Capítulo 4 DAIR - Demonstrativo das Aplicações e Investimento de Recursos

Este capítulo é dedicado à análise dos dados do DAIR, demonstrativo pelo qual o RPPS informa à SPREV mensalmente a posição dos investimentos bem como dos demais ativos vinculados ao sistema previdenciário.

Os investimentos dos RPPS são regulados pela Resolução CMN no 3922/10, que “dispõe sobre as aplicações dos recursos dos regimes próprios de previdência social instituídos pela União, Estados, Distrito Federal e Municípios”.

Algumas das análises apresentadas neste capítulo fazem uso de conjuntos de dados “complementares” também disponibilizados pela SPREV. São eles:

Informações adicionais sobre o DAIR podem ser obtidas aqui

4.1 Importação e Pré-Processamento dos Dados

Antes que qualquer análise possa ser feita os dados devem ser importados e processados para que fiquem em condições de serem analisados.

A importação pode ser feita da seguinte forma:

# Importação dos dados 
dair <- read_delim("dados/1-Carteira_2013a2020__Atualizacao_de_ago_set_2020_Extração_Em2020-10-29 17-00-51.csv",
                 delim = ",",
                 locale = locale(encoding = "latin1",
                                 decimal_mark = ",",
                                 grouping_mark = "")) 

# Alterar os nomes das colunas
names(dair) <- c("cnpj", "uf", "ente", "competencia", "segmento",
                   "tipo_ativo", "limite_resol_cmn", "ident_ativo",
                   "nm_ativo", "qtd_quotas", "vlr_atual_ativo", "vlr_total_atual",
                   "perc_recursos_rpps", "pl_fundo", "perc_pl_fundo")

Feita a importação dos dados recomenda-se inspecionar seu conteúdo com vistas a verificar se o processo de importação deu-se sem erros. Essa inspeção visual também ajuda a verificar características dos dados que possam demandar ajustes posteriores.

options(scipen=999)
dair %>% 
  head() %>% 
  kbl(format.args = list(decimal.mark = ",", big.mark = "."),
        caption = "Registros iniciais da base de dados do DAIR") %>% 
  kable_paper(full_width = FALSE) %>% 
  scroll_box(width = "700px", height = "300px")
Table 4.1: Registros iniciais da base de dados do DAIR
cnpj uf ente competencia segmento tipo_ativo limite_resol_cmn ident_ativo nm_ativo qtd_quotas vlr_atual_ativo vlr_total_atual perc_recursos_rpps pl_fundo perc_pl_fundo
63606479000124 AC Governo do Estado do Acre 012017 Disponibilidades Financeiras NA NA 2358 / 6178-6 1 Banco do Brasil S.A. 1,000 5.158,310000 5.158,31 0,04 NA NA
63606479000124 AC Governo do Estado do Acre 012017 Disponibilidades Financeiras NA NA 3550 / 5738-X 1 Banco do Brasil S.A. 1,000 9.750.427,360000 9.750.427,36 69,21 NA NA
63606479000124 AC Governo do Estado do Acre 012017 Disponibilidades Financeiras NA NA 3550 / 6080-1 1 Banco do Brasil S.A. 1,000 0,000000 0,00 0,00 NA NA
63606479000124 AC Governo do Estado do Acre 012017 Renda Fixa FI de Renda Fixa 30 13077418/0001-49 BB PREVIDENCIÁRIO RENDA FIXA PERFIL FIC DE FI 4.405,394 1,836013 8.088,36 0,06 5.358.441.716 0
63606479000124 AC Governo do Estado do Acre 012017 Disponibilidades Financeiras NA NA 3550 / 8307-0 1 Banco do Brasil S.A. 1,000 9.255,080000 9.255,08 0,07 NA NA
63606479000124 AC Governo do Estado do Acre 012017 Disponibilidades Financeiras NA NA 3550 / 8361-5 1 Banco do Brasil S.A. 1,000 4.633,520000 4.633,52 0,03 NA NA

A base de dados do DAIR possui 15 colunas com informações sobre os investimentos dos RPPS. Apresenta-se a seguir, um quadro contendo o “dicionário” para essa base de dados.

Variável Descrição
cnpj CNPJ do Ente
uf Sigla da unidade da federação em que o Ente se localiza
ente Nome do Ente instituidor do RPPS
competencia Mes e ano a que os dados apresentados se referem. Formato MMYYYY
segmento Segmento ao qual pertence o ativo
tipo_ativo Detalhamento do segmento informando o tipo específico de ativo no qual fez-se o investimento
limite_resolucao_cmn Percentual indicativo do limite máximo de recursos que o RPPS pode aplicar no ativo conforme disposto na Resolução CMN no 3922/10
ident_ativo Código de identificação do ativo
nm_ativo Nome do ativo
qtd_quotas Quantidade de cotas do ativo que o RPPS possui
vlr_atual_ativo Valor da unidade de ativo que o RPPS possui
vlr_total_atual Valor total do ativo
perc_recursos_rpps Percentual dos recursos do RPPS aplicados no ativo
pl_fundo Patrimônio líquido do fundo de investimento
perc_pl_fundo Percentual do patrimônio líquido do fundo de investimentos que o valor investido pelo RPPS representa

Antes de seguir para as análises, será ainda necessário realizar alguns procedimentos de “limpeza” na base de dados.

dair <- dair %>% 
          mutate(ident_ativo = trimws(ident_ativo),
                 tipo_ativo = if_else(segmento == "Disponibilidades Financeiras", "Disp", tipo_ativo),
                 ident_ativo = str_replace_all(ident_ativo, "[[:punct:]]", ""))

Agora os dados estão prontos para a análise.

4.2 Análise Exploratória Preliminar

Antes de iniciar qualquer análise é muito importante adquirir um conhecimento geral da base de dados. Um procedimento que pode ser interessante é explorar individualmente cada variável.

Uma primeira questão pode ser: qual o período compreendido por esta base de dados? A resposta a essa pergunta pode ser obtida com o seguinte código:

with(dair, 
     sort(unique(competencia)))
 [1] "012017" "012018" "012019" "012020" "022017" "022018" "022019" "022020"
 [9] "032017" "032018" "032019" "032020" "042017" "042018" "042019" "042020"
[17] "052017" "052018" "052019" "052020" "062017" "062018" "062019" "062020"
[25] "072017" "072018" "072019" "072020" "082017" "082018" "082019" "082020"
[33] "092017" "092018" "092019" "092020" "1/2013" "1/2014" "1/2015" "1/2016"
[41] "1/2017" "102017" "102018" "102019" "112017" "112018" "112019" "122017"
[49] "122018" "122019" "2/2013" "2/2014" "2/2015" "2/2016" "3/2013" "3/2014"
[57] "3/2015" "3/2016" "4/2013" "4/2014" "4/2015" "4/2016" "5/2013" "5/2014"
[65] "5/2015" "5/2016" "6/2013" "6/2014" "6/2015" "6/2016"

O resultado mostra duas coisas: que o período compreendido vai de Jan/2013 a Set/2020 e que os valores são informados em dois formatos: MMYYYY e M/YYYY.

Em razão de alterações ocorridas na legislação as análises neste capítulo fazem uso de um subconjunto desses dados, mais especificamente com as competências posteriores a Abril de 2018, mês a partir do qual passaram a vigorar a última alteração ocorrida na Resolução 3922/10.

O código a seguir filtra os dados para obter apenas os registros no período de tempo de interesse:

dair <- dair %>% 
          mutate(competencia = parse_date_time(competencia, orders = c("%m%Y", "%m/%Y"))) %>% 
          filter(competencia >= dmy("01042018"))

Uma rápida conferida para ver se de fato o período de tempo está correto.

with(dair, range(competencia))
[1] "2018-04-01 UTC" "2020-09-01 UTC"

Parece estar tudo ok.

Explorar os possíveis valores que uma variável pode assumir ajuda na compreensão da base de dados. Por exemplo, quais são os possíveis segmentos em que um ativo pode ser classificado?

dair %>% 
  distinct(segmento)
# A tibble: 7 x 1
  segmento                                   
  <chr>                                      
1 Disponibilidades Financeiras               
2 Renda Fixa                                 
3 Renda Vari?vel e Investimentos Estruturados
4 Investimentos no Exterior                  
5 Demais Bens, Direitos e Ativos             
6 Imóveis                                    
7 Aplicações Vedadas em Resolução CMN

Tem-se 7 possibilidades. Ou melhor, no subconjunto da base de dados em análise, a variável segmento assume sete valores possíveis.

À primeira vista, o valor Aplicações Vedadas em Resolução CMN pode parecer estranho. Se é vedada a aplicação, não deveria nem ser uma opção prevista pelo CADPREV. Mas o fato é que ao longo dos anos muitos RPPS fizeram investimentos em ativos inapropriados ou que vieram posteriormente a ser considerados inapropriados.

Algo que deve também ser objeto de atenção ao se avaliar a carteira de um RPPS diz respeito à liquidez dos investimentos feitos pelos mesmos.

Para reduzir o deficit atuarial os Entes podem aportar a seus RPPS ativos com muito pouca liquidez, em geral imóveis, e por valores às vezes muito superiores ao que efetivamente valem.

