	VÁLIDO
AC	Assis Brasil	980157-186981	2020-06-24	2020-12-21	NÃO	RGPS	VÁLIDO
AC	Brasiléia	980105-185377	2020-04-28	2020-10-25	NÃO	RGPS	VÁLIDO
AC	Bujari	980645-188197	2020-08-15	2021-02-11	NÃO	RGPS	VÁLIDO
AC	Capixaba	980647-188445	2020-08-19	2021-02-15	NÃO	RGPS	VÁLIDO
AC	Cruzeiro do Sul	980107-187340	2020-07-07	2021-01-03	NÃO	RGPS	VÁLIDO

Como é possível verificar, a base de dados possui 8 variáveis. Embora os nomes das varáveis dêem uma boa indicação de seu conteúdo apresenta-se, a seguir, a descrição do conteúdo de cada coluna.

variável	descrição
uf	sigla da unidade da federação na qual o RPPS está localizado
ente	nome do Ente (Estados, Municipios ou Distrito Federal)
num_crp	número do CRP
dt_emissao	data de emissão do CRP
dt_validade	data de validade do CRP (o CRP tem validade de 6 meses a partir de sua emissão)
judicial	indica se o CRP foi obtido por via judicial - `SIM`, `NÂO`
tipo_regime	tipo de regime previdenciário ao qual o Ente está vinculado - `RGPS` ou `RPPS`
situacao	situação do CRP - `VÁLIDO` ou `VENCIDO`

Com essa base de dados é possível identificar a situação do Ente com relação à validade do CRP e também calcular algumas estatísticas.

3.1 Análise exploratória preliminar

Pode-se começar por verificar quais valores as variáveis judicial, tipo_regime e situacao podem assumir.

crp %>%
  select(tipo_regime, situacao, judicial) %>%
  map(unique)

$tipo_regime
[1] "RGPS"             "RPPS"             "RPPS em extincao"

$situacao
[1] "VÁLIDO"  "VENCIDO"

$judicial
[1] "NÃO" "SIM"

A saída indica os possíveis valores de cada uma das três variáveis.

Um ponto importante é que a classificação do CRP em VÁLIDO ou VENCIDO é feita tomando-se como referência a data de extração dos dados no sistema CADPREV. Os dados do CRP ora em análise foram extraídos em 2020-10-06 conforme indicado no nome do arquivo. Assim, se a data de validade do CRP é posterior ou igual a essa data, ele é classificado como VÁLIDO caso contrário como VENCIDO.

No Capítulo 1 foi apresentado o quantitativo dos Entes vinculados ao RGPS e ao RPPS. Talvez seja interessante verificar se, proporcionalmente, tem-se mais CRP vencidos no RGPS ou no RPPS.

Antes de prosseguir, vale a pena verificar a distribuição dos Entes entre os regimes e comparar com o que foi obtido no Capítulo 1:

crp %>%
  count(tipo_regime) %>%
  mutate(`%` =  round(n / sum(n) * 100, 2)) %>% 
  qflextable()

tipo_regime	n	%
RGPS	3.418	61,13
RPPS	2.152	38,49
RPPS em extincao	21	0,38

Neste arquivo, tem-se 3.418 Entes vinculados ao RGPS o que confere com o valor obtido no Capítulo 1, Mas o quantitativo de Entes vinculados ao RPPS diverge um pouco: 2.152 contra 2.156 do Capítulo 1. Tem-se aqui 4 RPPS a menos. O quantitativo de RPPS em extinção também confere.

A seguir calcula-se o quantitativo de entes vinculados a cada regime (n), a quantidade de entes com CRP vencido em cada regime (n_vencido) e o percentual (%_vencido):

crp %>% 
  group_by(tipo_regime) %>% 
  summarise(n = n(),
            n_vencido = sum(ifelse(situacao == "VENCIDO", 1, 0)),
            `%_vencido` = round( n_vencido / n * 100, 2)) %>% 
  qflextable()

tipo_regime	n	n_vencido	%_vencido
RGPS	3.418	726	21
RPPS	2.152	663	31
RPPS em extincao	21	7	33

O resultado indica que o percentual de entes com CRP vencido é elevado em ambos os regimes, mas o maior percentual está no RPPS (30,81%).

Uma checagem sempre oportuna é verificar se não existe duplicidade de CRP:

any(duplicated(crp$num_crp))

[1] FALSE

O resultado indica não existir CRP duplicado na base. Em extrações mais antigas desta base de dados essa situação ocorria.

