Bibliotecas

rm(list=ls())               # limpa os objetos da ultima execução
options(scipen = 9999,      # inibe exibição de resultaos em notação científica
        digits = 8,         # limita o número de digitos das saídas do programa
        max.print = 6)      # limita o tamanho da saída do programa

library(demography)         # pacote para manipulação de dados demográficos
library(sidrar)             # pacote para manipulação de dados do SIDRA
library(magrittr)           # pacote para operadores semânticos %>%, %$%
library(dplyr)              # pacote para manipulação de dados
library(tidyr)              # pacote para manipulação de dados
library(kableExtra)         # pacote para formatar tabelas
library(readxl)             # pacote para ler e manipular arquivos xlsx
library(ggplot2)            # pacote para elaboração de gráficos
library(MortalityTables)    # pacote para manipulação de tábuas biométricas
library(knitr)              # pacote para visualização 
library(DT)                 # pacote para formatar tabelas
library(janitor)            # pacote para limpeza de nomes de colunas
library(shiny)              # pacote para criar aplicativos web

Obs.: Para a realização dos cálculos a seguir, considere os municípios de João Pessoa, Recife, Natal e Fortaleza, no ano de 2022. Utilize a Tabela 9514.

Dados e Manipulações

# Dados
pop_data <- list(
  pop_jpa = get_sidra(x = 9514, geo = 'City', geo.filter = '2507507'),
  pop_rec = get_sidra(x = 9514, geo = 'City', geo.filter = '2611606'),
  pop_nat = get_sidra(x = 9514, geo = 'City', geo.filter = '2408102'),
  pop_for = get_sidra(x = 9514, geo = 'City', geo.filter = '2304400')
)

# Renomear colunas
pop_data <- lapply(pop_data, function(data) {
  data %>%
    clean_names()  # Remove caracteres problemáticos
})

process_population_data <- function(data) {
  data %>%
    filter(forma_de_declaracao_da_idade == "Total") %>%
    select(municipio, ano, sexo, idade, valor) %>%
    rename(grupo_de_idade = idade) %>%
    pivot_wider(
      names_from = sexo,
      values_from = valor
    ) %>%
    mutate(grupo_de_idade = factor(grupo_de_idade, levels = c(
      "0 a 4 anos", "1 a 4 anos", "5 a 9 anos", "10 a 14 anos", 
      "15 a 19 anos", "20 a 24 anos", "25 a 29 anos", "30 a 34 anos", "35 a 39 anos",
      "40 a 44 anos", "45 a 49 anos", "50 a 54 anos", "55 a 59 anos", "60 a 64 anos", 
      "65 a 69 anos", "70 a 74 anos", "75 a 79 anos", "80 a 84 anos", "85 a 89 anos", 
      "90 a 94 anos", "95 a 99 anos", "100 anos ou mais"))) %>%
    arrange(grupo_de_idade) %>%
    drop_na(grupo_de_idade)
}

# Aplicar a função a todos os conjuntos de dados
pop_data <- lapply(pop_data, process_population_data)

Questão 1

Calcule o índice de envelhecimento para a população de homens, de mulheres e total de cada um dos quatro municípios, referente ao ano de 2022, e analise os resultados.

library(dplyr)

# Função para calcular o índice de envelhecimento
calc_indice_envelhecimento <- function(data) {
  # Filtrar grupos etários relevantes
  grupo_65_ou_mais <- data %>%
    filter(`grupo_de_idade` %in% c(
      "65 a 69 anos", "70 a 74 anos", "75 a 79 anos", 
      "80 a 84 anos", "85 a 89 anos", "90 a 94 anos", 
      "95 a 99 anos", "100 anos ou mais"
    )) %>%
    summarise(across(c(`Homens`, `Mulheres`, `Total`), ~ sum(.x, na.rm = TRUE)))
  
  grupo_15_ou_menos <- data %>%
    filter(`grupo_de_idade` %in% c("0 a 4 anos", "5 a 9 anos", "10 a 14 anos")) %>%
    summarise(across(c(`Homens`, `Mulheres`, `Total`), ~ sum(.x, na.rm = TRUE)))
  
  # Calcular o índice de envelhecimento
  indice <- (grupo_65_ou_mais / grupo_15_ou_menos) * 100  # Converter para percentual
  return(indice)
}

# Aplicar a função aos conjuntos de dados
indices <- lapply(pop_data, calc_indice_envelhecimento)

# Converter os resultados em uma tabela
resultados <- do.call(rbind, indices) %>%
  as.data.frame() %>%
  mutate(Município = c("João Pessoa", "Recife", "Natal", "Fortaleza")) %>%
  rename(
    `Índice Homens (%)` = Homens, 
    `Índice Mulheres (%)` = Mulheres,
    `Índice Total (%)` = Total
  )

# Reorganizar a tabela
resultados <- resultados %>%
  select(`Município`, `Índice Homens (%)`, `Índice Mulheres (%)`, `Índice Total (%)`)

# Gerar a tabela com kable
kable(resultados, format = "html", escape = FALSE) %>%
  kable_styling(bootstrap_options = c("striped", "hover"))
Município Índice Homens (%) Índice Mulheres (%) Índice Total (%)
pop_jpa João Pessoa 39.055307 65.890407 52.187648
pop_rec Recife 48.815627 90.119250 69.040974
pop_nat Natal 48.894900 83.026014 65.555212
pop_for Fortaleza 41.507726 71.126805 56.031332

Análise

Os resultados do índice de envelhecimento revelam diferenças marcantes entre os municípios analisados. Recife apresenta o maior índice total (69,04%), seguido por Natal (65,56%), Fortaleza (56,03%) e João Pessoa (52,19%). Isso indica que Recife e Natal possuem populações proporcionalmente mais idosas, enquanto Fortaleza e João Pessoa têm uma estrutura etária relativamente mais jovem.

Em todos os municípios, o índice de envelhecimento das mulheres supera o dos homens, refletindo a maior expectativa de vida feminina. Recife destaca-se pela alta proporção de mulheres idosas (90,12%), enquanto Fortaleza, com o menor índice total, ainda demonstra uma diferença significativa entre os gêneros. Essa predominância feminina no envelhecimento demanda atenção específica em políticas públicas.

O processo de envelhecimento populacional nos municípios nordestinos reforça a necessidade de adaptação em áreas como saúde, previdência e assistência social. Regiões com índices elevados, como Recife e Natal, enfrentam desafios maiores, exigindo planejamento voltado ao suporte dessa população crescente e mais longeva.

Questão 2

Calcule a idade mediana para a população de homens, de mulheres e total para cada um dos quatro municípios, referente a 2022, e analise os resultados.

# Função para calcular a idade mediana
calc_idade_mediana <- function(data) {
  # Definir limites inferiores das faixas etárias
  limites_inferiores <- c(
    0, 5, 10, 15, 20, 25, 30, 35, 40, 45, 
    50, 55, 60, 65, 70, 75, 80, 85, 90, 95, 100
  )
  grupos_idade <- c(
    "0 a 4 anos", "5 a 9 anos", "10 a 14 anos", "15 a 19 anos", 
    "20 a 24 anos", "25 a 29 anos", "30 a 34 anos", "35 a 39 anos", 
    "40 a 44 anos", "45 a 49 anos", "50 a 54 anos", "55 a 59 anos", 
    "60 a 64 anos", "65 a 69 anos", "70 a 74 anos", "75 a 79 anos", 
    "80 a 84 anos", "85 a 89 anos", "90 a 94 anos", "95 a 99 anos", 
    "100 anos ou mais"
  )
  
  # Adicionar limite inferior ao dataset
  data <- data %>%
    mutate(Limite_Inferior = limites_inferiores[match(`grupo_de_idade`, grupos_idade)])
  
  # Função auxiliar para calcular a mediana para cada coluna (Homens, Mulheres, Total)
  calcular_mediana <- function(freq) {
    freq_acumulada <- cumsum(freq)                # Frequência acumulada
    total <- sum(freq, na.rm = TRUE)              # Soma total das frequências
    mediana_pos <- total / 2                      # Posição da mediana
    classe_mediana <- which(freq_acumulada >= mediana_pos)[1]  # Classe da mediana
    freq_anterior <- ifelse(classe_mediana == 1, 0, freq_acumulada[classe_mediana - 1])
    amplitude <- 5                                # Amplitude fixa das classes
    limite_inferior <- data$Limite_Inferior[classe_mediana]
    frequencia_classe <- freq[classe_mediana]
    