E quais são os tipos de ativos que compõem a carteira dos RPPS?

dair %>%
  distinct(tipo_ativo) %>% 
  kbl(caption = "Relação de ativos que compõem a carteira dos RPPS") %>% 
  kable_paper(full_width = FALSE)
Table 4.2: Relação de ativos que compõem a carteira dos RPPS
tipo_ativo
Disp
FI 100% títulos TN - Art. 7º, I, b
FI Renda Fixa - Geral - Art. 7º, IV, a
FI Multimercado - Aberto - Art. 8º, III
FI de Ações - Índices c/ no mínimo 50 ações - Art. 8º, I, a
FI Imobiliários - Art. 8º, IV, b
FI Renda Fixa “Crédito Privado” - Art. 7º, VII, b
FI de Ações - Geral - Art. 8º, II, a
FI Renda Fixa “Referenciado” - Art. 7º, III, a
Fundo de Ações BDR Nível 1 - Art. 9º-A, III
ETF - Índice de Ações (c/ no mínimo 50) - Art. 8º, I, b
Poupança - Art. 7º, VI, b
CDB - Certificado de Depósito Bancário - Art. 7º, VI, a
Títulos de Renda Fixa
Valores Mobiliários
ETF - Demais Indicadores de RF - Art. 7º, IV, b
Títulos Públicos de emissão do TN - Art. 7º , I, a
Outros Bens, Direitos e Ativos
ETF - Renda Fixa “Referenciado” - Art. 7º, III, b
Fundo Investimento - Sufixo Investimento no Exterior - Art. 9-Aº, II
Prédio Comercial
FI em Direitos Creditórios - Cota Sênior - Art. 7º, VII, a
FI em Participações - Art. 8º, IV, a
FI Debêntures de Infraestrutura - Art. 7º, VII, c
Operações compromissadas - Art. 7º , II
Outros - Imóveis
Apartamento
Terreno
Casa
Loja
ETF - Demais Índices de Ações - Art. 8º, II, b
Prédio Residencial
Fundos de Investimento não previstos em Resolução CMN
ETF - 100% Títulos Públicos - Art. 7º, I, c
FI em Ações
FI Multimercado - Aberto
FI 100% títulos TN
FI de Renda Fixa
Fundo de Renda Fixa - Dívida Externa - Art. 9º-A, I
FI Ações - Mercado de Acesso - Art. 8º, IV, c

São quarenta tipos de ativos. Deve-se notar que ao lado do nome da maioria deles há um dispositivo legal. Por exemplo, o ativo FI 100% títulos TN está associado ao dispositivo Art. 7º, I, b que indica o “enquadramento” do ativo, ou seja, indica a classificação do mesmo segundo a Resolução 3922/10.

Transcreve-se, a seguir, o citado dispositivo:

"Art. 7º No segmento de renda fixa, as aplicações dos recursos dos regimes próprios de previdência social subordinam-se aos seguintes limites:

I - até 100% (cem por cento) em:

(…)

  1. cotas de fundos de investimento classificados como renda fixa, conforme regulamentação estabelecida pela Comissão de Valores Mobiliários (CVM), constituídos sob a forma de condomínio aberto, que apliquem seus recursos exclusivamente em títulos definidos na alínea “a”, ou compromissadas lastreadas nesses títulos, e cuja política de investimento assuma o compromisso de buscar o retorno de índice de renda fixa não atrelado à taxa de juros de um dia, cuja carteira teórica seja composta exclusivamente por títulos públicos (fundos de renda fixa);

(…)"

Pelo enquadramento (Art. 7º, I, b) é possível saber que se trata de um ativo de renda fixa, no qual o RPPS pode aplicar até 100% de seus recursos (ativo de baixo risco) e, mais especificamente, que o ativo em questão são cotas de fundo de investimento com as características descritas na alínea ‘b’.

Pode-se também estar interessado em saber quais tipos de ativos estão vinculados a cada segmento.

dair %>%
  distinct(segmento, tipo_ativo) %>%
  arrange(segmento) %>% 
  kbl(caption = "Tipos de ativos e correspondentes segmentos") %>% 
  kable_paper(full_width = FALSE)
Table 4.3: Tipos de ativos e correspondentes segmentos
segmento tipo_ativo
Aplicações Vedadas em Resolução CMN Valores Mobiliários
Aplicações Vedadas em Resolução CMN Títulos de Renda Fixa
Aplicações Vedadas em Resolução CMN Outros Bens, Direitos e Ativos
Aplicações Vedadas em Resolução CMN Fundos de Investimento não previstos em Resolução CMN
Demais Bens, Direitos e Ativos Títulos de Renda Fixa
Demais Bens, Direitos e Ativos Valores Mobiliários
Demais Bens, Direitos e Ativos Outros Bens, Direitos e Ativos
Disponibilidades Financeiras Disp
Imóveis Prédio Comercial
Imóveis Outros - Imóveis
Imóveis Apartamento
Imóveis Terreno
Imóveis Casa
Imóveis Loja
Imóveis Prédio Residencial
Investimentos no Exterior Fundo de Ações BDR Nível 1 - Art. 9º-A, III
Investimentos no Exterior Fundo Investimento - Sufixo Investimento no Exterior - Art. 9-Aº, II
Investimentos no Exterior Fundo de Renda Fixa - Dívida Externa - Art. 9º-A, I
Renda Fixa FI 100% títulos TN - Art. 7º, I, b
Renda Fixa FI Renda Fixa - Geral - Art. 7º, IV, a
Renda Fixa FI Renda Fixa “Crédito Privado” - Art. 7º, VII, b
Renda Fixa FI Renda Fixa “Referenciado” - Art. 7º, III, a
Renda Fixa Poupança - Art. 7º, VI, b
Renda Fixa CDB - Certificado de Depósito Bancário - Art. 7º, VI, a
Renda Fixa ETF - Demais Indicadores de RF - Art. 7º, IV, b
Renda Fixa Títulos Públicos de emissão do TN - Art. 7º , I, a
Renda Fixa ETF - Renda Fixa “Referenciado” - Art. 7º, III, b
Renda Fixa FI em Direitos Creditórios - Cota Sênior - Art. 7º, VII, a
Renda Fixa FI Debêntures de Infraestrutura - Art. 7º, VII, c
Renda Fixa Operações compromissadas - Art. 7º , II
Renda Fixa ETF - 100% Títulos Públicos - Art. 7º, I, c
Renda Fixa FI 100% títulos TN
Renda Fixa FI de Renda Fixa
Renda Vari?vel e Investimentos Estruturados FI Multimercado - Aberto - Art. 8º, III
Renda Vari?vel e Investimentos Estruturados FI de Ações - Índices c/ no mínimo 50 ações - Art. 8º, I, a
Renda Vari?vel e Investimentos Estruturados FI Imobiliários - Art. 8º, IV, b
Renda Vari?vel e Investimentos Estruturados FI de Ações - Geral - Art. 8º, II, a
Renda Vari?vel e Investimentos Estruturados ETF - Índice de Ações (c/ no mínimo 50) - Art. 8º, I, b
Renda Vari?vel e Investimentos Estruturados FI em Participações - Art. 8º, IV, a
Renda Vari?vel e Investimentos Estruturados ETF - Demais Índices de Ações - Art. 8º, II, b
Renda Vari?vel e Investimentos Estruturados FI em Ações
Renda Vari?vel e Investimentos Estruturados FI Multimercado - Aberto
Renda Vari?vel e Investimentos Estruturados FI Ações - Mercado de Acesso - Art. 8º, IV, c

Inspecionando com atenção o quadro acima, percebe-se que alguns ativos não possuem dispositivo indicando seu enquadramento. De fato, nem todos tem enquadramento na Resolução 3922/10.

Em análises posteriores será útil ter uma variável na base de dados que indique o “enquadramento” de todos os ativos na carteira do RPPS. Assim, cria-se na base de dados uma nova variável chamada enquadramento, derivada da variável tipo_ativo, contendo apenas o nome do dispositivo legal do enquadramento do ativo.

O código a seguir cria a referida variável com seus valores iniciais oriundos da variável tipo_ativo:

dair <- dair %>% 
          mutate(enquadramento = str_extract(tipo_ativo, "Art.*$"))

Quais os valores da nova variável?

dair %>% 
  distinct(enquadramento) %>% 
  arrange(enquadramento) %>% 
  kbl(caption = "Enquadramento dos Ativos Conforme Res. CMN 3922/10") %>% 
  kable_paper(full_width = FALSE)
Table 4.4: Enquadramento dos Ativos Conforme Res. CMN 3922/10
enquadramento
Art. 7º , I, a
Art. 7º , II
Art. 7º, I, b
Art. 7º, I, c
Art. 7º, III, a
Art. 7º, III, b
Art. 7º, IV, a
Art. 7º, IV, b
Art. 7º, VI, a
Art. 7º, VI, b
Art. 7º, VII, a
Art. 7º, VII, b
Art. 7º, VII, c
Art. 8º, I, a
Art. 8º, I, b
Art. 8º, II, a
Art. 8º, II, b
Art. 8º, III
Art. 8º, IV, a
Art. 8º, IV, b
Art. 8º, IV, c
Art. 9-Aº, II
Art. 9º-A, I
Art. 9º-A, III
NA

Pode-se verificar uma pequena “falha” de formatação de um dos dispositivos (Art. 9-Aº, II em vez de Art. 9º-A, II) mas não há duplicidade. Todos os ativos que, na variável tipo_ativo não possuem o enquadramento tem valor NA nessa nova variável.

Em análises posteriores será útil que todas as variáveis tenham um enquadramento, de forma que far-se-á a seguir um “enquadramento ad hoc” dos ativos com valores NA nessa nova variável.

Para a classificação dos ativos será adotada a seguinte estratégia:

  1. Os ativos vinculados ao segmento Imóveis, quais sejam: Prédio Comercial, Outros - Imóveis, Apartamento, Terreno, Casa, Loja e Prédio Residencial serão enquadrados como Imoveis;
  2. As disponibilidades financeiras serão enquadradas como Disp;
  3. Os ativos do segmento Aplicações Vedadas em Resolução CMN, quais sejam: Valores Mobiliários, Títulos de Renda Fixa, Outros Bens, Direitos e Ativose Fundos de Investimento não previstos em Resolução CMN serão enquadrados como Vedados;
  4. Os ativos do segmento Demais Bens, Direitos e Ativos, quais sejam: Títulos de Renda Fixa, Valores Mobiliários e Outros Bens, Direitos e Ativos serão enquadrados como Outros;
  5. Os ativos do segmento renda fixa FI 100% títulos TN e FI de Renda Fixa serão enquadrados como Art. 7º, I, b e Art. 7º, IV, b, respectivamente; e
  6. Os ativos do segmento renda variável FI em Ações e FI Multimercado - Aberto serão enquadrados como Art. 8º, II, a e Art. 8º, III, respectivamente.