Uma coisa que se sabe em relação a esta base de dados é que, se a data de validade do CRP coincide com a data de extração dos dados, o CRP é considerado vencido o que não é correto. A conferência pode ser feita da seguinte forma:

dt_extracao_dados <- "2020-10-06"

crp %>% 
  filter(dt_validade == ymd(dt_extracao_dados))

# A tibble: 0 x 8
# ... with 8 variables: uf <chr>, ente <chr>, num_crp <chr>, dt_emissao <date>,
#   dt_validade <date>, judicial <chr>, tipo_regime <chr>, situacao <chr>

Nenhuma data de validade coincidiu com a data de extração da base de dados que, como já mencionado acima, deu-se em 06/10/2020.

3.2 Análise dos RPPS

Nesta seção as análises serão restritas aos RPPS ativos, sendo então necessário excluir da base de dados os registros relativos ao RGPS e aos RPPS em extinção.

crp_rpps <- crp %>% 
              filter(tipo_regime == "RPPS")

Agora é possível responder a algumas questões: por exemplo: quantos entes com CRP vencido existe em cada UF? Quanto esse quantitativo representa do total de RPPS existentes na UF?

crp_rpps %>%
  group_by(uf) %>%
  summarise(n_rpps = n(),
            n_crp_vencido = sum(situacao == "VENCIDO"),
            `%_crp_vencido` = round(n_crp_vencido / n_rpps * 100, 2)) %>%
  arrange(desc(`%_crp_vencido`)) %>% 
  qflextable()

uf	n_rpps	n_crp_vencido	%_crp_vencido
PA	28	17	61
RN	41	22	54
AL	74	39	53
RR	2	1	50
BA	38	18	47
GO	171	81	47
RJ	79	37	47
TO	30	12	40
PI	71	28	39
MG	221	84	38
MA	47	16	34
PB	71	24	34
SP	222	73	33
CE	65	19	29
AP	4	1	25
PR	179	41	23
AM	27	6	22
PE	149	33	22
MT	107	23	22
MS	52	11	21
RS	332	57	17
ES	35	6	17
SC	70	10	14
RO	30	4	13
AC	2	0	0
DF	1	0	0
SE	4	0	0

Em boa parte dos estados tem-se um elevado percentual de entes com o CRP vencido.

Também seria possível incluir na tabela acima a quantidade de entes com CRP obtido pela via judicial e o percentual em relação ao total de entes na UF.

crp_rpps %>%
  group_by(uf) %>%
  summarise(n_rpps = n(),
            n_crp_vencido = sum(situacao == "VENCIDO"),
            `%_crp_vencido` = round(n_crp_vencido / n_rpps * 100, 2),
            n_crp_judicial = sum(judicial == "SIM"),
            `%_crp_judicial` = round(n_crp_judicial / n_rpps * 100, 2)) %>%
  arrange(desc(`%_crp_judicial`)) %>% 
  qflextable()

uf	n_rpps	n_crp_vencido	%_crp_vencido	n_crp_judicial	%_crp_judicial
DF	1	0	0	1	100,0
SE	4	0	0	4	100,0
AM	27	6	22	23	85,2
MA	47	16	34	39	83,0
PE	149	33	22	120	80,5
AP	4	1	25	3	75,0
PB	71	24	34	48	67,6
BA	38	18	47	24	63,2
AL	74	39	53	43	58,1
CE	65	19	29	36	55,4
AC	2	0	0	1	50,0
RR	2	1	50	1	50,0
RO	30	4	13	11	36,7
PA	28	17	61	10	35,7
RJ	79	37	47	24	30,4
RN	41	22	54	12	29,3
MG	221	84	38	53	24,0
PI	71	28	39	16	22,5
GO	171	81	47	35	20,5
SP	222	73	33	41	18,5
MS	52	11	21	9	17,3
ES	35	6	17	6	17,1
TO	30	12	40	4	13,3
SC	70	10	14	9	12,9
PR	179	41	23	21	11,7
RS	332	57	17	37	11,1
MT	107	23	22	4	3,7

Na tabela acima apresenta-se apenas um resumo quantitativo mostrando a quantidade de entes com CRP vencido e judicial.