    # Cálculo da mediana
    mediana <- limite_inferior + 
      ((mediana_pos - freq_anterior) / frequencia_classe) * amplitude
    return(mediana)
  }
  
  # Aplicar a função para Homens, Mulheres e Total
  medianas <- data.frame(
    `Idade Mediana Homens` = calcular_mediana(data$Homens),
    `Idade Mediana Mulheres` = calcular_mediana(data$Mulheres),
    `Idade Mediana Total` = calcular_mediana(data$Total)
  )
  
  return(medianas)
}

# Aplicar a função aos conjuntos de dados
median_results <- lapply(pop_data, calc_idade_mediana)

# Converter os resultados em uma tabela
mediana_tabela <- do.call(rbind, median_results) %>%
  as.data.frame() %>%
  mutate(Município = c("João Pessoa", "Recife", "Natal", "Fortaleza")) %>%
  select(Município, everything())

# Gerar a tabela com kable
kable(mediana_tabela, format = "html", escape = FALSE) %>%
  kable_styling(bootstrap_options = c("striped", "hover"))
Município Idade.Mediana.Homens Idade.Mediana.Mulheres Idade.Mediana.Total
pop_jpa João Pessoa 33.178471 36.800043 35.144955
pop_rec Recife 34.875507 39.461500 37.346447
pop_nat Natal 34.239046 38.282427 36.417102
pop_for Fortaleza 33.295159 37.011916 35.287602

Análise

Os resultados indicam que a idade mediana das populações varia entre os municípios e entre os sexos. Em termos gerais, as mulheres têm uma idade mediana superior à dos homens em todos os municípios, refletindo a tendência observada em muitas populações, onde as mulheres tendem a viver mais. O município de Recife apresenta a maior idade mediana para as mulheres (39,46 anos), enquanto João Pessoa tem a mediana mais baixa para homens (33,18 anos).

Entre os municípios, Recife tem a maior idade mediana total (37,35 anos), seguido por Natal (36,42 anos), indicando uma população um pouco mais envelhecida em comparação com João Pessoa (35,14 anos) e Fortaleza (35,29 anos). Essa diferença pode estar relacionada a fatores demográficos e socioeconômicos específicos de cada região, como a migração de populações mais jovens para áreas urbanas ou a maior presença de idosos em determinadas cidades.

No geral, os dados refletem um cenário comum em regiões urbanas do Brasil, onde as mulheres apresentam uma expectativa de vida mais alta e, portanto, uma idade mediana maior. As variações nas idades medianas entre as cidades sugerem diferenças nas dinâmicas demográficas e nos desafios que cada local pode enfrentar em termos de planejamento urbano, saúde e serviços para a população idosa.

Questão 3

Calcule a razão de sexo por faixa etária para os quatro municípios, referente a 2022. O que você diria a respeito dos resultados encontrados?

# Função para calcular a razão de sexo por faixa etária
calcular_razao_sexo <- function(data) {
  # Calculando a razão de sexo por faixa etária
  data_razao <- data %>%
    mutate(Razao_Sexo = (Homens / Mulheres) * 100) %>%
    select(`grupo_de_idade`, Razao_Sexo)
  
  return(data_razao)
}

# Aplicar a função aos conjuntos de dados para os quatro municípios
razao_results <- lapply(pop_data, calcular_razao_sexo)

# Organizar os resultados de forma que as faixas etárias fiquem em uma coluna e os municípios nas colunas subsequentes
# Primeiro, extraímos as faixas etárias e depois combinamos os resultados para cada cidade
faixas_etarias <- razao_results[[1]]$grupo_de_idade
razao_results_clean <- lapply(razao_results, function(x) x$Razao_Sexo)

# Criar uma tabela combinando as faixas etárias e as razões de sexo
razao_tabela <- data.frame(
  `Faixa Etária` = faixas_etarias,
  `João Pessoa (%)` = razao_results_clean[[1]],
  `Recife (%)` = razao_results_clean[[2]],
  `Natal (%)` = razao_results_clean[[3]],
  `Fortaleza (%)` = razao_results_clean[[4]]
)

# Exibir a tabela formatada com kable
kable(razao_tabela, format = "html", escape = FALSE) %>%
  kable_styling(bootstrap_options = c("striped", "hover"))
Faixa.Etária João.Pessoa…. Recife…. Natal…. Fortaleza….
0 a 4 anos 103.924721 102.910285 104.803074 104.285904
5 a 9 anos 103.928912 104.447318 104.941042 103.020659
10 a 14 anos 105.170662 105.171465 104.845098 104.555513
15 a 19 anos 101.559600 101.891188 101.379870 101.482401
20 a 24 anos 96.895773 99.739282 99.122747 97.437154
25 a 29 anos 93.536957 94.026052 95.172529 91.565419
30 a 34 anos 89.743882 88.951587 90.030757 89.593813
35 a 39 anos 87.972207 85.692163 86.627871 87.335690
40 a 44 anos 85.079271 84.857352 86.350289 84.722394
45 a 49 anos 82.003286 80.995708 82.047462 80.870452
50 a 54 anos 80.485342 79.236273 80.143033 79.886881
55 a 59 anos 77.244559 75.757405 76.511453 76.393206
60 a 64 anos 74.922698 72.467735 76.096334 73.857806
65 a 69 anos 70.670916 66.341540 70.218564 68.622366
70 a 74 anos 65.849867 60.232699 65.291729 64.021373
75 a 79 anos 61.652447 54.535514 60.620350 60.203469
80 a 84 anos 51.916984 45.966216 54.828424 51.652174
85 a 89 anos 43.449657 39.170562 44.222503 44.806031
90 a 94 anos 30.393788 30.648283 37.661692 37.228209
95 a 99 anos 27.788280 27.461140 31.462141 29.359244
100 anos ou mais 18.461538 16.955017 31.724138 25.797101

Análise

A análise da razão de sexo por faixa etária nos municípios de João Pessoa, Recife, Natal e Fortaleza revela diferenças importantes no padrão de envelhecimento da população em cada cidade, especialmente à medida que a faixa etária avança. Para as faixas etárias mais jovens, até 19 anos, a razão de sexo se mantém relativamente equilibrada, variando entre 104,8 e 101,4, com uma predominância de homens. Contudo, conforme a idade aumenta, a razão de sexo tende a se afastar da paridade, com uma predominância crescente de mulheres, especialmente nas faixas etárias mais avançadas, como 80 anos ou mais, onde a razão de sexo alcança valores muito baixos.

Nas faixas etárias mais avançadas, a diferença entre os sexos é notável. Em cidades como Recife e Fortaleza, a razão de sexo para as faixas etárias superiores a 80 anos diminui consideravelmente, indicando que há muito mais mulheres do que homens nessas faixas. Esse fenômeno é frequentemente atribuído à maior expectativa de vida das mulheres em comparação aos homens. Em Recife, por exemplo, a razão de sexo para a faixa de 100 anos ou mais é de apenas 16,96%, o que sugere um número muito menor de homens nesta faixa etária. Já em Natal, a razão de sexo para a mesma faixa etária é um pouco mais alta, mas ainda assim reflete uma desigualdade de gênero pronunciada.

É interessante observar que, embora as tendências gerais de envelhecimento e a predominância de mulheres nas faixas etárias mais altas sejam consistentes, as diferenças entre as cidades podem refletir características demográficas e socioeconômicas locais. João Pessoa e Natal, por exemplo, apresentam razões de sexo mais equilibradas nas faixas etárias iniciais em comparação com Recife e Fortaleza, onde a diferença entre os sexos tende a ser mais pronunciada. Isso pode indicar uma variação nos padrões de migração, fecundidade e mortalidade entre as regiões, influenciando as composições demográficas de maneira distinta.

Questão 4

Calcule a razão de dependência total, a razão de dependência jovem e a razão de dependência idosa para os quatro municípios, referente a 2022, e analise os resultados.

