3.1 Análise dos dados

Inicialmente irei importar as informações sobre as prestações de contas dos candidatos na eleição de 2020 para o R como um data frame. Para as análises posteriores utilizarei as bibliotecas dplyr e tidyr para a manipulação dos dados e a biblioteca ineq para os cálculos dos indicadores de desigualdade.

Visando um melhor desempenho computacional, irei analisar apenas os candidatos ao cargo de prefeito. Nesse caso, construí um data frame de nome prefeitos onde permanecem apenas as informações sobre as receitas dos candidatos ao cargo de prefeito no ano de 2020 cuja arrecadação foi atribuída ao fundo partidário. A partir do procedimento a seguir, é possível observar que considerando apenas os candidatos ao cargo de prefeito, o CIDADANIA foi o partido com a menor parcela do fundo partidário, o que equivale a aproximadamente 0,30% do valor total destinado aos prefeitos em 2020. Já o PL obteve a maior participação, sendo responsável por deter cerca de 16,39% do valor total do fundo partidário destinado aos prefeitos em 2020.

dt <- prefeitos %>% 
  group_by(SG_PARTIDO) %>% 
  summarise(valor = (sum(VR_RECEITA, na.rm = T))/(sum(pop, na.rm = T))) %>% 
  arrange(valor) %>% 
  mutate(participacao = paste(round((valor/sum(valor))*100,4), "%", sep = ""))
knitr::kable(dt, "simple")

3.2 Mensurando a desigualdade

O procedimento a seguir demonstra a formulação da Curva de Lorenz para as receitas decorrentes do fundo partidário em relação aos candidatos ao cargo de prefeito em 2020. O resultado mostra que a desigualdade da distribuição é relativamente alta, uma vez que a distância entre a linha de perfeita igualdade e a Curva de Lorenz é relativamente grande.

dt <- prefeitos %>%
  drop_na(pop) %>% 
  group_by(NR_CPF_CANDIDATO) %>%
  summarise(receita = (sum(VR_RECEITA, na.rm = T))/(sum(pop, na.rm = T)))
plot(Lc(dt$receita), xlab = "Proporção acumulada de prefeitos", ylab = "Proporção acumulada das receitas", 
     main = "")

O próximo resultado mostra o valor do índice de Gini para a distribuição das receitas decorrentes do fundo partidário em relação aos candidatos ao cargo de prefeito em 2020. O valor obtido para o índice de Gini (0,67) demonstra que existe uma elevada desigualdade na distribuição dos valores do fundo partidário entre os candidatos ao cargo de prefeito. O resultado indica que possivelmente poucos candidatos detinham uma grande parcela dos recursos do fundo partidário, enquanto muitos candidatos obtiveram uma menor receita oriunda do referido fundo.

print(sprintf("Índice de Gini: %f", ineq(dt$receita,type="Gini")))
FALSE [1] "Índice de Gini: 0.673437"

O próximo procedimento demonstra o valor do índice de Gini para os candidatos a prefeito por partido. Os resultados mostram que o PROS e o PC do B são os partidos com os maiores níveis de desigualdade, os quais obtiveram os valores aproximados para o índice de Gini de 0,79 e 0,74, respectivamente. Em contrapartida, o PRTB e o partido mais igualitário no que diz respeito a distribuição dos recursos do fundo partidário entre os candidatos ao cargo de prefeito, possuindo uma distribuição praticamente igualitária, representada por um índice de Gini de aproximadamente 0,004. Após o PRTB, o partido mais igualitário é o PMN, com um índice de Gini de aproximadamente 0,32.

dt <- prefeitos %>% 
  group_by(NR_CPF_CANDIDATO, SG_PARTIDO) %>%
  summarise(receita = (sum(VR_RECEITA, na.rm = T))/(sum(pop, na.rm = T)))
FALSE `summarise()` has grouped output by 'NR_CPF_CANDIDATO'. You can override using the `.groups` argument.

dt2 <- data.frame()
for(i in unique(dt$SG_PARTIDO)){
  dt1 <- dt %>% filter(SG_PARTIDO == i)
  dt3 <- data.frame(Partido = i, Gini = ineq(dt1$receita,type="Gini"))
  dt2 <- rbind(dt2, dt3)
}
knitr::kable(dt2, "simple")

4.1 Análise dos dados

O maior número de observações permite que seja feita uma análise mais detalhada para os candidatos ao cargo de vereador. O procedimento abaixo mostra o valor total para cada 100.000 habitantes e a participação de cada partido em relação ao fundo eleitoral destinado às despesas de campanha dos candidatos ao cargo de vereador. De uma maneira geral, os candidatos do DEM detiveram a menor parcela do FP em 2020 (0,28%), o que representa cerca de R\$ 24,69 para cada 100.000 habitantes dos municípios onde o referido partido registrou candidaturas ao cargo de vereador. Em contrapartida, a maior parcela do FP foi obtida pelo PCB (39,89%), o que corresponde a cerca de R$ 3533,40 para cada 100.000 habitantes dos municípios onde o referido partido registrou candidaturas ao cargo de vereador.

dt <- vereadores %>% 
  group_by(SG_PARTIDO) %>% 
  summarise(valor = (sum(VR_RECEITA, na.rm = T))/(sum(pop, na.rm = T))) %>% 
  arrange(valor) %>% 
  mutate(participacao = paste(round((valor/sum(valor))*100,4), "%", sep = ""))
knitr::kable(dt, "simple")

4.2 Distribuição por sexo

O código abaixo mostra os procedimentos necessários para a obtenção da distribuição do FP por sexo segundo o partido político. Os resultados mostram que de uma maneira geral, as mulheres recebem uma maior parcela do FP em comparação com os valores recebidos pelos candidatos do sexo masculino ao cargo do vereador. Vale destacar que o partido NOVO teve apenas um único candidato beneficiado pelo FP, sendo este candidato do sexo feminino. Em contrapartida, o PCB teve apenas um candidato beneficiado com os recursos do FP, sendo este candidato do sexo masculino. Excluindo-se estes dois partidos, o PRTB foi o partido que destinou a maior porcentagem do FP (57,23%) para os candidatos do sexo masculino, enquanto o PODE destinou a maior porcentagem do FP (89,20) para os candidatos do sexo feminino.

dt <- vereadores %>% 
  group_by(SG_PARTIDO, DS_GENERO) %>% 
  summarise(valor = (sum(VR_RECEITA, na.rm = T))/(sum(pop, na.rm = T))) %>% 
  arrange(valor) %>% group_by(SG_PARTIDO) %>% 
  mutate(participacao = paste(round((valor/sum(valor))*100,4), "%", sep = ""))
## `summarise()` has grouped output by 'SG_PARTIDO'. You can override using the `.groups` argument.
homens <- dt[dt$DS_GENERO == "MASCULINO",][,c(1,4)]
names(homens) = c("Partido", "Participacao_homens")
mulheres <- dt[dt$DS_GENERO == "FEMININO",][,c(1,4)]
names(mulheres) = c("Partido", "Participacao_mulheres")
por_sexo <- data.frame(Partido = dt$SG_PARTIDO[duplicated(dt$SG_PARTIDO)==F]) %>% 
  left_join(homens, by ="Partido") %>% 
  left_join(mulheres, by ="Partido") %>% arrange(Partido)
knitr::kable(por_sexo, "simple")

4.3 Distribuição por cor

Abaixo estão demonstrados os percentuais da distribuição dos recursos do FP de acordo com a cor do candidato de cada partido. É possível notar que, desconsiderando os partidos NOVO e PCB, os partidos PSC, PL e PMB foram aqueles que destinaram as maiores porcentagem do FP para os candidatos autodeclarados amarelos, indígenas e pardos, respectivamente. Além disso, o PSTU foi o partido que destinou as maiores porcentagens do FP para os candidatos autodeclarados brancos e pretos. Os valores destacados como NA representam os valores nulos destinados aos candidatos ao cargo de vereador.