Caso haja a necessidade de identificar os Entes em uma Unidade da Federação com o CRP vencido ou com CRP judicial, basta aplicar um filtro. Exemplo: RPPS do ERJ com CRP vencido:

crp_rpps %>%
  filter(uf == "RJ", situacao == "VENCIDO") %>%
  select(ente, num_crp, dt_emissao, dt_validade) %>%
  arrange(desc(dt_validade)) %>% 
  qflextable()

ente	num_crp	dt_emissao	dt_validade
Resende	985883-184152	2020-03-29	2020-09-25
Cantagalo	985821-184096	2020-03-24	2020-09-20
Cardoso Moreira	982915-184095	2020-03-24	2020-09-20
Governo do Estado do Rio de Janeiro	953001-183938	2020-03-16	2020-09-12
São Pedro da Aldeia	985903-183455	2020-02-28	2020-08-26
Pinheiral	980778-182628	2020-01-30	2020-07-28
Cabo Frio	985813-181873	2019-12-27	2020-06-24
Rio das Ostras	982921-181607	2019-12-16	2020-06-13
Quissamã	986007-180222	2019-10-25	2020-04-22
Saquarema	985909-179861	2019-10-15	2020-04-12
Campos dos Goytacazes	985819-179807	2019-10-09	2020-04-06
São João de Meriti	985901-173895	2019-03-28	2019-09-24
Sapucaia	985907-172358	2019-01-30	2019-07-29
Rio Claro	985887-171829	2019-01-07	2019-07-06
Carapebus	980772-167992	2018-08-28	2019-02-24
Areal	982925-167136	2018-07-25	2019-01-21
Silva Jardim	985911-151596	2017-03-20	2017-09-16
Italva	985929-148284	2016-11-03	2017-05-02
Santo Antônio de Pádua	985893-146812	2016-09-19	2017-03-18
Queimados	982911-143579	2016-07-26	2017-01-22
Paraíba do Sul	985873-138490	2016-01-13	2016-07-11
Duque de Caxias	985833-138140	2015-12-30	2016-06-27
Mendes	985855-135974	2015-10-21	2016-04-18
Laje do Muriaé	985845-134921	2015-09-10	2016-03-08
Armação dos Búzios	980770-134445	2015-08-22	2016-02-18
Mesquita	981116-133965	2015-07-28	2016-01-24
São Sebastião do Alto	985905-133815	2015-07-20	2016-01-16
Japeri	982913-130551	2015-03-30	2015-09-26
Cambuci	985817-129368	2015-02-09	2015-08-08
Quatis	982923-125256	2014-08-25	2015-02-21
Itaperuna	985843-124648	2014-07-28	2015-01-24
Rio Bonito	985885-117820	2013-11-05	2014-05-04
Belford Roxo	982909-99748	2011-09-27	2012-03-25
Itaocara	985841-88200	2010-07-28	2011-01-24
Iguaba Grande	980774-47771	2007-05-18	2007-11-14
Magé	985849-30352	2005-03-02	2005-05-01
Araruama	985803-28572	2004-12-23	2005-02-21

Outro exemplo: RPPS do ERJ com CRP válido mas judicial:

crp_rpps %>%
  filter(uf == "RJ", judicial == "SIM", situacao == "VÁLIDO") %>%
  select(ente, num_crp, dt_emissao, dt_validade) %>%
  arrange(desc(dt_validade)) %>% 
  qflextable()

ente	num_crp	dt_emissao	dt_validade
Teresópolis	985915-189024	2020-09-11	2021-03-10
Miracema	985859-188827	2020-09-02	2021-03-01
Angra dos Reis	985801-188695	2020-08-30	2021-02-26
São Gonçalo	985897-188148	2020-08-12	2021-02-08
Itaguaí	985839-187743	2020-07-29	2021-01-25
Rio de Janeiro	986001-187398	2020-07-09	2021-01-05
Aperibé	982919-187295	2020-07-07	2021-01-03
Nilópolis	985863-186855	2020-06-18	2020-12-15
Volta Redonda	985925-186497	2020-06-06	2020-12-03
Barra Mansa	985807-186110	2020-05-26	2020-11-22
Seropédica	980786-186140	2020-05-26	2020-11-22
Barra do Piraí	985805-185508	2020-05-03	2020-10-30
Itaboraí	985837-185370	2020-04-28	2020-10-25
São Fidélis	985895-185382	2020-04-28	2020-10-25
Cachoeiras de Macacu	985815-185169	2020-04-19	2020-10-16
Mangaratiba	985851-185064	2020-04-15	2020-10-12

Para fechar esta seção, pode-se verificar se existe alguma relação entre as variáveis situacao e judicial. Sendo estas variáveis qualitativas uma tabela de contingência pode ajudar nessa investigação:

with(crp_rpps,
     table(judicial, situacao))

        situacao
judicial VÁLIDO VENCIDO
     NÃO    970     547
     SIM    519     116

with(crp_rpps,
     table(judicial, situacao)) %>% 
mosaicplot(color = c("lightblue", "lightgreen"))

Para visualizar a tabela de contingência elaborada acima, apresenta-se um gráfico de mosaico, que confirma que a judicialização é uma estratégia que até o momento parece ser efetiva para evitar o CRP vencido.