# Nomes das cidades
nomes_cidades <- c("João Pessoa", "Recife", "Natal", "Fortaleza")

# Função para calcular as razões de dependência
calcular_razao_dependencia <- function(data) {
  # Definindo os grupos de idade
  jovens <- data %>% filter(grupo_de_idade %in% c("0 a 4 anos", "5 a 9 anos", "10 a 14 anos")) %>%
    summarise(across(c(Homens, Mulheres, Total), ~ sum(.x, na.rm = TRUE)))
  
  ativos <- data %>% filter(grupo_de_idade %in% c(
    "15 a 19 anos", "20 a 24 anos", "25 a 29 anos", "30 a 34 anos", "35 a 39 anos",
    "40 a 44 anos", "45 a 49 anos", "50 a 54 anos", "55 a 59 anos", "60 a 64 anos")) %>%
    summarise(across(c(Homens, Mulheres, Total), ~ sum(.x, na.rm = TRUE)))
  
  idosos <- data %>% filter(grupo_de_idade %in% c(
    "65 a 69 anos", "70 a 74 anos", "75 a 79 anos", "80 a 84 anos", "85 a 89 anos",
    "90 a 94 anos", "95 a 99 anos", "100 anos ou mais")) %>%
    summarise(across(c(Homens, Mulheres, Total), ~ sum(.x, na.rm = TRUE)))
  
  # Calculando as razões
  rdt <- (jovens + idosos) / ativos * 100
  rdj <- jovens / ativos * 100
  rdi <- idosos / ativos * 100
  
  # Organizando em um data frame
  data.frame(
    Sexo = c("Homens", "Mulheres", "Total"),
    RDT = round(as.numeric(rdt), 2),
    RDJ = round(as.numeric(rdj), 2),
    RDI = round(as.numeric(rdi), 2)
  )
}

# Aplicar a função aos conjuntos de dados para os quatro municípios
dependencia_results <- lapply(pop_data, calcular_razao_dependencia)

# Adicionar os nomes das cidades
dependencia_tabela <- do.call(rbind, Map(cbind, Município = nomes_cidades, dependencia_results))

# Exibir a tabela formatada com kable
kable(dependencia_tabela, format = "html", escape = FALSE, col.names = c(
  "Município", "Sexo", "RDT (%)", "RDJ (%)", "RDI (%)")) %>%
  kable_styling(bootstrap_options = c("striped", "hover"))
Município Sexo RDT (%) RDJ (%) RDI (%)
João Pessoa.1 João Pessoa Homens 42.01 30.21 11.80
João Pessoa.2 João Pessoa Mulheres 41.99 25.31 16.68
João Pessoa.3 João Pessoa Total 42.00 27.60 14.40
Recife.1 Recife Homens 41.45 27.85 13.60
Recife.2 Recife Mulheres 43.85 23.07 20.79
Recife.3 Recife Total 42.74 25.28 17.46
Natal.1 Natal Homens 42.09 28.27 13.82
Natal.2 Natal Mulheres 43.22 23.61 19.60
Natal.3 Natal Total 42.69 25.79 16.90
Fortaleza.1 Fortaleza Homens 40.29 28.47 11.82
Fortaleza.2 Fortaleza Mulheres 40.70 23.78 16.92
Fortaleza.3 Fortaleza Total 40.51 25.96 14.55

Análise

A análise das razões de dependência total (RDT), jovem (RDJ) e idosa (RDI) para os municípios de João Pessoa, Recife, Natal e Fortaleza revela diferenças importantes nos perfis etários e de gênero dessas populações. João Pessoa apresenta uma RDT de aproximadamente 42% para ambos os sexos, com a dependência jovem contribuindo mais significativamente (27,6%) em relação à dependência idosa (14,4%). Essa configuração reflete uma população em transição demográfica, com redução no peso relativo das faixas etárias mais jovens e aumento gradual da dependência idosa, especialmente entre as mulheres (16,68%).

Recife e Natal exibem tendências semelhantes, mas com variações importantes na dependência idosa. Recife possui uma RDT total de 42,74%, sendo 17,46% provenientes de dependência idosa, mais acentuada entre mulheres (20,79%) em comparação aos homens (13,60%). Natal, por sua vez, apresenta uma RDT de 42,69%, com a dependência idosa (16,90%) também mais alta entre mulheres (19,60%). Esses padrões destacam o impacto do envelhecimento populacional, especialmente nas mulheres, que possuem maior expectativa de vida e, consequentemente, maior presença nas faixas etárias mais avançadas.

Fortaleza, com uma RDT total mais baixa (40,51%), destaca-se por apresentar uma dependência jovem (25,96%) levemente superior à idosa (14,55%). Entre os homens, a RDJ é maior (28,47%), enquanto a RDI atinge 16,92% entre as mulheres, refletindo o mesmo padrão de envelhecimento diferencial observado nas outras cidades. Esses resultados indicam que os municípios analisados estão em estágios semelhantes da transição demográfica, mas as variações nas razões de dependência, especialmente entre os gêneros, evidenciam desafios distintos na formulação de políticas públicas voltadas para educação, saúde e assistência à população idosa.

Questão 5

Construa a pirâmide etária para cada um dos quatro municípios, referente a 2022, e analise os resultados.

# Função para preparar os dados normalizados
preparar_piramide <- function(data, cidade) {
  total_pop <- sum(data$Homens + data$Mulheres, na.rm = TRUE)
  data <- data %>%
    select(grupo_de_idade, Homens, Mulheres) %>%
    mutate(
      Homens = -(Homens / total_pop) * 100,  # Tornar valores masculinos negativos e normalizar
      Mulheres = (Mulheres / total_pop) * 100,  # Normalizar
      Cidade = cidade
    )
  return(data)
}

# Preparar os dados para cada cidade
piramide_dados <- bind_rows(
  preparar_piramide(pop_data$pop_jpa, "João Pessoa"),
  preparar_piramide(pop_data$pop_rec, "Recife"),
  preparar_piramide(pop_data$pop_nat, "Natal"),
  preparar_piramide(pop_data$pop_for, "Fortaleza")
)

# Criar pirâmides etárias com mesma escala
ggplot(piramide_dados, aes(x = grupo_de_idade)) +
  geom_bar(aes(y = Homens, fill = "Homens"), stat = "identity") +
  geom_bar(aes(y = Mulheres, fill = "Mulheres"), stat = "identity") +
  scale_y_continuous(labels = abs, limits = c(-5, 5)) +  # Define os limites do eixo y
  coord_flip() +
  labs(
    title = "Pirâmide Etária (% da População)",
    x = "Faixa Etária",
    y = "Percentual da População",
    fill = "Sexo"
  ) +
  facet_wrap(~Cidade, ncol = 4) +  # Configura para uma coluna (vertical)
  theme_minimal(base_size = 10) +  # Aumenta o tamanho da fonte
  scale_fill_manual(values = c("Homens" = "blue", "Mulheres" = "pink")) +
  theme(
    legend.position = "bottom",  # Move a legenda para baixo
    legend.title = element_text(size = 12),  # Ajusta o tamanho do título da legenda
    legend.text = element_text(size = 10)    # Ajusta o tamanho do texto da legenda
  )

Análise

As pirâmides etárias apresentadas refletem as distribuições de população masculina e feminina em quatro municípios (Fortaleza, João Pessoa, Natal e Recife), expressas em percentuais da população total. A análise baseia-se nos formatos, amplitudes e características gerais das pirâmides:

  1. Base das pirâmides (jovens): Todos os municípios apresentam uma base relativamente estreita, indicando uma proporção menor de jovens em comparação com populações mais tradicionais ou em estágio inicial de transição demográfica. Isso sugere uma tendência de redução nas taxas de natalidade, consistente com padrões demográficos de urbanização e mudanças socioeconômicas.

  2. População adulta: A faixa intermediária (20 a 59 anos) apresenta as maiores proporções de população em ambos os sexos. Esse comportamento é típico de populações em transição demográfica, nas quais há um aumento relativo da população economicamente ativa. Essa tendência pode ser interpretada como uma oportunidade para a economia local, considerando a força de trabalho, mas também aponta para a necessidade de planejamento em educação e saúde.

  3. População idosa: A proporção de mulheres idosas é consistentemente maior que a de homens em todas as cidades, especialmente nas faixas de idade mais avançadas (acima de 70 anos). Esse fenômeno é associado à maior expectativa de vida feminina. As pirâmides também indicam um leve aumento na proporção de idosos, refletindo o envelhecimento populacional e possíveis pressões futuras em sistemas de saúde e previdência.

Essas pirâmides sugerem que os municípios analisados estão em estágios avançados de transição demográfica, com desafios e oportunidades relacionadas ao envelhecimento populacional e à redução da população jovem. Isso reforça a necessidade de políticas públicas que equilibrem crescimento econômico e investimentos sociais voltados para diferentes faixas etárias.