dt <- vereadores %>% 
  group_by(SG_PARTIDO, DS_COR_RACA) %>% 
  summarise(valor = (sum(VR_RECEITA, na.rm = T))/(sum(pop, na.rm = T))) %>% 
  arrange(valor) %>% group_by(SG_PARTIDO) %>% 
  mutate(participacao = paste(round((valor/sum(valor))*100,4), "%", sep = ""))
## `summarise()` has grouped output by 'SG_PARTIDO'. You can override using the `.groups` argument.

nao_inf <- dt[dt$DS_COR_RACA == "SEM INFORMAÇÃO",][,c(1,4)]
names(nao_inf) = c("Partido", "Sem_Informacao")
amarelo <- dt[dt$DS_COR_RACA == "AMARELA",][,c(1,4)]
names(amarelo) = c("Partido", "Amarelos")
branco <- dt[dt$DS_COR_RACA == "BRANCA",][,c(1,4)]
names(branco) = c("Partido", "Brancos")
indios <- dt[dt$DS_COR_RACA == "INDÍGENA",][,c(1,4)]
names(indios) = c("Partido", "Indigenas")
pardos <- dt[dt$DS_COR_RACA == "PARDA",][,c(1,4)]
names(pardos) = c("Partido", "Pardos")
pretos <- dt[dt$DS_COR_RACA == "PRETA",][,c(1,4)]
names(pretos) = c("Partido", "Pretos")
por_cor <- data.frame(Partido = dt$SG_PARTIDO[duplicated(dt$SG_PARTIDO)==F]) %>% 
  left_join(nao_inf, by ="Partido") %>% 
  left_join(amarelo, by ="Partido") %>% 
  left_join(branco, by ="Partido")%>% 
  left_join(indios, by ="Partido")%>% 
  left_join(pardos, by ="Partido")%>% 
  left_join(pretos, by ="Partido") %>% arrange(Partido)
knitr::kable(por_cor, "simple")

4.4 Curva de Lorenz

A Curva de Lorenz para a distribuição do FP para os candidatos ao cargo de vereador mostra que os valores são distribuídos de uma maneira bastante desigual, assim como observado para a distribuição do FP para os candidatos ao cargo de prefeito. Nesse caso, a Curva de Lorenz mostra que para que a distribuição seja mais igualitária, é preciso redistribuir os valores de maneira a beneficiar mais aqueles candidatos situados na base da distribuição em detrimento daqueles candidatos no topo da distribuição.

dt <- vereadores %>%
  drop_na(pop) %>% 
  group_by(NR_CPF_CANDIDATO) %>%
  summarise(receita = (sum(VR_RECEITA, na.rm = T))/(sum(pop, na.rm = T)))
plot(Lc(dt$receita), xlab = "Proporção acumulada de prefeitos", ylab = "Proporção acumulada das receitas", 
     main = "")

4.5 Curva de Lorenz por sexo

Quando a Curva de Lorenz da distribuição do FP é analisada por sexo, os resultados mostram que a desigualdade é elevada para ambos os sexos, diferenciando-se entre os casos em uma pequena escala. É possível notar que as duas curvas são bastante semelhantes, indicando que dentre ambos os sexos a desigualdade é elevada e com valor semelhante.

for(i in unique(vereadores$DS_GENERO)){
  dt <- vereadores %>%
  drop_na(pop) %>% filter(DS_GENERO == i) %>%
  group_by(NR_CPF_CANDIDATO) %>%
  summarise(receita = (sum(VR_RECEITA, na.rm = T))/(sum(pop, na.rm = T)))
plot(Lc(dt$receita), xlab = sprintf("Proporção acumulada de vereadores do sexo %s", tolower(i)), ylab = "Proporção acumulada das receitas",
     main = "")
}