A proporção de CRP vencidos (em verde) é maior (praticamente o dobro) entre os não judicializados que nos judicializados.

3.3 Análise segundo a quantidade de dias vencidos

A partir da variável dt_validade e da data de extração dos dados, pode-se criar na base de dados uma nova variável contendo a quantidade de dias decorridos da data de validade do CRP até a data de extração dos dados. Isso é feito no código a seguir:

crp_rpps <- crp_rpps %>%
  mutate(n_dias = as.numeric(difftime(ymd(dt_extracao_dados), dt_validade, units = "days")))

head(crp_rpps) %>% 
  qflextable()

uf	ente	num_crp	dt_emissao	dt_validade	judicial	tipo_regime	situacao	n_dias
AC	Governo do Estado do Acre	931001-185475	2020-04-30	2020-10-27	SIM	RPPS	VÁLIDO	-21
AC	Rio Branco	980139-185330	2020-04-23	2020-10-20	NÃO	RPPS	VÁLIDO	-14
AL	Arapiraca	982705-187383	2020-07-09	2021-01-05	NÃO	RPPS	VÁLIDO	-91
AL	Atalaia	982707-112197	2013-03-18	2013-09-14	NÃO	RPPS	VENCIDO	2.579
AL	Barra de Santo Antônio	982709-186655	2020-06-13	2020-12-10	SIM	RPPS	VÁLIDO	-65
AL	Batalha	982713-11816	2002-11-29	2003-05-28	NÃO	RPPS	VENCIDO	6.341

Essa nova variável apresenta valores inteiros positivos para os CRP vencidos, indicando a quantidade de dias decorridos da data de vencimento até a data de extração dos dados. Por outro lado, os inteiros negativos indicam a quantidade de dias a decorrer da data de extração até a data de validade, estando assim associados aos RPPS em situação regular.

Pode-se fazer algumas análises com essa nova variável. Por exemplo, pode-se observar a distribuição da quantidade de dias para os CRP vencidos a mais de 30 dias.

crp_rpps %>% 
  filter(n_dias > 30) %>%   # Acima de 30 dias de vencimento
  ggplot(aes(x=n_dias)) + 
  geom_histogram(color="black", fill="lightblue") +
  labs(title="Distribuição da Quantidade de Dias\n(CRP vencido a mais de 30 dias )",
       y="Freq. Absoluta",
       x="Qtd. de Dias") +
  theme_bw()

E por UF?

crp_rpps %>% 
  filter(n_dias > 30) %>%    # Acima de 30 dias de vencimento
  ggplot(aes(x=uf, y=n_dias)) + 
  geom_boxplot(outlier.shape = NA) +
  geom_jitter(color="gray") +
  geom_hline(yintercept = 365, color="blue") +
  labs(title="Distribuição da Qtd. de Dias após a Data de Vencimento do CRP\n(Apenas CRP vencidos a mais de 30 dias)",
       y="Qtd. de Dias Vencido",
       x="Unidade da Federação") +
  theme_bw()

O gráfico apresenta os dias de atraso (superiores a 30 dias) do CRP por unidade da federação. A linha azul indica a marca dos 365 dias.

É possível ver que os CRP vencidos a mais tempo estão na casa dos 6000 dias.

A base de dados não contém informações sobre o porte do RPPS de forma a que se possa avaliar se o CRP vencido tem alguma relação com essa variável. Não seria difícil trazer essa informação para a base de dados, mas considerando que o objetivo aqui é trabalhar apenas os dados do CRP, essa verificação será deixada para capítulo posterior.

Para identificar os RPPS que estão com determinada quantidade de dias em atraso, é só aplicar um filtro na base de dados. Quais os RPPS que integram os 10% que estão com os maiores dias de atraso?

percentil_90 <- quantile(crp_rpps$n_dias[crp_rpps$n_dias > 30], probs = 0.9)

crp_rpps %>%
  filter(n_dias >= percentil_90) %>%
  select(ente, uf, dt_emissao, dt_validade, n_dias) %>% 
  arrange(desc(n_dias)) %>% 
  qflextable()

ente	uf	dt_emissao	dt_validade	n_dias
Barreiras do Piauí	PI	2001-07-24	2002-01-20	6.834
Rochedo de Minas	MG	2002-06-17	2002-12-14	6.506
Miraí	MG	2002-11-28	2003-05-27	6.342
Batalha	AL	2002-11-29	2003-05-28	6.341
Santo Antônio do Tauá	PA	2002-12-02	2003-05-31	6.338
Belém	AL	2002-12-06	2003-06-04	6.334
Antônio Gonçalves	BA	2003-01-20	2003-07-19	6.289
Pinheiro Machado	RS	2003-01-29	2003-07-28	6.280
Piau	MG	2003-04-07	2003-10-04	6.212
Palestina	AL	2003-06-01	2003-11-28	6.157
Afuá	PA	2003-06-06	2003-12-03	6.152
Curralinho	PA	2003-07-07	2004-01-03	6.121
São Julião	PI	2003-07-09	2004-01-05	6.119
Fronteira dos Vales	MG	2003-09-19	2004-03-17	6.047
Buri	SP	2004-02-18	2004-04-18	6.015
Fronteiras	PI	2004-04-02	2004-06-01	5.971
Algodão de Jandaíra	PB	2004-04-14	2004-06-13	5.959
Pirapora do Bom Jesus	SP	2003-12-17	2004-06-14	5.958
Rio Branco do Ivaí	PR	2004-05-05	2004-07-04	5.938
Araruama	RJ	2004-12-23	2005-02-21	5.706
Magé	RJ	2005-03-02	2005-05-01	5.637
Visconde do Rio Branco	MG	2005-09-05	2005-11-04	5.450
Muaná	PA	2006-03-28	2006-05-27	5.246
Santo Antônio do Leverger	MT	2006-12-20	2007-06-18	4.859
Iguaba Grande	RJ	2007-05-18	2007-11-14	4.710
Caridade	CE	2007-08-28	2008-02-24	4.608
Santana do Maranhão	MA	2007-10-16	2008-04-13	4.559
Canhotinho	PE	2008-03-24	2008-09-20	4.399
Coelho Neto	MA	2008-12-08	2009-06-06	4.140
Rio Acima	MG	2008-12-18	2009-06-16	4.130
São Sebastião da Boa Vista	PA	2008-12-29	2009-06-27	4.119
Junqueiro	AL	2009-04-22	2009-10-19	4.005
Alpercata	MG	2009-08-07	2010-02-03	3.898
Teotônio Vilela	AL	2009-08-12	2010-02-08	3.893
Portel	PA	2009-11-16	2010-05-15	3.797
Craíbas	AL	2009-11-20	2010-05-19	3.793
Planaltina	GO	2009-12-08	2010-06-06	3.775
Oeiras do Pará	PA	2009-12-14	2010-06-12	3.769
Itamonte	MG	2009-12-17	2010-06-15	3.766
São Sebastião	AL	2009-12-21	2010-06-19	3.762
Novo Lino	AL	2009-12-22	2010-06-20	3.761
Santa Cruz do Arari	PA	2009-12-28	2010-06-26	3.755
Diamante	PB	2010-03-01	2010-08-28	3.692
Governador Valadares	MG	2010-04-26	2010-10-23	3.636
Bertolínia	PI	2010-07-04	2010-12-31	3.567

A partir da nova variável, pode-se criar uma outra variável contendo um escalonamento da variável n_dias de forma a classificar os Entes em função da quantidade de dias em que os CRP estão vencidos.

Por exemplo, seria possível adotar a seguinte classificação: “a vencer”, “1 a 30 dias”, “31 a 60 dias”, “61 a 90 dias”, “91 a 180 dias”, “181 a 365 dias”, “1 a 5 anos” e “mais de 5 anos”.

Para fazer esse escalonamento, será criada uma nova variável cujo nome será categoria que irá classificar o Ente de acordo com o nível de “severidade” do vencimento do CRP.

crp_rpps <- crp_rpps %>%
        mutate(categoria = cut(n_dias,
                               breaks =c(-Inf, 0, 30, 60, 90, 180, 365, 5*365, Inf) ,
                               labels = c("a vencer",
                                          "1 a 30 dias",
                                          "31 a 60 dias",
                                          "61 a 90 dias",
                                          "91 a 180 dias",
                                          "181 a 365 dias",
                                          "1 a 5 anos",
                                          "mais de 5 anos")))

head(crp_rpps) %>% 
  qflextable()

uf	ente	num_crp	dt_emissao	dt_validade	judicial	tipo_regime	situacao	n_dias	categoria
AC	Governo do Estado do Acre	931001-185475	2020-04-30	2020-10-27	SIM	RPPS	VÁLIDO	-21	a vencer
AC	Rio Branco	980139-185330	2020-04-23	2020-10-20	NÃO	RPPS	VÁLIDO	-14	a vencer
AL	Arapiraca	982705-187383	2020-07-09	2021-01-05	NÃO	RPPS	VÁLIDO	-91	a vencer
AL	Atalaia	982707-112197	2013-03-18	2013-09-14	NÃO	RPPS	VENCIDO	2.579	mais de 5 anos
AL	Barra de Santo Antônio	982709-186655	2020-06-13	2020-12-10	SIM	RPPS	VÁLIDO	-65	a vencer
AL	Batalha	982713-11816	2002-11-29	2003-05-28	NÃO	RPPS	VENCIDO	6.341	mais de 5 anos

A distribuição dos RPPS segundo essa classificação pode ser feita da seguinte forma:

crp_rpps %>% 
  group_by(categoria) %>% 
  summarise(n_rpps = n()) %>% 
  mutate(`%` = round( n_rpps / sum(n_rpps) * 100, 2),
         `%_acum` = cumsum(`%`)) %>% 
  qflextable()

categoria	n_rpps	%	%_acum
a vencer	1.489	69,19	69
1 a 30 dias	220	10,22	79
31 a 60 dias	39	1,81	81
61 a 90 dias	19	0,88	82
91 a 180 dias	43	2,00	84
181 a 365 dias	53	2,46	87
1 a 5 anos	150	6,97	94
mais de 5 anos	139	6,46	100

Para visualizar a distribuição de frequência apresentada acima, será feito uso de um gráfico de barras:.

crp_rpps %>%
  group_by(categoria) %>%
  summarise(frequencia = n()) %>%
  ggplot(aes(x=categoria, y=frequencia)) +
    geom_bar(stat="identity", fill="orange") +
    geom_text(aes(label=frequencia), color="blue", vjust = 0, size=4) +
  labs(title="Quantidade de RPPS em cada Categoria",
       y="Qtd. de RPPS",
       x="Categorias") +
    theme_bw()

O mesmo gráfico pode ser feito para cada UF, bastando simplesmente inserir no código acima um filtro para pegar os dados da UF selecionada. Por exemplo, o gráfico para o RJ seria feito da seguinte forma:

crp_rpps %>%
  filter(uf == "RJ") %>%
  group_by(categoria) %>%
  summarise(frequencia = n()) %>%
  ggplot(aes(x=categoria, y=frequencia)) +
    geom_bar(stat="identity", fill="orange") +
    geom_text(aes(label=frequencia), color="blue", vjust = 0,  size=4) +
    labs(title="Quantidade de RPPS em cada Categoria - RJ",
         y="Qtd. de RPPS",
         x="Categorias") +
    theme_bw()

Infelizmente a base de dados não possui informações sobre os critérios do CRP. Essas seriam informações interessantes de constar da base de dados.

3.4 Efeito da constitucionalização do CRP

A partir da EC 103/19, diz-se que houve a “constitucionalização” do CRP e que, em função desse fato, tornar-se-ia mais difícil para os Entes obterem CRP pela via judicial. Se, de fato, isso ocorrer é possível que junto com uma redução dos CRP judiciais ocorra um aumento no quantitativo de CRP vencidos. Ou pode ser que a “constitucionalização” em nada influa na quantidade de CRP judicial.

Assim, uma análise possível com os dados do CRP é verificar como evoluiu, a cada atualização da base de dados, o quantitativo de RPPS com CRP judicial e com CRP vencido. Essa análise pode ser feita de forma global, considerando todos os RPPS brasileiros, ou uma análise por unidade da federação.

Durante o ano de 2020, tem-se o registro de que ocorreram cinco atualizações/publicações da base de dados do CRP no site da SPREV:

Ago-Set/2020 (base objeto de análise nesse documento)
Jul-Ago/2020
Jun/2020
Abr/2020 e
Fev/2020

Será que nesse período é possível notar alguma redução significativa na quantidade de CRP judicial?