Questão 6

Qual dos quatro municípios apresenta estrutura etária mais envelhecida? Justifique sua resposta.

Análise

Com base nas tabelas e resultados apresentados, Recife é o município que apresenta a estrutura etária mais envelhecida. Essa conclusão é fundamentada pelos seguintes indicadores:

  1. Índice de Envelhecimento (razão entre a população com 65 anos ou mais e a população com 15 anos ou menos): Recife apresenta o maior índice total de envelhecimento (69,04%), superando os outros municípios. Isso reflete uma maior proporção relativa de idosos em comparação com jovens, indicando um processo de envelhecimento mais avançado.

  2. Idade Mediana: Recife possui as maiores idades medianas para os três grupos analisados (homens, mulheres e total), com destaque para as mulheres, cuja mediana é de 39,46 anos. Esse indicador mostra que metade da população já ultrapassou essa idade, reforçando o envelhecimento.

  3. Razão de Dependência Idosa (RDI): Recife também apresenta a maior RDI em todos os sexos (20,79% para mulheres e 17,46% no total). Isso significa que há uma maior carga de dependência econômica associada à população idosa em comparação com os outros municípios.

  4. Pirâmide Etária: A pirâmide etária de Recife tem uma base mais estreita e uma parte superior (população idosa) mais ampla em relação aos outros municípios, reforçando a menor proporção de jovens e a maior presença de idosos.

Esses fatores combinados indicam que Recife está em um estágio mais avançado de transição demográfica, com uma população significativamente envelhecida em relação a João Pessoa, Natal e Fortaleza.

Questão 7

Construa um gráfico com os grupos de idade no eixo x, os percentuais de cada grupo etário (apenas da população total) no eixo y, para o ano de 2022. Utilize uma linha para cada município. Como você interpreta esse gráfico?

# Preparar os dados para o gráfico
pop_df <- do.call(rbind, lapply(names(pop_data), function(city) {
  city_data <- pop_data[[city]]
  city_data$city <- switch(city, 
                           pop_jpa = "João Pessoa", 
                           pop_rec = "Recife", 
                           pop_nat = "Natal", 
                           pop_for = "Fortaleza")
  # Calcular percentuais em relação à população total da cidade
  city_data <- city_data %>%
    mutate(percentual = Total / sum(Total) * 100)
  return(city_data)
}))

# Plotando o gráfico
ggplot(pop_df, aes(x = grupo_de_idade, y = percentual, color = city, group = city)) +
  geom_line(linewidth = 1) +  # Usando 'linewidth' em vez de 'size'
  geom_point(size = 3) +
  labs(title = "Percentual de População por Faixa Etária (2022)",
       x = "Faixa Etária",
       y = "Percentual da População (%)",
       color = "Municípios") +  # Alterando o título da legenda
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Análise

O gráfico mostra a distribuição percentual da população por faixa etária em relação à população total de cada cidade (João Pessoa, Recife, Natal e Fortaleza) no ano de 2022. Observa-se que os perfis demográficos das quatro cidades são bastante similares, sugerindo uma homogeneidade na composição etária entre os municípios analisados.

As faixas etárias mais jovens, especialmente de 0 a 29 anos, concentram a maior parte da população, indicando uma base populacional ampla. Essa característica é comum em populações em crescimento ou com maior natalidade. A faixa economicamente ativa (15 a 59 anos) também representa uma parcela significativa da população, sendo um ponto crucial para o desenvolvimento socioeconômico das cidades.

Há uma diminuição gradativa nos percentuais conforme aumenta a idade, com uma queda mais acentuada a partir de 60 anos. Isso reflete a mortalidade natural nas faixas etárias mais avançadas. Ainda assim, a presença significativa de idosos (60+ anos) indica o impacto do aumento da expectativa de vida, um fator relevante para o planejamento de políticas públicas em saúde e previdência.

Essa distribuição etária homogênea destaca a importância de políticas integradas entre as cidades para atender às necessidades dos jovens, da população economicamente ativa e dos idosos. Além disso, o envelhecimento populacional merece atenção especial, sobretudo em estudos relacionados à previdência pública e ao impacto no INSS, alinhando-se aos interesses acadêmicos e profissionais em análise demográfica e gestão de riscos.