Deve-se observar que, pelo critério adotado, os ativos Títulos de Renda Fixa e Outros Bens, Direitos e Ativos poderão ser enquadrados como Vedados ou Outros dependendo do segmento a que pertençam.

O código a seguir faz essas classificações:

dair <- dair %>%
  mutate(enquadramento =  case_when(segmento == "Disponibilidades Financeiras" ~ "Disp",
                                    segmento == "Imóveis" ~ "Imoveis",
                                    segmento == "Aplicações Vedadas em Resolução CMN" ~ "Vedado",
                                    segmento == "Demais Bens, Direitos e Ativos" ~ "Outros",
                                    tipo_ativo == "FI 100% títulos TN" ~ "Art. 7º, I, b",
                                    tipo_ativo == "FI de Renda Fixa"  ~ "Art. 7º, IV, b",
                                    tipo_ativo == "FI em Ações" ~ "Art. 8º, II, a",
                                    tipo_ativo == "FI Multimercado - Aberto" ~ "Art. 8º, III",
                                    TRUE ~ enquadramento))

Com essas modificações espera-se que a variável enquadramento não possua mais valores faltantes. Os valores da variável agora são:

dair %>% 
  distinct(enquadramento) %>% 
  arrange(enquadramento) %>% 
  kbl(caption = "Enquadramento dos ativos da base de dados") %>% 
  kable_paper(full_width = FALSE)
Table 4.5: Enquadramento dos ativos da base de dados
enquadramento
Art. 7º , I, a
Art. 7º , II
Art. 7º, I, b
Art. 7º, I, c
Art. 7º, III, a
Art. 7º, III, b
Art. 7º, IV, a
Art. 7º, IV, b
Art. 7º, VI, a
Art. 7º, VI, b
Art. 7º, VII, a
Art. 7º, VII, b
Art. 7º, VII, c
Art. 8º, I, a
Art. 8º, I, b
Art. 8º, II, a
Art. 8º, II, b
Art. 8º, III
Art. 8º, IV, a
Art. 8º, IV, b
Art. 8º, IV, c
Art. 9-Aº, II
Art. 9º-A, I
Art. 9º-A, III
Disp
Imoveis
Outros
Vedado

Agora todos os ativos estão devidamente “enquadrados”. Deve-se notar que boa parte dos ativos nos quais os RPPS investem seus recursos são Fundos de Investimentos e será útil separar dessa base de dados os registros que se refiram apenas a esse tipo de ativo. Isso será feito mais adiante.

Com relação às variáveis quantitativas existentes na base, pode-se ter interesse em várias questões.

Por exemplo, qual o limite de aplicação associado a cada tipo de ativo? A Resolução 3922/10 informa esses percentuais, mas pode-se avaliar o que as variáveis limite_resol_cmn e enquadramento informam a respeito.

dair %>% 
  distinct(enquadramento, limite_resol_cmn) %>% 
  arrange(desc(limite_resol_cmn)) %>% 
  kbl(caption = "Limites máximos para investimento - Ativos regulados pela Resolução 3922/10") %>% 
  kable_paper(full_width = FALSE)
Table 4.6: Limites máximos para investimento - Ativos regulados pela Resolução 3922/10
limite_resol_cmn enquadramento
100.00 Art. 7º, I, b
100.00 Art. 7º , I, a
100.00 Art. 7º, I, c
99.99 Art. 7º, I, b
60.00 Art. 7º, III, a
60.00 Art. 7º, III, b
40.00 Art. 7º, IV, a
40.00 Art. 7º, IV, b
30.00 Art. 8º, I, a
30.00 Art. 8º, I, b
30.00 Art. 7º, IV, b
20.00 Art. 8º, II, a
20.00 Art. 8º, II, b
15.00 Art. 7º, VI, b
15.00 Art. 7º, VI, a
15.00 Art. 8º, II, a
10.00 Art. 8º, III
10.00 Art. 9º-A, III
10.00 Art. 9-Aº, II
10.00 Art. 9º-A, I
5.00 Art. 8º, IV, b
5.00 Art. 7º, VII, b
5.00 Art. 7º, VII, a
5.00 Art. 8º, IV, a
5.00 Art. 7º, VII, c
5.00 Art. 7º , II
5.00 Art. 8º, III
5.00 Art. 8º, IV, c
NA Disp
NA Outros
NA Imoveis
NA Vedado

Os ativos classificados como Disp, Imoveis, Outros e Vedado não possuem enquadramento na Resolução 3922/10.

Uma variável interessante é perc_recursos_rpps que informa o percentual dos recursos previdenciários do RPPS investido em cada tipo de ativo.

Um pequeno resumo estatístico pode indicar a existência de valores não esperados:

with(dair, summary(perc_recursos_rpps))
     Min.   1st Qu.    Median      Mean   3rd Qu.      Max.      NA's 
    -3406         0         2      1007         7 795134974    106072

Claramente existe problema com essa variável que deve ser objeto de análise mais detida. A variável apresenta muitos valores faltantes e, além disso, valores fora dos limites que seria esperado. Essa variável deveria assumir valores no intervalo ]0, 100].

Qual RPPS possui o valor máximo apresentado acima?

options(scipen = 999)
dair %>% 
  filter(perc_recursos_rpps >= 795134974)
# A tibble: 1 x 16
  cnpj  uf    ente  competencia         segmento tipo_ativo limite_resol_cmn
  <chr> <chr> <chr> <dttm>              <chr>    <chr>                 <dbl>
1 7578~ PR    Japu~ 2020-04-01 00:00:00 Disponi~ Disp                     NA
# ... with 9 more variables: ident_ativo <chr>, nm_ativo <chr>,
#   qtd_quotas <dbl>, vlr_atual_ativo <dbl>, vlr_total_atual <dbl>,
#   perc_recursos_rpps <dbl>, pl_fundo <dbl>, perc_pl_fundo <dbl>,
#   enquadramento <chr>

Aparentemente esse valor parece ser um erro. O valor do ativo informado é de R$ 152.500.000.000.000!!!

Esse fato chama a atenção para possíveis erros na variável vlr_total_atual. A análise dessa variável será feita mais adiante.

Mas quantos registros na base de dados possuem percentuais superiores a 100%?

dair %>% 
  filter(perc_recursos_rpps > 100) %>% 
  nrow()
[1] 1221

Tem-se na base 1221 registros onde o RPPS possui mais de 100% de seus recursos alocados em algum ativo.

Quantas observações registram valor negativo para a variável perc_recursos_rpps?

dair %>% 
  filter(perc_recursos_rpps < 0) %>% 
  nrow()
[1] 177

Também pode ser de interesse identificar os RPPS a que pertencem essas observações. Começa-se pelos percentuais superiores a 100%

dair %>% 
  filter(perc_recursos_rpps > 100) %>% 
  distinct(ente, uf)
# A tibble: 118 x 2
   uf    ente                     
   <chr> <chr>                    
 1 AC    Governo do Estado do Acre
 2 AL    Atalaia                  
 3 AL    Batalha                  
 4 AL    Major Izidoro            
 5 AL    Novo Lino                
 6 AL    Palmeira dos Índios      
 7 AM    Itacoatiara              
 8 BA    Ipecaetá                 
 9 BA    Jacobina                 
10 CE    Acarapé                  
# ... with 108 more rows

Tem-se 118 RPPS que em algum momento registraram no DAIR percentual superior a 100%, 9 dos quais no ERJ. O que pode estar gerando essa situação?

Examina-se a seguir o RPPS de Nova Iguaçu - RJ em busca de algum indicativo:

dair %>% 
  filter(perc_recursos_rpps > 100, ente == "Nova Iguaçu") %>% 
  kbl() %>% 
  kable_paper(full_width = FALSE)
cnpj uf ente competencia segmento tipo_ativo limite_resol_cmn ident_ativo nm_ativo qtd_quotas vlr_atual_ativo vlr_total_atual perc_recursos_rpps pl_fundo perc_pl_fundo enquadramento
29138278000101 RJ Nova Iguaçu 2019-01-01 Imóveis Outros - Imóveis NA NA 9430 1 70600000.0 70600000.0 3440.51 NA NA Imoveis
29138278000101 RJ Nova Iguaçu 2020-01-01 Imóveis Outros - Imóveis NA NA 9430 1 70600000000.0 70600000000.0 2095393.64 NA NA Imoveis
29138278000101 RJ Nova Iguaçu 2020-02-01 Imóveis Outros - Imóveis NA NA 9430 1 70600000000.0 70600000000.0 2297532.97 NA NA Imoveis
29138278000101 RJ Nova Iguaçu 2019-03-01 Imóveis Outros - Imóveis NA NA 9430 1 70600000000.0 70600000000.0 2925940.81 NA NA Imoveis
29138278000101 RJ Nova Iguaçu 2020-03-01 Imóveis Outros - Imóveis NA NA 9430 1 70600000000.0 70600000000.0 2333819.56 NA NA Imoveis
29138278000101 RJ Nova Iguaçu 2020-03-01 Disponibilidades Financeiras Disp NA 6110 134936 341 Itaú Unibanco S.A. 1 4219953.5 4219953.5 139.50 NA NA Disp
29138278000101 RJ Nova Iguaçu 2018-04-01 Imóveis Outros - Imóveis NA NA 9430 1 32828082.7 32828082.7 296.40 NA NA Imoveis
29138278000101 RJ Nova Iguaçu 2019-04-01 Imóveis Outros - Imóveis NA NA 9430 1 70600000000.0 70600000000.0 2438691.94 NA NA Imoveis
29138278000101 RJ Nova Iguaçu 2019-04-01 Disponibilidades Financeiras Disp NA 0185 29668 104 Caixa Econômica Federal 1 12398293.8 12398293.8 428.27 NA NA Disp
29138278000101 RJ Nova Iguaçu 2020-04-01 Imóveis Outros - Imóveis NA NA 9430 1 70600000000.0 70600000000.0 2318275.45 NA NA Imoveis
29138278000101 RJ Nova Iguaçu 2020-04-01 Disponibilidades Financeiras Disp NA 6110 134936 341 Itaú Unibanco S.A. 1 3692279.7 3692279.7 121.24 NA NA Disp
29138278000101 RJ Nova Iguaçu 2018-05-01 Imóveis Outros - Imóveis NA NA 9430 1 32828082.7 32828082.7 276.14 NA NA Imoveis
29138278000101 RJ Nova Iguaçu 2019-05-01 Imóveis Outros - Imóveis NA NA 9430 1 70600000000.0 70600000000.0 1633436.53 NA NA Imoveis
29138278000101 RJ Nova Iguaçu 2020-05-01 Imóveis Outros - Imóveis NA NA 9430 1 70600000000.0 70600000000.0 2296025.47 NA NA Imoveis
29138278000101 RJ Nova Iguaçu 2018-06-01 Imóveis Outros - Imóveis NA NA 9430 1 32828082.7 32828082.7 266.58 NA NA Imoveis
29138278000101 RJ Nova Iguaçu 2019-06-01 Imóveis Outros - Imóveis NA NA 9430 1 70600000000.0 70600000000.0 1608688.90 NA NA Imoveis
29138278000101 RJ Nova Iguaçu 2020-06-01 Disponibilidades Financeiras Disp NA 6110 134936 341 Itaú Unibanco S.A. 1 2540829.5 2540829.5 141.42 NA NA Disp
29138278000101 RJ Nova Iguaçu 2020-06-01 Imóveis Outros - Imóveis NA NA 9430 1 70600000000.0 70600000000.0 3929620.72 NA NA Imoveis
29138278000101 RJ Nova Iguaçu 2018-07-01 Imóveis Outros - Imóveis NA NA 9430 1 32828082.7 32828082.7 259.56 NA NA Imoveis
29138278000101 RJ Nova Iguaçu 2019-07-01 Imóveis Outros - Imóveis NA NA 9430 1 70600000000.0 70600000000.0 1592154.25 NA NA Imoveis
29138278000101 RJ Nova Iguaçu 2018-08-01 Imóveis Outros - Imóveis NA NA 9430 1 32828082.7 32828082.7 263.35 NA NA Imoveis
29138278000101 RJ Nova Iguaçu 2019-08-01 Imóveis Outros - Imóveis NA NA 9430 1 70600000000.0 70600000000.0 1409552.14 NA NA Imoveis
29138278000101 RJ Nova Iguaçu 2018-09-01 Imóveis Outros - Imóveis NA NA 9430 1 32828082.7 32828082.7 250.21 NA NA Imoveis
29138278000101 RJ Nova Iguaçu 2019-09-01 Imóveis Outros - Imóveis NA NA 9430 1 70600000000.0 70600000000.0 1416005.63 NA NA Imoveis
29138278000101 RJ Nova Iguaçu 2018-10-01 Imóveis Outros - Imóveis NA NA 9430 1 32828082.7 32828082.7 252.08 NA NA Imoveis
29138278000101 RJ Nova Iguaçu 2019-10-01 Imóveis Outros - Imóveis NA NA 9430 1 70600000000.0 70600000000.0 454662.84 NA NA Imoveis
29138278000101 RJ Nova Iguaçu 2018-11-01 Imóveis Outros - Imóveis NA NA 9430 1 70600000.0 70600000.0 577.46 NA NA Imoveis
29138278000101 RJ Nova Iguaçu 2019-11-01 Imóveis Outros - Imóveis NA NA 9430 1 70600000000.0 70600000000.0 887727.84 NA NA Imoveis
29138278000101 RJ Nova Iguaçu 2018-12-01 Disponibilidades Financeiras Disp NA 6104 430928 341 Itaú Unibanco S.A. 1 866293.2 866293.2 194.82 NA NA Disp
29138278000101 RJ Nova Iguaçu 2018-12-01 Disponibilidades Financeiras Disp NA 1521 450000273 33 Banco Santander (Brasil) S.A. 1 1126084.0 1126084.0 253.24 NA NA Disp
29138278000101 RJ Nova Iguaçu 2018-12-01 Imóveis Outros - Imóveis NA NA 9430 1 70600000.0 70600000.0 15877.17 NA NA Imoveis
29138278000101 RJ Nova Iguaçu 2019-12-01 Imóveis Outros - Imóveis NA NA 9430 1 70600000000.0 70600000000.0 2105925.42 NA NA Imoveis

Os registros com problema referem-se a Imóveis e Disponibilidade Financeira. O RPPS em questão registrou no DAIR um imóvel no valor de 70,6 bilhões!!! Aparentemente um erro que vem sendo perpetuado desde então, indicativo de que não há revisão dos dados inseridos no CADPREV e dos documentos produzidos a partir deles.

Agora passa-se à identificação dos RPPS que apresentam percentual negativo.

dair %>% 
  filter(perc_recursos_rpps < 0) %>% 
  distinct(ente, uf) %>% 
  kbl() %>% 
  kable_paper(full_width = FALSE)
uf ente
AM Borba
BA Feira de Santana
ES Guarapari
GO Caldas Novas
MG Oliveira
MT Rondonópolis
PA Muaná
PE Bodocó
PR Umuarama
RJ Itatiaia
RJ Niterói
RJ Quatis
RJ Quissamã
RJ Sapucaia
RS Feliz
RS Paverama
RS São Lourenço do Sul
SC Tijucas
SP Engenheiro Coelho
SP Fernandópolis
SP Itaí
SP Miguelópolis
SP Piratininga
SP Turiúba

Tem-se 24 RPPS nessa situação, 5 dos quais no ERJ. Inspeciona-se, a seguir, o RPPS de Niterói - RJ.

dair %>% 
  filter(perc_recursos_rpps < 0, ente == "Niterói") %>% 
  kbl() %>% 
  kable_paper(full_width = FALSE)
cnpj uf ente competencia segmento tipo_ativo limite_resol_cmn ident_ativo nm_ativo qtd_quotas vlr_atual_ativo vlr_total_atual perc_recursos_rpps pl_fundo perc_pl_fundo enquadramento
28521748000159 RJ Niterói 2020-01-01 Renda Fixa FI 100% títulos TN - Art. 7º, I, b 100 14508605000100 FI Caixa Brasil IRF-M TP RF LP -1493467 2.231384 -3332498 -0.53 15527608260 -0.02 Art. 7º, I, b

Para o RPPS de Niterói, aparentemente o erro está em informar uma quantidade de cotas negativa.

Não é possível aqui inspecionar todas as situações anômalas, mas é importante estabelecer rotinas que façam de imediato a detecção dessas situações assim que novas bases de dados sejam divulgadas pela SPREV.

Por outro lado, seria melhor que o CADPREV já bloqueasse certas situações ou, quando detectadas ainda na fase de inserção dos dados, pedisse ao usuário uma confirmação para prosseguimento com a inserção dos dados fora do padrão. Assim, os erros eventualmente identificados nas bases de dados, como esses acima apresentados, seriam então situações executadas de forma consciente pelos usuários do CADPREV para as quais, certamente, o usuário terá uma justificativa para sua inserção na base de dados.

Outra variável de fundamental importância é a variável vlr_total_atual que informa o valor dos ativos na carteira do RPPS.

Um pequeno resumo estatístico pode dar alguma indicação da distribuição dos valores.

with(dair, summary(vlr_total_atual))
           Min.         1st Qu.          Median            Mean         3rd Qu. 
       -8376110           37065          925421       323845445         3408545 
           Max.            NA's 
152500000000000          104797

O resultado indica a existência de registros na base de dados relativos a ativos com valores negativos e ativos sem valores preenchidos.

É necessário uma investigação mais detalhada para identificar a razão dos valores negativos.

E para os valores dos ativos sem preenchimento, talvez esses registros surjam por ocasição da extração dos dados pela SPREV, resultantes de retificações feitas nos DAIR pelos RPPS, mas o fato é que a origem das inconsistências devem ser identificadas e corrigidas para que se tenha dados de qualidade.

Considerando que registros cujos valores para a variável vlr_total_atual estejam faltando não tem qualquer utilidade para as análises que se seguem, será feito um filtro com vistas a excluir os registros nessa situação.

dair <- dair %>% 
          filter(!is.na(vlr_total_atual))
with(dair, summary(vlr_total_atual))
           Min.         1st Qu.          Median            Mean         3rd Qu. 
       -8376110           37065          925421       323845445         3408545 
           Max. 
152500000000000

Os registros foram removidos.

4.3 Evolução da Carteira de um RPPS

No item anterior fez-se uma análise exploratória preliminar com o objetivo de conhecer melhor a base de dados e buscar identificar eventuais inconsistências na mesma.

Nesta seção o objetivo é avaliar, para um RPPS em particular, qual a composição de sua carteira de ativos e como a mesma evoluiu no tempo.

A primeira coisa a ser feita é selecionar os registros do RPPS cuja carteira se deseja estudar.

Suponha que o interesse da análise esteja no RPPS de Niterói - RJ. O filtro a seguir obtém os dados desse RPPS.

dair_rpps <- dair %>% 
              filter(uf == "RJ", ente == "Niterói")

Obs.: O uso da uf para o filtro é em geral desnecessário. Não obstante, existem casos de municípios que possuem o mesmo nome.

Quais são os meses contemplados nos dados do RPPS em análise?

with(dair_rpps, sort(unique(competencia))) 
 [1] "2018-04-01 UTC" "2018-05-01 UTC" "2018-06-01 UTC" "2018-07-01 UTC"
 [5] "2018-08-01 UTC" "2018-09-01 UTC" "2018-10-01 UTC" "2018-11-01 UTC"
 [9] "2018-12-01 UTC" "2019-01-01 UTC" "2019-02-01 UTC" "2019-03-01 UTC"
[13] "2019-04-01 UTC" "2019-05-01 UTC" "2019-06-01 UTC" "2019-07-01 UTC"
[17] "2019-08-01 UTC" "2019-09-01 UTC" "2019-10-01 UTC" "2019-11-01 UTC"
[21] "2019-12-01 UTC" "2020-01-01 UTC" "2020-02-01 UTC" "2020-03-01 UTC"
[25] "2020-04-01 UTC" "2020-05-01 UTC" "2020-06-01 UTC" "2020-07-01 UTC"

Tem-se dados de Abril de 2018 a Julho de 2020.

Uma tabela que pode ser útil é a que mostre o valor alocado em cada tipo de ativo em cada mês. Com isso pode-se ter uma ideia de como o RPPS aloca seus recursos e como essa alocação evolui no tempo.

perfil <- dair_rpps %>% 
            group_by(competencia, enquadramento) %>% 
            summarise(vlr_alocado_ativo = sum(vlr_total_atual)) %>% 
            ungroup() %>%
            group_by(competencia) %>% 
            mutate(`%_alocado` = round(vlr_alocado_ativo / sum(vlr_alocado_ativo) * 100, 1)) 
           
perfil
# A tibble: 254 x 4
# Groups:   competencia [28]
   competencia         enquadramento  vlr_alocado_ativo `%_alocado`
   <dttm>              <chr>                      <dbl>       <dbl>
 1 2018-04-01 00:00:00 Art. 7º, I, b         268700264.        73.8
 2 2018-04-01 00:00:00 Art. 7º, IV, a         66578843.        18.3
 3 2018-04-01 00:00:00 Art. 8º, I, a                 0          0  
 4 2018-04-01 00:00:00 Art. 8º, I, b           5323415.         1.5
 5 2018-04-01 00:00:00 Art. 8º, II, a                0          0  
 6 2018-04-01 00:00:00 Art. 8º, III            5087313.         1.4
 7 2018-04-01 00:00:00 Art. 8º, IV, b           384995.         0.1
 8 2018-04-01 00:00:00 Disp                     556092.         0.2
 9 2018-04-01 00:00:00 Imoveis                17314873.         4.8
10 2018-05-01 00:00:00 Art. 7º, I, b         267804162.        72.5
# ... with 244 more rows

O resultado mostra, mês a mês, o valor alocado pelo RPPS em análise em cada tipo de ativo. A partir desse conjunto de dados pode-se acompanhar a evolução da alocação dos ativos no RPPS em análise.

Pode-se visualizar a evolução de cada tipo de ativo.

ggplot(perfil, aes(x=competencia, y=vlr_alocado_ativo / 1e6)) + 
    geom_line(color="blue") +
    geom_point(color="blue") +
    facet_wrap(~enquadramento, scales="free") +
    theme_bw() +
  labs(title = "Evolução dos ativos por tipo de ativo",
       x="",
       y="Valor investido \n (em R$ Milhões)")

A análise dos gráficos permite uma visão muito mais clara da evolução dos ativos do que reunir os números em uma tabela. Mas caso seja necessário colocar os dados em uma tabela também é possível.

perfil %>% 
  pivot_wider(id_cols=competencia, 
              names_from = enquadramento,
              values_from=vlr_alocado_ativo) %>% 
  relocate(competencia, Disp, Imoveis, starts_with("Art. 7º")) %>% 
  kbl() %>% 
  kable_paper(full_width = FALSE) %>% 
  scroll_box(width = "700px", height = "300px")
competencia Disp Imoveis Art. 7º, I, b Art. 7º, IV, a Art. 7º, VI, b Art. 8º, I, a Art. 8º, I, b Art. 8º, II, a Art. 8º, III Art. 8º, IV, b
2018-04-01 556091.8 17314873 268700264 66578843 NA 0 5323415 0 5087313 384994.9
2018-05-01 560831.3 17314873 267804162 73797843 NA NA 4749861 NA 5044454 364100.6
2018-06-01 876812.1 17314873 268702721 80902861 NA NA 4502838 NA 5031217 350435.3
2018-07-01 4580237.9 17314873 271172784 123076616 42868.31 NA 4895660 NA 5088033 352773.9
2018-08-01 4580237.9 17314873 276455655 121734755 43027.57 NA 4745372 4795656 5066540 347986.0
2018-09-01 4214397.8 17314873 278526116 129652965 43187.42 NA 4903835 4734169 5113277 346361.5
2018-10-01 4262802.4 17314873 277859506 140238186 0.00 NA 5391692 5407970 5206846 358518.8
2018-11-01 7123543.1 17314873 346197986 80274973 0.00 NA 5519173 5564515 5238231 363997.7
2018-12-01 1359648.2 17314873 346585530 118342735 0.00 NA 5420769 5768759 5281648 370369.0
2019-01-01 17133228.5 17314873 349899950 120937267 0.00 NA 5990914 6246863 5311060 365750.0
2019-02-01 1593061.5 17314873 374011894 105643001 0.00 2916228 5882648 8066482 5325840 361620.0
2019-03-01 19466560.9 17314873 374076974 113736817 0.00 2910294 5871557 7979227 5343092 357700.0
2019-04-01 19468870.6 17314873 387186546 103384158 0.00 2930953 5924832 13852251 5364580 355246.5
2019-05-01 32971149.5 17314873 432655894 66164114 0.00 2968382 5968647 18694871 5393155 356989.5
2019-06-01 20804323.3 17314873 414497955 78278839 0.00 3094161 6204388 40275050 5419281 361203.5
2019-07-01 23035200.3 17258428 440518472 59143248 0.00 3114633 6252583 45545186 5447933 376971.0
2019-08-01 21140064.4 17258428 445165012 47843789 0.00 19331314 0 51260452 5469627 383950.0
2019-09-01 21805954.1 17258428 453649176 48283438 0.00 19948055 NA 57447500 5490827 388507.0
2019-10-01 22294417.5 17258428 461164288 48441042 0.00 20468794 NA 65871436 5660657 417900.0
2019-11-01 25194544.5 17258428 431970509 72877821 0.00 20672433 NA 73730933 5804597 474250.0
2019-12-01 22473447.2 17258428 435453620 68980481 0.00 22180402 NA 93991204 5535992 521496.5
2020-01-01 10896458.3 17258428 428842481 50216174 0.00 34786845 NA 117810993 0 612500.0
2020-02-01 22486479.5 17258428 434295228 51832149 0.00 32038967 NA 106823719 8082246 515900.0
2020-03-01 22486479.5 17258428 428490407 44147904 0.00 25947252 NA 70629380 10012950 409496.5
2020-04-01 5330954.7 17258428 438483068 51485839 0.00 28754271 NA 78672094 10162879 438046.0
2020-05-01 23420671.0 17258428 409481527 63617397 0.00 31097033 NA 82264626 10229443 455000.0
2020-06-01 22722034.2 17258428 402192622 55845300 0.00 44609803 NA 139881757 10298849 546000.0
2020-07-01 1660996.5 17258428 416063412 94183355 0.00 58247131 NA 123305979 10348608 605500.0

Também pode-se apresentar a tabela com os percentuais que cada ativo representa da carteira.

perfil %>% 
  pivot_wider(id_cols=competencia, 
              names_from = enquadramento,
              values_from=`%_alocado`) %>% 
  relocate(competencia, Disp, Imoveis, starts_with("Art. 7º")) %>% 
  kbl() %>% 
  kable_paper(full_width = FALSE) %>% 
  scroll_box(width = "700px", height = "300px")
competencia Disp Imoveis Art. 7º, I, b Art. 7º, IV, a Art. 7º, VI, b Art. 8º, I, a Art. 8º, I, b Art. 8º, II, a Art. 8º, III Art. 8º, IV, b
2018-04-01 0.2 4.8 73.8 18.3 NA 0.0 1.5 0.0 1.4 0.1
2018-05-01 0.2 4.7 72.5 20.0 NA NA 1.3 NA 1.4 0.1
2018-06-01 0.2 4.6 71.1 21.4 NA NA 1.2 NA 1.3 0.1
2018-07-01 1.1 4.1 63.6 28.9 0 NA 1.1 NA 1.2 0.1
2018-08-01 1.1 4.0 63.5 28.0 0 NA 1.1 1.1 1.2 0.1
2018-09-01 0.9 3.9 62.6 29.1 0 NA 1.1 1.1 1.1 0.1
2018-10-01 0.9 3.8 60.9 30.8 0 NA 1.2 1.2 1.1 0.1
2018-11-01 1.5 3.7 74.0 17.2 0 NA 1.2 1.2 1.1 0.1
2018-12-01 0.3 3.5 69.3 23.6 0 NA 1.1 1.2 1.1 0.1
2019-01-01 3.3 3.3 66.9 23.1 0 NA 1.1 1.2 1.0 0.1
2019-02-01 0.3 3.3 71.8 20.3 0 0.6 1.1 1.5 1.0 0.1
2019-03-01 3.6 3.2 68.4 20.8 0 0.5 1.1 1.5 1.0 0.1
2019-04-01 3.5 3.1 69.7 18.6 0 0.5 1.1 2.5 1.0 0.1
2019-05-01 5.7 3.0 74.3 11.4 0 0.5 1.0 3.2 0.9 0.1
2019-06-01 3.5 3.0 70.7 13.4 0 0.5 1.1 6.9 0.9 0.1
2019-07-01 3.8 2.9 73.3 9.8 0 0.5 1.0 7.6 0.9 0.1
2019-08-01 3.5 2.8 73.2 7.9 0 3.2 0.0 8.4 0.9 0.1
2019-09-01 3.5 2.8 72.7 7.7 0 3.2 NA 9.2 0.9 0.1
2019-10-01 3.5 2.7 71.9 7.6 0 3.2 NA 10.3 0.9 0.1
2019-11-01 3.9 2.7 66.7 11.2 0 3.2 NA 11.4 0.9 0.1
2019-12-01 3.4 2.6 65.3 10.4 0 3.3 NA 14.1 0.8 0.1
2020-01-01 1.6 2.6 64.9 7.6 0 5.3 NA 17.8 0.0 0.1
2020-02-01 3.3 2.6 64.5 7.7 0 4.8 NA 15.9 1.2 0.1
2020-03-01 3.6 2.8 69.2 7.1 0 4.2 NA 11.4 1.6 0.1
2020-04-01 0.8 2.7 69.5 8.2 0 4.6 NA 12.5 1.6 0.1
2020-05-01 3.7 2.7 64.2 10.0 0 4.9 NA 12.9 1.6 0.1
2020-06-01 3.3 2.5 58.0 8.1 0 6.4 NA 20.2 1.5 0.1
2020-07-01 0.2 2.4 57.7 13.1 0 8.1 NA 17.1 1.4 0.1

A tabela acima pode ser visualizada no gráfico a seguir:

ggplot(perfil, aes(x=enquadramento, y=competencia, fill=`%_alocado`)) +
  geom_tile() +
  scale_fill_gradient(low="tomato", high="darkgreen") +
  theme(panel.background = element_rect(fill = "white"),
        axis.text.x = element_text(angle=45))

O gráfico acima foi elaborado com base em percentuais calculados a partir dos dados relativos aos valores dos ativos existentes na base de dados. Mas uma verificação possível é conferir se, em cada mês, a variável perc_recursos_rpps informada pelo RPPS no DAIR soma 100%.

dair_rpps %>% 
  group_by(competencia) %>% 
  summarise(confere_percentual = sum(perc_recursos_rpps, na.rm=TRUE)) %>% 
  arrange(competencia) %>% 
  ggplot(aes(x=competencia, y=confere_percentual)) +
    geom_point(color="blue", size=2) +
    theme_bw()

O RPPS em questão alocou mais de 100% de seus recursos em praticamente todos os meses do período considerado. Esse fato merece uma análise mais detida das razões que levam a essa situação.

4.4 Aplicações em Fundos Vedados

Uma análise possível com os dados disponibilizados pela SPREV é a verificação de que o RPPS possui recursos aplicados em fundos de investimentos vedados.

A partir da edição da Resolução CMN no 4.604/17 que altera a Resolução CMN no 3.922/10, a SPREV passou a divulgar uma relação com os fundos de investimentos nos quais seriam vedadas novas aplicações de recursos pelos RPPS.

A última lista de fundos vedados divulgada é de 21/12/2018 e pode ser baixada aqui.

Já se passaram dois anos desde a divulgação da lista, o que demonstra duas coisas: ou não foram identificadas aplicações de recursos em novos fundos de investimento vedados aos RPPS ou a SPREV interrompeu a atualização da lista.

Os dados contidos no pdf foram extraídos e armazenados no arquivo fundos_vedados_21-12-2018.xlsx que será utilizado para verificar se algum RPPS possui recursos aplicados em algum dos fundos listados na referida lista.

Vamos à importação dos dados:

fundos_vedados <- read_excel("dados/fundos_vedados_21-12-2018.xlsx")

De acordo com a lista existia, à época, 138 fundos de investimentos vedados aos RPPS nos quais foram identificadas aplicações de recursos por algum RPPS.

Quais informações essa base de dados traz?

glimpse(fundos_vedados)
Rows: 138
Columns: 12
$ `CNPJ DO FUNDO`        <chr> "00.828.035/0001-13", "01.107.772/0001-90", ...
$ `NOME DO FUNDO`        <chr> "FATOR MAX CORPORATIVO FUNDO DE INVESTIMENTO...
$ CLASSE...3             <chr> "FI", "FI", "FI", "FI", "FI", "FI", "FI", "F...
$ CLASSE...4             <chr> "Fundo de Renda Fixa", "Fundo de Renda Fixa"...
$ `TX. ADM`              <chr> "0", "1", "2", "1", "2", "2", "2", "0", "0",...
$ ADMINISTRADOR          <chr> "BANCO FATOR S/A", "CONCÓRDIA S.A. CVMCC", "...
$ GESTOR                 <chr> "FAR FATOR ADMINISTRAÇÃO DE RECURSOS LTDA", ...
$ CARÊNCIA               <chr> "Não há.", "Não há.", "Não há.", "Não há.", ...
$ `CONVERSÃO DE COTAS`   <chr> "D+0", "D+0", "D+0", "D+0", "D+0", "(vide re...
$ `DISP. REC. RESGATADO` <chr> "D+0", "D+0", "D+0", "D+1", "D+10", "(vide r...
$ TAXA_SAIDA             <chr> "0", "0", "0", "0", "0", "2", "0", "0", "0",...
$ MOTIVO                 <chr> "Ativo Vedado / CRI/CRA /", "Ativo Vedado / ...

São 12 colunas com informações sobre os fundos vedados. A coluna MOTIVO informa a razão pela qual o fundo é vedado aos RPPS, mas as informações não são muito esclarecedoras.

Uma primeira verificação que pode ser feita é quanto a existência de duplicidade de fundos na base. O teste é simples:

any(duplicated(fundos_vedados$`CNPJ DO FUNDO`))
[1] FALSE

Quais são os Administradores e Gestores com maior frequência na lista? Os top 10 Administradores são elencados a seguir:

fundos_vedados %>% 
  count(ADMINISTRADOR) %>% 
  arrange(desc(n)) %>% 
  head(10)
# A tibble: 10 x 2
   ADMINISTRADOR                                               n
   <chr>                                                   <int>
 1 GRADUAL CCTVM S/A                                          18
 2 PLANNER CORRETORA DE VALORES SA                            16
 3 BRIDGE ADMINISTRADORA DE RECURSOS LTDA.                    15
 4 BNY MELLON SERVICOS FINANCEIROS DTVM S.A.                  13
 5 SOCOPA SOCIEDADE CORRETORA PAULISTA SA                     13
 6 FOCO DTVM LTDA.                                             8
 7 BRB DISTRIBUIDORA DE TITULOS E VALORES MOBILIARIOS S.A.     7
 8 ICLA TRUST SERVIÇOS FINANCEIROS S.A.                        7
 9 CM CAPITAL MARKETS DTVM LTDA                                6
10 AUSTRO ADMINISTRAÇÃO DE RECURSOS LTDA                       4

Agora os Gestores:

fundos_vedados %>% 
  count(GESTOR) %>% 
  arrange(desc(n)) %>% 
  head(10)
# A tibble: 10 x 2
   GESTOR                                                      n
   <chr>                                                   <int>
 1 MHFT INVESTIMENTOS S.A.                                     7
 2 BRIDGE ADMINISTRADORA DE RECURSOS LTDA.                     6
 3 TERRA NOVA GESTÃO E ADMINISTRAÇÃO DE NEGÓCIOS LTDA          6
 4 ATICO ADMINISTRAÇÃO DE RECURSOS LTDA                        5
 5 TMJ CAPITAL GESTÃO DE RECURSOS LTDA                         5
 6 BRB DISTRIBUIDORA DE TITULOS E VALORES MOBILIARIOS S.A.     4
 7 BRPP GESTÃO DE PRODUTOS ESTRUTURADOS LTDA.                  4
 8 RIVIERA GESTORA DE RECURSOS LTDA                            4
 9 ROMA ASSET MANAGEMENT LTDA                                  4
10 AQ3 ASSET MANAGEMENT LTDA                                   3

E quais os motivos mais frequentes para que o fundo seja vedado aos RPPS?

fundos_vedados %>% 
  count(MOTIVO) %>% 
  arrange(desc(n)) 
# A tibble: 24 x 2
   MOTIVO                                                  n
   <chr>                                               <int>
 1 FIDC Vedado                                            21
 2 FIP Vedado                                             20
 3 FII - Negociação 60%                                   16
 4 Ativo Vedado /                                         13
 5 Ativo Vedado / FIP Vedado /                             7
 6 Ativo Vedado / CRI/CRA /                                6
 7 Ativo Vedado / CRI/CRA / FIDC Vedado / FII Vedado /     5
 8 Ativo Vedado / FIDC Vedado /                            5
 9 FIDC Vedado /                                           5
10 Ativo Vedado / CRI/CRA / FIDC Vedado /                  4
# ... with 14 more rows

O resultado mostra que alguns fundos incorrem em até 5 motivos.

Seria interessante continuar explorando essa base de dados. Por exemplo algum dos motivos estariam mais associados a um Administrador ou Gestor? Talvez futuramente a análise dos investimentos em fundos problemáticos ou “estressados” como se diz, mereça um capítulo próprio nesse documento.

Para a identificação dos RPPS que possuem investimentos em fundos vedados será necessário “cruzar” os dados da base dair com a base fundos_vedados.

Para que seja possível realizar esse cruzamento, será necessário antes fazer um ajuste na variável que identifica o CNPJ do fundo de investimento visto que essa é a chave que permite relacionar as duas bases de dados.

Na base dair a variável que contém informação sobre o CNPJ do fundo de investimento é ident_ativo e na base fundos_vedados é a variável CNPJ DO FUNDO. Mas antes de fazer o cruzamento deve-se fazer a remoção da formatação existente na variável CNPJ DO FUNDO.

fundos_vedados <- fundos_vedados %>% 
  mutate(`CNPJ DO FUNDO` = str_remove_all(`CNPJ DO FUNDO`, "[[:punct:]]"))

Feita a limpeza da variável pode-se realizar o cruzamento dos dados, que consistirá em criar na base de dados dair uma variável indicadora que assumirá o valor 1 caso o fundo esteja na relação de fundos vedados e 0 caso contrário. Depois é só aplicar um filtro.