Para iniciar essa análise será feita análise dos arquivos de Fev/2020 e Ago-Set/2020. A seguir será feita a importação dos dados do CRP relativos à atualização de Fev/2020:

crp_rpps_fev20 <- readRDS("dados/crp_DtRef_FEV2020.Rds")
head(crp_rpps_fev20)

# A tibble: 6 x 9
  cnpj  ente  uf    num_crp dt_emissao          dt_validade         judicial
  <chr> <chr> <chr> <chr>   <dttm>              <dttm>              <chr>   
1 6360~ Gove~ AC    931001~ 2019-10-31 00:00:00 2020-04-28 00:00:00 SIM     
2 0403~ Rio ~ AC    980139~ 2019-10-26 00:00:00 2020-04-23 00:00:00 NÃO     
3 1219~ Arap~ AL    982705~ 2019-10-06 00:00:00 2020-04-03 00:00:00 NÃO     
4 1220~ Atal~ AL    982707~ 2013-03-18 00:00:00 2013-09-14 00:00:00 NÃO     
5 1226~ Barr~ AL    982709~ 2019-12-13 00:00:00 2020-06-10 00:00:00 SIM     
6 1225~ Bata~ AL    982713~ 2002-11-29 00:00:00 2003-05-28 00:00:00 NÃO     
# ... with 2 more variables: situacao <chr>, regime <chr>

crp_rpps_fev20 %>% 
  count(regime)

# A tibble: 1 x 2
  regime     n
  <chr>  <int>
1 RPPS    2135

crp_rpps %>% 
  count(tipo_regime)

# A tibble: 1 x 2
  tipo_regime     n
  <chr>       <int>
1 RPPS         2152

A base de dados de CRP de Fev/20 continha 2.135 RPPS enquanto a de Ago-Set/20 possui 2.152 e ambas referem apenas a RPPS. Verifica-se um aumento de 17 RPPS na base de dados no período considerado.

A quantidade de RPPS com CRP judicial em ambas as bases é obtida a seguir:

with(crp_rpps_fev20, 
  table(judicial,situacao))

        situacao
judicial VÁLIDO VENCIDO
     NÃO    942     572
     SIM    538      83

with(crp_rpps, 
  table(judicial, situacao))

        situacao
judicial VÁLIDO VENCIDO
     NÃO    970     547
     SIM    519     116

Os resultados indicam que o quantitativo de CRP vencidos entre os judiciais aumentou de 83 para 116. Por outro lado, os CRP válidos entre os judiciais caiu de 538 para 519.

3.5 Mapas com dados dos CRP

Pode ser interessante visualizar em um mapa da UF a situação do CRP dos entes municipais, ou num mapa do Brasil a situação do CRP dos estados. Para executar essa tarefa será necessário utilizar pacotes adicionais que facilitem a obtenção e elaboração de mapas. Esses pacotes são o geobr e o sf, que junto com o ggplot2 irão fazer esse trabalho.

Carregando os pacotes adicionais:

library(sf)
library(geobr)

O primeiro passo será importar o arquivo contendo o mapa do ERJ. O pacote geobr facilita a obtenção dos arquivos “shape” necessários.

mapa_rj <- read_municipality(code_muni = "RJ", year=2018, showProgress = FALSE)

Para a obtenção do mapa de outro estado basta substituir o “RJ” no código acima pela sigla da UF desejada.

Obtidos os dados para a confecção do mapa, já é possivel fazer um gráfico básico sem quaisquer dados sendo apresentados:

ggplot(mapa_rj) + 
  geom_sf() +
  theme_bw() +
  theme(axis.text = element_blank())

Faz-se necessário agora associar uma ou mais variáveis à base de dados mapa_rj para que estas variáveis possam ser visualizadas no mapa.

Deve-se observar que as duas bases de dados (mapa_rj e crp) tem em comum apenas a variável contendo o nome dos entes. Fazer a junção dos dois conjuntos de dados com base nessa variável é arriscado em razão dos nomes dos municípios poderem estar diferentes.

A estratégia seguida foi é incluir na base do CRP uma variável contendo o código IBGE dos entes, os quais foram obtidos no site https://www.ibge.gov.br/explica/codigos-dos-municipios.php

O arquivo contendo a base do CRP e com os códigos do IBGE (combinadas manualmente) chama-se codigo_ibge.xlsx e sua importação é feita a seguir:

ibge <- read_excel("dados/codigo_ibge.xlsx")
head(ibge)

# A tibble: 6 x 8
  uf    ente         cod_uf nm_estado cod_ibge cnpj        regime dif_ibge_sprev
  <chr> <chr>        <chr>  <chr>     <chr>    <chr>       <chr>  <lgl>         
1 AC    Acrelândia   12     Acre      1200013  8430673700~ RGPS   NA            
2 AC    Assis Brasil 12     Acre      1200054  0404599300~ RGPS   NA            
3 AC    Brasiléia    12     Acre      1200104  0450893300~ RGPS   NA            
4 AC    Bujari       12     Acre      1200138  8430662000~ RGPS   NA            
5 AC    Capixaba     12     Acre      1200179  8430660400~ RGPS   NA            
6 AC    Cruzeiro do~ 12     Acre      1200203  0401254800~ RGPS   NA

Como pode ser visto, a base de dados contém o nome do ente (com a mesma grafia da base de CRP), o código IBGE e o CNPJ além de outras variáveis. Em especial deve-se notar a variável dif_ibge_sprev.

Durante o processo de montagem do arquivo observou-se que na relação de Entes elaborada pela SPREV, objeto de análise no capítulo 1, existe 2 municípios que constam da base do IBGE e não têm correspondência na base da SPREV e, da mesma forma, dois municípios da base da SPREV não possuiam correspondência na base do IBGE.

Após alguma investigação restou evidenciada divergência de nomes dos municípios. O quadro a seguir elenca os municípios em questão:

CNPJ Ente	UF	Nome SPREV	Nome IBGE
08.787.392/0001-92	PB	Campo de Santana	Tacima
01.613.283/0001-00	PB	Santarém	Joca Claudino

Para prosseguir, será necessário excluir esses registros mais o registro relativo a Fernando de Noronha - PE:

ibge %>% 
  filter(dif_ibge_sprev == 1)

# A tibble: 3 x 8
  uf    ente          cod_uf nm_estado  cod_ibge cnpj      regime dif_ibge_sprev
  <chr> <chr>         <chr>  <chr>      <chr>    <chr>     <chr>  <lgl>         
1 PB    Joca Claudino 25     Paraíba    2513653  01613283~ RGPS   TRUE          
2 PB    Tacima        25     Paraíba    2516409  08787392~ RGPS   TRUE          
3 PE    Fernando de ~ 26     Pernambuco 2605459  NA        NA     TRUE

Exclusão dos registros acima:

ibge <- ibge %>% 
          filter(is.na(dif_ibge_sprev))

A base de dados do mapa (mapa_rj) pode agora ser combinada com essa base de dados (ibge) para, depois, serem juntados os dados da base de CRP (crp_rpps) essa última contendo os dados a serem visualizados.

Juntar ao mapa os dados do ibge:

ibge$cod_ibge <- as.numeric(ibge$cod_ibge)
mapa_rj <- left_join(mapa_rj, ibge, by=c("code_muni" = "cod_ibge"))

Juntar ao mapa os dados do crp:

mapa_rj = left_join(mapa_rj, crp_rpps, by=c("ente" = "ente", "abbrev_state" = "uf"))

Agora já é possível apresentar os dados da base do CRP no mapa. Em especial o interesse está em plotar os dias de atraso (n_dias).

ggplot(mapa_rj) +
  geom_sf(aes(fill=n_dias)) + 
  labs(title="Dias Decorridos do Vencimento do CRP",
       caption='Fonte: base de dados da SPREV', size=8) +
  theme_minimal() +
  theme(axis.text = element_blank()) +
  scale_fill_distiller(palette = "PuOr")

Quanto mais claro o azul, a mais dias vencidos está o CRP. Os municípios em cinza estão vinculados ao RGPS.

Também é possível mostrar a variável judicial:

ggplot(mapa_rj) +
  geom_sf(aes(fill=judicial), size=.15) +
  labs(title="Judicialização do CRP",
       caption='Fonte: base de dados da SPREV', size=8) +
  theme_minimal() +
  theme(axis.text = element_blank()) +
  scale_fill_manual(values = c("lightblue", "tomato"))

Mais um mapa. Agora mostrando a situação do CRP:

ggplot(mapa_rj) +
  geom_sf(aes(fill=situacao)) +
  labs(title="Validade do CRP",
       caption='Fonte: base de dados da SPREV', size=8) +
  theme_minimal() +
  theme(axis.text = element_blank()) +
  scale_fill_manual(values = c("lightblue", "tomato"))

Os gráficos podem ser melhorados.A ideia, por ora, é apenas mostrar como fazê-los.