A partir da ideia de que há uma grande desigualdade social envolvida com a descriminação social, decidi ver qual é a relação que existe entre essa desigualdade com a descriminação racial em relação aos aposentados.
No site http://www.cartaforense.com.br/conteudo/colunas/previdencia-e-a-desigualdade-social/5757 é visto que a distribuição de renda se torna mais injusta com o sistema previdenciário brasileiro.
Para essa minha pesquisa, eu usei várias estatísticas qualitativas e quantitativas em uma ordem lógica que no final há uma conclusão acerca dessa relação estudada.
Porém, essa pequisa só tem relação com a aposentadoria governamental, sendo que aprivada é algo totalmente diferente e pode ser analisado do mesmo modo
In [4]:
%matplotlib inline
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import os
In [5]:
print('Esperamos trabalhar no diretório')
print(os.getcwd())
In [6]:
"""Vamos ler a estrutura da PNAD como um dataframe.
São muitas colunas e precisamos usar a informação de tamanho para ler a PNAD de fato
como uma base de tamanho fixo"""
estrutura = pd.read_table("pes_py.txt", sep=";")
In [7]:
estrutura.head()
Out[7]:
In [8]:
# Se quiser uma leitura mais rápida, use o arquivo descompactado. Não esqueça de adicionar ao seu .gitignore
pnad2014 = pd.read_fwf("PES2014.txt", widths=estrutura.Tamanho, header=None)
In [9]:
pnad2014
Out[9]:
In [10]:
estrutura.columns
Out[10]:
In [11]:
pnad2014.columns = estrutura.Coluna
In [12]:
pnad2014.head()
Out[12]:
In [219]:
#Porcentagem de homens e mulheres aposentados no Brasil
In [121]:
pnad2014.Aposentados = pnad2014[pnad2014.V9122 == 2].V0302.astype('category')
In [118]:
pnad2014.Aposentados.cat.categories = ('Homem', 'Mulher')
In [119]:
pnad2014.Aposentados.value_counts(True)*100
Out[119]:
In [114]:
pizza1 = pnad2014.Aposentados.value_counts(True)*100
pizza1.plot(kind='pie', colors=('blue', 'red'), autopct="%0.2f",legend=False)
plt.title("Aposentados")
Out[114]:
In [19]:
#Quantidade de aposentados homens por cidade brasileira
In [ ]:
In [153]:
pnad2014.Regioes = pnad2014[(pnad2014.V9122 == 2)&(pnad2014.V0302 == 2)].UF.astype('category')
In [22]:
pnad2014.Regioes.cat.categories = ('Rondônia', 'Acre', 'Amazonas', 'Roraima', 'Pará', 'Amapá', 'Tocantins', 'Maranhão',
'Piauí', 'Ceará', 'Rio Grande do Norte', 'Paraíba', 'Pernambuco', 'Alagoas', 'Sergipe',
'Bahia', 'Minas Gerais', 'Espírito Santo', 'Rio de Janeiro', 'São Paulo', 'Paraná',
'Santa Catarina', 'Rio Grande do Sul', 'Mato Grosso do Sul', 'Mato Grosso', 'Goiás',
'Distrito Federal')
pnad2014.Regioes.value_counts()
Out[22]:
In [73]:
barraH = pnad2014.Regioes.value_counts()
barraH.plot(kind='bar', color=('blue', 'red'), legend=False)
plt.title('Aposentados Homens/Região')
Out[73]:
In [24]:
#Qual é a raça desses aposentados homens
In [ ]:
In [128]:
pnad2014.Raca = pnad2014[(pnad2014.V9122 == 2)&(pnad2014.V0302 == 2)].V0404.astype('category')
In [129]:
pnad2014.Raca.cat.categories = ('Indígena','Branca', 'Preta', 'Amarela', 'Parda')
In [151]:
barraRaca = pnad2014.Raca.value_counts()
barraRaca.plot(kind='bar', color=('white', 'brown', 'black', 'yellow','brown'), legend=False)