# Marca na base do dair os regisros relativos a fundos vedados
dair <- dair %>%
  mutate(aplica_fundo_vedado = if_else(ident_ativo %in% fundos_vedados$`CNPJ DO FUNDO`, 1, 0))

# Cria uma nova base contendo apenas os registros relativos a fundos vedados.
dair_fundos_vedados <- dair%>%
                        filter(aplica_fundo_vedado == 1)

Pode-se agora identificar os RPPS que, em algum momento, fizeram aplicações em fundos vedados, com a indicação da quantidade de fundos vedados em que fez aplicações. Para a lista não ficar muito longa, será feita uma restrição para mostrar apenas os “top 10”.

dair_fundos_vedados %>%
  group_by(cnpj, uf, ente) %>% 
  summarise(qtd_fundos = n_distinct(ident_ativo)) %>%
  arrange(desc(qtd_fundos)) %>% 
  head(10) %>% 
  kbl(caption = "RPPS com investimentos em fundos vedados - Top 10") %>% 
  kable_paper(full_width = FALSE)
Table 4.7: RPPS com investimentos em fundos vedados - Top 10
cnpj uf ente qtd_fundos
01786029000103 TO Governo do Estado do Tocantins 22
18431312000115 MG Uberlândia 21
45751435000106 SP Paulínia 20
46482832000192 SP São Sebastião 19
46523171000104 SP Osasco 19
18675983000121 MG Pouso Alegre 18
46179941000135 SP Assis 16
05995766000177 AP Macapá 15
46523056000121 SP Suzano 14
83102756000179 SC Rio Negrinho 14

Uma observação: o quantitativo considera todos os meses. Assim, se o RPPS deixou de aplicar num fundo vedado, ele continua na contagem. Não seria difícil fazer essa análise considerando os fundos vedados presentes apenas no mês mais recente do RPPS na base de dados. A experiência diz que os números não mudariam muito, visto que não é fácil o RPPS se livrar de um fundo vedado.

Uma outra verificação interessante é se o RPPS realizou investimentos em fundos vedados no período. Essa situação pode dar-se de duas maneiras: o RPPS aumentar seus investimentos em um fundo vedado ou investir em um “novo” fundo vedado.

Quais RPPS do ERJ possuem investimentos em fundos vedados?

dair_fundos_vedados %>%
  group_by(cnpj, uf, ente) %>% 
  summarise(qtd_fundos = n_distinct(ident_ativo)) %>%
  filter(uf=="RJ") %>% 
  arrange(desc(qtd_fundos))
# A tibble: 34 x 4
# Groups:   cnpj, uf [34]
   cnpj           uf    ente               qtd_fundos
   <chr>          <chr> <chr>                   <int>
 1 39485438000142 RJ    Belford Roxo               13
 2 39485396000140 RJ    Japeri                     11
 3 39485412000102 RJ    Queimados                   7
 4 01615882000162 RJ    Iguaba Grande               4
 5 28636579000100 RJ    São Gonçalo                 4
 6 28741080000155 RJ    Itaboraí                    4
 7 32412819000152 RJ    Vassouras                   4
 8 04132090000125 RJ    Mesquita                    3
 9 29128741000134 RJ    Carmo                       3
10 29138336000105 RJ    São João de Meriti          3
# ... with 24 more rows

Suponha que a análise recaia sobre o RPPS de Queimados, com 7 fundos vados na carteira.

dair %>%
  filter(aplica_fundo_vedado == 1, ente == "Queimados") %>%
ggplot(aes(x=competencia, y=str_trunc(nm_ativo, 15), size=qtd_quotas)) +
    geom_point(color="tomato", alpha=0.8) +
    xlab("") + ylab("") +
    theme_bw() +
    theme(axis.text.x = element_text(angle = 90, vjust=0.5))

O gráfico mostra que todos os fundos vedados estão na carteira do RPPS desde o início, ou seja, não há aplicações novas em fundos vedados. Também não há aumento de aplicações em fundo vedado já que o tamanho dos pontos, que sinaliza a quantidade de cotas, não aumentou no período (pelos menos não de forma visualmente perceptível).

Algumas análises adicionais que podem ser interessantes:

  1. Dos fundos vedados, qual possui a maior quantidade de RPPS investindo? Qual possui maior volume de recursos?
  2. Existe algum indicativo de que possa haver alguma espécie de regionalização dos fundos vedados, ou seja, algum fundo ser mais “popular” em alguma regão do Brasil?

Deixa-se essas verificações para o leitor interessado.

4.5 Enquadramento de Fundos de Investimentos

Uma outra verificação possível com os dados disponibilizados refere-se ao enquadramento dos fundos de investimentos realizado pelos RPPS. Como já visto anterioremente, o RPPS ao realizar o preenchimento do DAIR faz o enquadramento dos ativos, dentre os quais os fundos de investimento.

O objetivo deste tópico é avaliar a qualidade do enquadramento dos fundos de investimento realizado pelos RPPS ao preencher o DAIR com o enquadramento feito pela SPREV.

A SPREV publica em seu site uma planilha com o enquadramento dos fundos de investimento nos quais os RPPS de todo o Brasil possuem aplicações.

Os RPPS podem não fazer o correto enquadramento com vistas a fugir dos limites máximos definidos na Resolução 3922/10 para cada categoria de ativo.

Considerando a existência da planilha da SPREV, as divergências dificilmente serão por equívoco, já que na dúvida o RPPS pode sempre pode consultar a referida planilha para fazer o correto enquadramento do fundo de investimento.

Faz-se a seguir a importação dos dados contidos na planilha da SPREV:

enquadramento_sprev <- read_excel("dados/Planilha-Consolidada031220.xlsx")

Para inspecionar a base de dados:

enquadramento_sprev %>% 
  head(2) %>% 
  kbl() %>% 
  kable_paper(full_width = FALSE)
FUNDO CNPJ ADM GESTOR CLASSIFICAÇÃO 3922
BB RENDA FIXA REFERENCIADO DI ÁGIL FUNDO DE INVESTIMENTO EM COTAS DE FUNDOS DE INVESTIMENTO 00.756.851/0001-69 30.822.936/0001-69 30.822.936/0001-69 Artigo 7º, Inciso IV, ‘a’
BNB AUTOMÁTICO FUNDO DE INVESTIMENTO RENDA FIXA CURTO PRAZO 00.812.433/0001-41 62.318.407/0001-19 07.237.373/0001-20 Artigo 7º, Inciso IV, ‘a’

A base de dados contém o nome e o CNPJ do fundo de investimento, o CNPJ do administrador e do gestor, e o enquadramento de acordo com a Resolução 3922/10. Faz-se a seguir uma rápida verificação quanto a existência de duplicidades na base de dados:

any(duplicated(enquadramento_sprev$CNPJ))
[1] TRUE

Existe CNPJ duplicado. A identificação dos registros duplicados pode ser feita da seguinte forma:

enquadramento_sprev %>% 
  group_by(CNPJ) %>% 
  filter(n() > 1) 
# A tibble: 2 x 5
# Groups:   CNPJ [1]
  FUNDO                        CNPJ       ADM       GESTOR    `CLASSIFICAÇÃO 39~
  <chr>                        <chr>      <chr>     <chr>     <chr>             
1 ICATU VANGUARDA INFLAÇÃO CU~ 10.922.43~ 00.066.6~ 68.622.1~ Artigo 7º, Inciso~
2 ICATU VANGUARDA INFLAÇÃO CU~ 10.922.43~ 00.066.6~ 68.622.1~ Artigo 7º, Inciso~

Tem-se um único fundo duplicado mas com dois enquadramentos distintos.

Feita a importação dos dados, será necessário realizar o pré-processamento com vistas a melhorar a qualidade da base para uso posterior. A primeira modificação será remover a formatação dos CNPJ:

enquadramento_sprev <- enquadramento_sprev %>% 
  mutate(across(c(CNPJ, ADM, GESTOR), ~ str_remove_all(.x, "[[:punct:]]")))

Outra coisa a ser feita é extrair da base de dados dair os registros que se refiram a fundos de invetimento. Sabe-se que a coluna ident_ativo contém a identificação do ativo e que para os fundos de investimento essa coluna contém o CNPJ do fundo.

A estratégia utilizada para fazer o filtro será extrair os registros em que a variável tipo_ativo refira-se a um CNPJ. O risco dessa abordagem é vir outros ativos que também sejam identificados pelo CNPJ.

dair_fundos_investimento <- dair %>% 
  filter(str_detect(ident_ativo, "\\d{8}0001\\d{2}"))

Agora é possível juntar a base de dados contendo o enquadramento feito pela SPREV enquadramento_sprev, com a base contendo os fundos de investimento nos quais os RPPS aplicam seus recursos dair_fundos_investimento.

dair_enquadramento_fundos <- inner_join(dair_fundos_investimento,
                                        enquadramento_sprev, 
                                        by=c('ident_ativo' = 'CNPJ'))

Agora é só comparar os valores das variáveis enquadramento e CLASSIFICAÇÃO 3922. A primeira contém o enquadramento feito pelo RPPS e a outra o enquadramento feito pela SPREV.

Mas antes tem um probleminha a ser resolvido. A forma como o enquadramento está escrito difere nas duas variáveis:

dair_enquadramento_fundos %>% 
  select(enquadramento, `CLASSIFICAÇÃO 3922`) %>% 
  head(3)
# A tibble: 3 x 2
  enquadramento `CLASSIFICAÇÃO 3922`     
  <chr>         <chr>                    
1 Art. 7º, I, b Artigo 7º, Inciso I, 'b' 
2 Art. 7º, I, b Artigo 7º, Inciso IV, 'a'
3 Art. 7º, I, b Artigo 7º, Inciso IV, 'a'

Será necessário realizar uma “padronização” nas duas váriáveis para que seja possível fazer a comparação. O código a seguir faz a padronização das duas variáveis:

dair_enquadramento_fundos <-  dair_enquadramento_fundos %>% 
    mutate(enquadramento_sprev_pad = str_replace_all(`CLASSIFICAÇÃO 3922`, c("Artigo" = "Art", "Inciso" = "")),
           enquadramento_sprev_pad = str_to_upper(str_replace_all(enquadramento_sprev_pad, "[[:punct:]]| |º", "")),
           enquadramento_rpps_pad  = str_to_upper(str_replace_all(enquadramento, "[[:punct:]]| |º", "")))

Agora é possível comparar as colunas enquadramento_rpps_pad e enquadramento_sprev_pad e identificar as divergências de enquadramento:

dair_divergencia_enquadramento <- dair_enquadramento_fundos %>% 
  filter(enquadramento_rpps_pad != enquadramento_sprev_pad) %>% 
  select(ente, uf, ident_ativo, nm_ativo, enquadramento, `CLASSIFICAÇÃO 3922`) %>% 
  distinct()

O conjunto de dados dair_divergencia_enquadramento possui a relação de todas as divergências de enquadramento identificadas.

head(dair_divergencia_enquadramento) %>% 
  kbl() %>% 
  kable_paper(full_width = FALSE)
ente uf ident_ativo nm_ativo enquadramento CLASSIFICAÇÃO 3922
Governo do Estado do Acre AC 13077415000105 BB PREVIDENCIARIO RENDA FIXA FLUXO FUNDO DE INVESTIMENTO EM COTAS DE FUNDOS DE INVESTIMENTO Art. 7º, I, b Artigo 7º, Inciso IV, ‘a’
Rio Branco AC 19515015000110 BB Títulos Públicos IPCA IV FI Renda Fixa Previdenciário Art. 7º, IV, a Artigo 7º, Inciso I, ‘b’
Rio Branco AC 23215097000155 Caixa Brasil Estratégica FI Renda Fixa Art. 7º, IV, a Artigo 7º, Inciso I, ‘b’
Rio Branco AC 10418335000188 BB Governança FI Ações Previdenciário Art. 8º, I, a Artigo 8º, Inciso I, ‘b’
Rio Branco AC 30068224000104 CAIXA AÇÕES MULTIGESTOR FIC AÇÕES Art. 8º, II, a Artigo 8º, Inciso I, ‘a’
Rio Branco AC 10418335000188 BB Governança FI Ações FI Previdenciário Art. 8º, II, a Artigo 8º, Inciso I, ‘b’

Algum RPPS do ERJ?

dair_divergencia_enquadramento %>% 
  filter(uf == "RJ") %>%
  head()
# A tibble: 6 x 6
  ente     uf    ident_ativo  nm_ativo           enquadramento `CLASSIFICAÇÃO 3~
  <chr>    <chr> <chr>        <chr>              <chr>         <chr>            
1 Angra d~ RJ    23215097000~ " CAIXA BRASIL GE~ Art. 7º, IV,~ Artigo 7º, Incis~
2 Angra d~ RJ    10418335000~ " BB GOVERNANÇA F~ Art. 8º, II,~ Artigo 8º, Incis~
3 Angra d~ RJ    18598117000~ " CAIXA BRASIL 20~ Art. 7º, IV,~ Artigo 7º, Incis~
4 Angra d~ RJ    19303793000~ " BB TÍTULOS PÚBL~ Art. 7º, IV,~ Artigo 7º, Incis~
5 Angra d~ RJ    18598154000~ " CAIXA BRASIL 20~ Art. 7º, IV,~ Artigo 7º, Incis~
6 Angra d~ RJ    18598088000~ " CAIXA BRASIL 20~ Art. 7º, IV,~ Artigo 7º, Incis~

Os erros de enquadramento tem uma implicação clara na determinação do percentual máximo que um RPPS pode investir em determinado tipo de fundo. Uma análise que poderia ser feita é alterar na base de dados do DAIR o enquadramento feito pelo RPPS pelo enquadramento da SPREV, calcular o percentual aplicado em cada tipo de fundo e comparar com os limites máximos permitidos pela Resolução 3922/10.

Esse exercício ficará para depois.

Outras questões: (1) a relação de fundos da SPREV contempla a totalidade dos fundos nos quais os RPPS fazem seus investimentos, ou seja, existem fundos para os quais a SPREV não apresenta enquadramento?; (2) a base de dados dair_fundos_investimento contém outros ativos que não sejam fundos de investimento?

4.6 Encaminhamento do DAIR à SPREV

Por força do disposto no art. xx da Portaria 402/08 os RPPS são obrigados a encaminhar mensalmente à SPREV, via CADPREV o DAIR. O não encaminhamento faz com que os dados do RPPS não constem da base de dados.

Trata-se de irregularidade grave, visto que subtrai da sociedade como um todo e dos benefíciários do RPPS em particular, a possibilidade de acompanhar como estão sendo geridos os ativos que irão garantir o pagamento dos benefícios.

Uma análise relevante então é evidenciar quais RPPS estão cometendo esta irregularidade. Esse é o objetivo desta seção.

Para que isso seja possível é necessário ter a relação de todos os RPPS, que como visto no Capítulo 1 está no arquivo 4-regime-entes-federativos_atualizacao_de_ago_set_2020_extracao_em_2020-10-06t18_17_11.xlsx

O código a seguir faz a importação dos dados já filtra para obter apenas dados dos RPPS:

cadastro_rpps <- read_excel("dados/4-regime-entes-federativos_atualizacao_de_ago_set_2020_extracao_em_2020-10-06t18_17_11.xlsx") %>% 
  filter(REGIME == "RPPS")

O passo seguinte é juntar à base do dair essa base de dados:

tabela_entrega_dair <- cadastro_rpps %>%
  select(ENTE, UF) %>%
  left_join(dair[, c("ente", "uf", "competencia")], by=c("ENTE" = "ente", "UF" = "uf")) %>%
  mutate(entregou = "X") %>%
  arrange(desc(competencia)) %>% 
  distinct() %>%
  pivot_wider(names_from = competencia,
              values_from = entregou,
              values_fill = list(entregou = "-")) %>% 
  select_if(names(.) != "NA")

A base de dados criada acima indica, mês a mês, quais RPPS encaminharam o DAIR à SPREV. Para conhecer a situação dos RPPS de uma UF em particular basta aplicar um filtro: Como estão os RPPS do ERJ?

tabela_entrega_dair %>% 
  filter(UF == "RJ") %>% 
  kbl() %>% 
  kable_paper(full_width = FALSE) %>% 
  scroll_box(width = "700px", height = "300px")
ENTE UF 2020-09-01 2020-08-01 2020-07-01 2020-06-01 2020-05-01 2020-04-01 2020-03-01 2020-02-01 2020-01-01 2019-12-01 2019-11-01 2019-10-01 2019-09-01 2019-08-01 2019-07-01 2019-06-01 2019-05-01 2019-04-01 2019-03-01 2019-02-01 2019-01-01 2018-12-01 2018-11-01 2018-10-01 2018-09-01 2018-08-01 2018-07-01 2018-06-01 2018-05-01 2018-04-01
Arraial do Cabo RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Cantagalo RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Carapebus RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Comendador Levy Gasparian RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Nilópolis RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Paty do Alferes RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Piraí RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Seropédica RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Valença RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Vassouras RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Volta Redonda RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Angra dos Reis RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Aperibé RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Barra Mansa RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Belford Roxo RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Bom Jardim RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Cardoso Moreira RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Carmo RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Casimiro de Abreu RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Conceição de Macabu RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Duas Barras RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Governo do Estado do Rio de Janeiro RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Itaguaí RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Italva RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Itaocara RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Itatiaia RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Japeri RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Macaé RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Maricá RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Mendes RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Mesquita RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Miguel Pereira RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Miracema RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Natividade RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Niterói RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Nova Friburgo RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Paraíba do Sul RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Petrópolis RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Porciúncula RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Quatis RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Queimados RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Quissamã RJ
X X X X X X X X X
Resende RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Rio Claro RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Rio das Ostras RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Rio de Janeiro RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Santo Antônio de Pádua RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
São Fidélis RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
São Gonçalo RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
São João da Barra RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
São Pedro da Aldeia RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Sapucaia RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Saquarema RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Sumidouro RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Trajano de Moraes RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Varre-Sai RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Armação dos Búzios RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X
Barra do Piraí RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X
Cabo Frio RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X
Duque de Caxias RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X
Laje do Muriaé RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X
Nova Iguaçu RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X
Pinheiral RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X
São Sebastião do Alto RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X X
Cambuci RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X
Mangaratiba RJ
X X X X X X X X X X X X X X X X X X X X X X X X X X
Cachoeiras de Macacu RJ
X X X X X X X X X X X X X X X X X X X X X X X X X
Cordeiro RJ
X X X X X X X X X X X X X X X X X X X X X X X X X
Itaboraí RJ
X X X X X X X X X X X X X X X X X X X X X X X X X
Areal RJ
X X X X X X X X X X X X X X X X X X X X X X X X
Itaperuna RJ
X X X X X X X X X X X X X X X X X X X X X X X
São João de Meriti RJ
X X X X X X X X X X X X X X X X X X X X X X X
Iguaba Grande RJ
X X X X X X X X X X X X X X X X X X X X X X
Silva Jardim RJ
X X X X X X X X X X X X X X X X X X X X X X
São José de Ubá RJ
X X X X X X X X X X X X X X X X X X X X X
Araruama RJ
Campos dos Goytacazes RJ
Magé RJ
Rio Bonito RJ
Teresópolis RJ

E será que existem muitos RPPS na situação de não ter entregue nada no período?

tabela_entrega_dair <- tabela_entrega_dair %>%
  rowwise() %>% 
  mutate(qtd_periodos = sum(str_count(c_across(3:32), "-"))) %>% 
  as_tibble()

tabela_entrega_dair%>% 
  filter(qtd_periodos == max(qtd_periodos)) %>% 
  nrow()
[1] 232

Tem-se que 232 RPPS não entregaram o DAIR à SPREV no período considerado.

Algum do ERJ?

tabela_entrega_dair%>% 
  filter(qtd_periodos == max(qtd_periodos), UF == "RJ") %>% 
  kbl() %>% 
  kable_paper(full_width = FALSE) %>% 
  scroll_box(width = "700px", height = "300px")
ENTE UF 2020-09-01 2020-08-01 2020-07-01 2020-06-01 2020-05-01 2020-04-01 2020-03-01 2020-02-01 2020-01-01 2019-12-01 2019-11-01 2019-10-01 2019-09-01 2019-08-01 2019-07-01 2019-06-01 2019-05-01 2019-04-01 2019-03-01 2019-02-01 2019-01-01 2018-12-01 2018-11-01 2018-10-01 2018-09-01 2018-08-01 2018-07-01 2018-06-01 2018-05-01 2018-04-01 qtd_periodos
Araruama RJ
30
Campos dos Goytacazes RJ
30
Magé RJ
30
Rio Bonito RJ
30
Teresópolis RJ
30

Ainda são possíveis outras análises as quais serão acrescidas a este capítulo ao longo das revisões do documento.