4.6 Índice de Gini

O valor do índice de Gini para a distribuição do FP foi de aproximadamente 0,83, o que demonstra que existe uma elevada desigualdade na distribuição dos recursos do referido benefício. Este resultado mostra que comparando os candidatos aos cargos de prefeito e vereador, a desigualdade é mais severa nos recursos destinados aos candidatos ao cargo de vereador. Nesse caso, um maior percentual dos recursos deveria ser realocado dos candidatos mais beneficiados para aqueles candidatos menos beneficiados a fim de que se obtivesse uma distribuição mais igualitária dos recursos do FP.

dt <- vereadores %>%
  drop_na(pop) %>% 
  group_by(NR_CPF_CANDIDATO) %>%
  summarise(receita = (sum(VR_RECEITA, na.rm = T))/(sum(pop, na.rm = T)))
print(sprintf("Índice de Gini: %f", ineq(dt$receita,type="Gini")))
FALSE [1] "Índice de Gini: 0.829721"

4.7 Índice de Gini por sexo

Os resultados obtidos para o índice de Gini entre candidatos do mesmo sexo demonstram que embora a desigualdade seja bastante alta em ambos os sexos, os candidatos do sexo feminino enfrentam uma maior desigualdade na distribuição dos recursos do FP. Enquanto entre os homens o índice de Gini é de aproximadamente 0,82, entre as mulheres o valor do índice é de aproximadamente 0,84. Com isso, caso o propósito seja obter uma distribuição mais igualitária para os recursos do FP entre os candidatos ao cargo de vereador, uma maior porcentagem dos valores deveria ser realocado das mulheres que recebem os maiores valores para aquelas mulheres beneficiadas com menores valores. A mesma observação é válida para os candidatos do sexo masculino, no entanto, essa realocação deveria ocorrer em um montante levemente inferior àquele necessário para tornar igualitária a distribuição dos recursos do FP destinados aos candidatos do sexo feminino.

for(i in unique(vereadores$DS_GENERO)){
  dt <- vereadores %>%
  drop_na(pop) %>% filter(DS_GENERO == i) %>% 
  group_by(NR_CPF_CANDIDATO) %>%
  summarise(receita = (sum(VR_RECEITA, na.rm = T))/(sum(pop, na.rm = T)))
print(sprintf("Índice de Gini para vereadores do sexo %s: %f", tolower(i), ineq(dt$receita,type="Gini")))
}
FALSE [1] "Índice de Gini para vereadores do sexo feminino: 0.839756"
FALSE [1] "Índice de Gini para vereadores do sexo masculino: 0.816592"

4.8 Índice de Gini por partido

O código abaixo demonstra os procedimentos necessários para a obtenção do índice de Gini de acordo com os partidos políticos. Desconsiderando os partidos NOVO, PCB e PSTU, os quais possuíam apenas 1, 1 e 6 candidatos beneficiários em 2020, respectivamente, observa-se que o PMB é o partido com uma distribuição mais igualitária para os recursos do FP destinado aos candidatos ao cargo de vereador, com um índice de Gini de aproximadamente 0,5. Em contrapartida, o PATRIOTA é o partido com a distribuição menos igualitária, com um índice de Gini de aproximadamente 0,92.

  dt <- vereadores %>%
  group_by(NR_CPF_CANDIDATO, SG_PARTIDO) %>%
  summarise(receita = (sum(VR_RECEITA, na.rm = T))/(sum(pop, na.rm = T))) 
FALSE `summarise()` has grouped output by 'NR_CPF_CANDIDATO'. You can override using the `.groups` argument.

dt2 <- data.frame()
for(i in unique(dt$SG_PARTIDO)){
  dt1 <- dt[dt$SG_PARTIDO==i,]
  dt1 <- dt1[dt1$receita != Inf,]
  gini <- data.frame(Partido = i, Gini = round(ineq(dt1$receita,type="Gini"),3))
  dt2 <- rbind(dt2, gini)
}
dt2 <- dt2 %>% arrange(Gini)
knitr::kable(dt2, "simple")