plt.title("Raça dos homens aposentados")
Out[151]:
In [146]:
pnad2014[(pnad2014.V0404 == 4)&(pnad2014.V8005>=60)] #Quantidade Negros
Out[146]:
In [ ]:
#Só metade dos negros conseguem pagar o inss e receber a aposentadoria
In [147]:
pnad2014[(pnad2014.V0404 == 2)&(pnad2014.V8005>=60)]
Out[147]:
In [ ]:
#Menos da metade dos brancos conseguem pagar o inss e receber a aposentadoria
In [148]:
pnad2014[(pnad2014.V0404 == 8)&(pnad2014.V8005>=60)]
Out[148]:
In [ ]:
#Quase metade dos pardos conseguem pagar o inss e receber a aposentadoria
In [149]:
#Qual a escolaridade desses aposentados homens
In [131]:
pnad2014.Educação = pnad2014[(pnad2014.V9122 == 2)&(pnad2014.V0302 == 2)&(pnad2014.V6007 >= 1)&(pnad2014.V6007 < 10)].V6007.astype('category')
In [132]:
pnad2014.Educação.cat.categories = ('Elementar','Médio 1° ciclo', 'Médio 2° ciclo', 'Ensino Fundamental', 'Ensino Médio',
'Supletivo 1° grau', 'Supletivo 2° grau', 'Superior', 'Mestrado ou Doutorado')
In [133]:
barraEdu = pnad2014.Educação.value_counts()
barraEdu.plot(kind='bar', color=('red', 'black'), legend=False)
plt.title("Escolaridade")
Out[133]:
In [84]:
#Qual a relaçao de escolaridade com raça entre esses aposentados homens no Brasil
In [85]:
pnad2014.Educação.value_counts(True)*100
pnad2014.Raca.value_counts(True)*100
Out[85]:
In [88]:
ct = pd.crosstab(pnad2014.Raca, pnad2014.Educação)
ct
Out[88]:
In [36]:
#Diferenças nas educações entre diferentes raças em sp
In [37]:
raca_sp = pnad2014.Raca[pnad2014.Regioes == 'São Paulo'].value_counts()
raca_sp.plot(kind='pie',autopct="%.2f",legend=False)
plt.title("Raça de aposentados em SP")
Out[37]:
In [38]:
edu_sp1 = pnad2014.Educação[pnad2014.Raca == 'Branca'].value_counts(True)*100
edu_sp1.plot(kind='pie', autopct="%.2f",legend = False)
plt.title("Educação aos Brancos em SP")
Out[38]:
In [ ]:
In [ ]:
In [39]:
edu_sp2 = pnad2014.Educação[pnad2014.Raca == 'Preta'].value_counts(True)*100
edu_sp2.plot(kind='pie', autopct="%.2f",legend = False)
plt.title("Educação aos Pretos em SP")
Out[39]:
In [ ]:
#
In [40]:
edu_sp3 = pnad2014.Educação[pnad2014.Raca == 'Parda'].value_counts(True)*100
edu_sp3.plot(kind='pie', autopct="%.2f",legend = False)
plt.title("Educação aos Pardos em SP")
Out[40]:
In [ ]:
In [185]:
pnad2014.Renda = pnad2014[(pnad2014.V9122 == 2)&(pnad2014.V0302 == 2)&(pnad2014.V0404 == 2)&(pnad2014.UF==35)&(pnad2014.V4743>=0)&(pnad2014.V4743<=7)].V4743.astype('category')
In [186]:
pnad2014.Renda.cat.categories = ('Até ¼ salário mínimo', 'Mais de ¼ até ½ salário mínimo',
'Mais de ½ até 1 salário mínimo', 'Mais de 1 até 2 salários mínimos',
'Mais de 2 até 3 salários mínimos','Mais de 3 até 5 salários mínimos',
'Mais de 5 salários mínimos')
In [200]:
barraRendaP = pnad2014.Renda.value_counts()
barraRendaP.plot(kind='bar', color=('white'), legend=False)
plt.title("Renda aposentados brancos")
Out[200]:
In [188]:
pnad2014.Renda2 = pnad2014[(pnad2014.V9122 == 2)&(pnad2014.V0302 == 2)&(pnad2014.V0404==4)&(pnad2014.UF==35)&(pnad2014.V4743>=0)&(pnad2014.V4743<=7)].V4743.astype('category')
In [189]:
pnad2014.Renda2.cat.categories = ('Até ¼ salário mínimo', 'Mais de ¼ até ½ salário mínimo',
'Mais de ½ até 1 salário mínimo', 'Mais de 1 até 2 salários mínimos',
'Mais de 2 até 3 salários mínimos','Mais de 3 até 5 salários mínimos',
'Mais de 5 salários mínimos')
In [191]:
barraRendaB = pnad2014.Renda2.value_counts()
barraRendaB.plot(kind='bar', color=('black'), legend=False)
plt.title("Renda aposentados pretos")
Out[191]:
In [213]:
pnad2014.Renda3 = pnad2014[(pnad2014.V9122 == 2)&(pnad2014.V0302 == 2)&(pnad2014.V0404==8)&(pnad2014.UF==35)&(pnad2014.V4743>=1)&(pnad2014.V4743<=7)].V4743.astype('category')
In [214]:
pnad2014.Renda3.cat.categories = ( 'Mais de ¼ até ½ salário mínimo',
'Mais de ½ até 1 salário mínimo', 'Mais de 1 até 2 salários mínimos',
'Mais de 2 até 3 salários mínimos','Mais de 3 até 5 salários mínimos',
'Mais de 5 salários mínimos')
In [215]:
barraRendaPa = pnad2014.Renda3.value_counts()
barraRendaPa.plot(kind='bar', color=('brown'), legend=False)
plt.title("Renda aposentados pardos")
Out[215]:
Após ver que a população aposentada é bem parecida entre homens e mulheres, conclui que os dados vão acabar sendo parecidos e decidi pegar os homens para análise.
A maioria da população masculina que tem melhores condições de pagar INSS e receber a aposentadodia, fica nas áreas ricas do Brasil, nos famosos centros comerciais, como São Paulo, Rio de Janeiro, Rio Grande do Sul e etc.
Além disso, a divisão étnica desses aposentados se diferem bastante, tendo uma maioria brancos, pardos e negros, mas desconsiderando indigenas e amarelos por realmente não estarem em grandes quantidades no Brasil, há uma grande diferença entre a quantidade de negros e brancos, mostrando uma ideia de que os negros em geral nao conseguem pagar esse INSS e portanto há uma grande diferença na distribuição da renda brasileira.
Porém, ao analisarmos a quantidade total de pessoas acima dos 60 anos no Brasil (idade que se pode receber a aposentadoria em geral), vemos que tanto com brancos, pretos e pardos, apenas metade da população de cada raça consegue receber esse benefício, ou seja, não é apenas a população negra que não cosnsegue pagar ou não veem beneficio em pagar e sim todas.
Querendo ir mais fundo nesse assunto, decidi ver a escolaridade e a renda dessas pessoas e percebi que aqueles que usufruem desse beneficio possuem quase as mesmas caracteristicas de escolarização, sendo muito precária ,já que aproximadamente, apenas 15% de cada raça fizeram curso superior (vendo apenas em São Paulo, cidade mais populosa no quesito de aposentados).
A seguir, analisei quantas pessoas existem em cada grupo,na qual cada grupo representa a quantidade de renda das pessoas em salários mínimos. Todas as raças são aproximadamente iguais, tendo uma maioria no grupo de 1 a 2 salarios mínimos.
Ou seja, a previdência pública, mesmo que dando mais dinheiro a aqueles que cuntribuem mais para o governo, não aparenta ser o fator determinante e contribuidor da desigualdade social em relação com a desigualdade étnica, já que ela é defasada, precária e prejudica a todos, não ajudando em nenhum setor social.
In [ ]: