Contexto:

A educação básica pública no Brasil enfrenta historicamente diversos desafios, que vão desde a evasão escolar até a defasagem no aprendizado. No município do Recife, a Secretaria de Educação gerencia uma das maiores redes municipais do Nordeste, atendendo a dezenas de milhares de estudantes divididos em diversas modalidades, como Educação Infantil, Ensino Fundamental e Educação de Jovens e Adultos (EJA).

O biênio 2019-2020 é de particular interesse para pesquisadores e gestores públicos. O ano de 2019 representa um cenário educacional padrão, com aulas presenciais e o fluxo escolar seguindo seu curso natural. Já o ano de 2020 foi marcado pelo início da pandemia de COVID-19. Em março de 2020, as escolas foram fechadas e o ensino remoto emergencial foi implementado.

Esse choque de realidade obrigou redes de ensino a alterarem não apenas suas metodologias de ensino, mas também seus critérios de avaliação e aprovação. Muitas redes adotaram o chamado “continuum curricular” ou aprovação automática para mitigar os danos da exclusão digital e evitar a reprovação em massa de alunos que não tiveram acesso adequado à internet.

Sendo assim, analisar a situação final dos estudantes nesses dois anos nos permite observar o impacto quantitativo de uma das maiores crises sanitárias da história moderna na educação. Com esse recorte, responderemos a perguntas como “Houve uma alteração significativa nas taxas de aprovação e reprovação entre 2019 e 2020?”, “A taxa de evasão escolar (desistência) aumentou?” e “Como essas métricas se distribuem nas diferentes modalidades?”.

Origem dos Dados:

Os dados aqui trabalhados são provenientes do Portal de Dados Abertos da Prefeitura do Recife. O portal disponibiliza anualmente o conjunto de dados referente à “Situação Final” dos estudantes matriculados na rede municipal de ensino.

O arquivo utilizado nesta análise contém os dados de 2019 e 2020, somando mais de 190 mil matrículas. Os registros fornecem informações granulares sobre cada matrícula, incluindo o sexo do estudante, o bairro, a modalidade de ensino, a idade e a situação final do aluno ao término do ano letivo.

Carregamento dos dados

Aqui realizamos a leitura dos arquivos originais de 2019 e 2020, adicionamos a marcação do ano e unimos os dois em uma base única.

# Lendo os dados de 2019 e criando a coluna ano
df_2019 <- read_csv2("situacao_2019.csv", show_col_types = FALSE) %>%
  mutate(ano = "2019")

# Lendo os dados de 2020 e criando a coluna ano
df_2020 <- read_csv2("situacao_2020.csv", show_col_types = FALSE) %>%
  mutate(ano = "2020")

# Unindo os dois DataFrames
df_educacao <- bind_rows(df_2019, df_2020)

# Garantindo que os nomes das colunas fiquem em minúsculo
names(df_educacao) <- tolower(names(df_educacao))

Limpeza, Agrupamento e Conversão

A coluna situacao_nome possui muitas categorias (como “APROVADO”, “RETIDO”, “RETIDO POR FALTA”, “DESISTENTE”, etc). Para facilitar a visualização, criaremos uma coluna chamada macro_situacao que agrupa essas categorias em quatro grandes grupos lógicos.

# Criando a Macro-Situação e consertando erros de digitação
df_educacao <- df_educacao %>%
  mutate(
    # Consertando o erro de digitação (CORREO -> CORREÇÃO)
    modalidade_ensino = ifelse(modalidade_ensino == "CORREO DE FLUXO", "CORREÇÃO DE FLUXO", modalidade_ensino),
    
    # Convertendo para fator
    ano = as.factor(ano),
    modalidade_ensino = as.factor(modalidade_ensino),
    sexo = as.factor(sexo),
    macro_situacao = case_when(
      grepl("APROVADO", situacao_nome) ~ "Aprovado",
      grepl("RETIDO|REPROV", situacao_nome) ~ "Reprovado/Retido",
      grepl("DESIST", situacao_nome) ~ "Evasão (Desistente)",
      TRUE ~ "Outros (Transferências, etc)"
    )
  )

# Visualizando as primeiras linhas
kable(head(df_educacao[, c("ano", "modalidade_ensino", "idade", "situacao_nome", "macro_situacao")], 5))

4.1 Quantos alunos foram avaliados em 2019 e 2020?

Antes de olhar o desempenho, precisamos confirmar se a rede conseguiu manter as matrículas ativas no ano pandêmico.

ano_freq <- df_educacao %>% count(ano)

ggplot(data = ano_freq, aes(x = ano, y = n, fill = ano)) +
  geom_bar(stat = "identity", width = 0.5, show.legend = FALSE) +
  theme_minimal() +
  scale_fill_viridis(discrete = TRUE, option = "D") +
  ggtitle("Volume total de matrículas na cidade do Recife") +
  xlab("Ano") + ylab("Total de Matrículas") +
  geom_text(aes(label = n), vjust = -0.5, size = 5, fontface = "bold")

Observa-se uma leve queda nas matrículas totais (de ~98 mil para ~93 mil). Isso reflete a dificuldade de captação e renovação de matrículas durante as fases mais rígidas do isolamento.

4.2 Como as Macro-Situações se comparam? (O Efeito da Aprovação Contínua)

Esta é a análise central. Em 2020, o Conselho Nacional de Educação sugeriu diretrizes de “progressão continuada” para evitar que o déficit tecnológico reprovasse os estudantes mais vulneráveis.

macro_ano <- df_educacao %>%
  count(ano, macro_situacao) %>%
  group_by(ano) %>%
  mutate(proporcao = n / sum(n) * 100)

ggplot(data = macro_ano, aes(x = macro_situacao, y = proporcao, fill = ano)) +
  geom_bar(stat = "identity", position = "dodge") +
  theme_minimal() +
  scale_fill_viridis(discrete = TRUE) +
  ggtitle("Taxa percentual da Situação Final (2019 vs 2020)") +
  xlab("Macro-Situação") + ylab("Porcentagem dos Alunos (%)") +
  geom_text(aes(label = sprintf("%.1f%%", proporcao)), 
            position = position_dodge(width = 0.9), vjust = -0.5, size = 3.5)

Resultado evidente: A taxa de aprovação saltou de 82.5% para mais de 95% em 2020, enquanto as reprovações caíram para praticamente zero, evidenciando que a secretaria municipal de fato implementou políticas de aprovação automática e continuum curricular.

4.3 Onde a Evasão Escolar foi mais grave?

Vamos filtrar apenas o grupo de “Evasão (Desistente)” e verificar em quais modalidades de ensino os alunos mais abandonaram os estudos.

evasao_mod <- df_educacao %>%
  filter(macro_situacao == "Evasão (Desistente)") %>%
  count(ano, modalidade_ensino) %>%
  arrange(desc(n))

ggplot(data = evasao_mod, aes(x = reorder(modalidade_ensino, -n), y = n, fill = ano)) +
  geom_bar(stat = "identity", position = "dodge") +
  theme_minimal() +
  scale_fill_manual(values = c("2019" = "#e74c3c", "2020" = "#c0392b")) +
  ggtitle("Evasão Escolar por Modalidade de Ensino") +
  xlab("Modalidade de Ensino") + ylab("Quantidade de Desistentes") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Nota-se que os maiores números brutos de evasão em 2019 ocorrem na Educação de Jovens e Adultos (EJA) e na Educação Infantil, e não no Ensino Fundamental regular. Esse dado é extremamente revelador: os estudantes do EJA historicamente apresentam altas taxas de abandono devido à pressão para conciliar os estudos com o mercado de trabalho (muitas vezes informal). Já o alto volume na Educação Infantil costuma refletir a decisão dos pais de retirar as crianças menores das creches/escolas diante de qualquer dificuldade logística, já que a percepção de “perda acadêmica” é menor nessa faixa etária se comparada ao Ensino Fundamental. O sumiço da evasão em 2020 corrobora a tese de aprovação automática e flexibilização da frequência durante a pandemia.

À primeira vista, a queda drástica no número oficial de desistentes em 2020 (de mais de 2.500 para cerca de 150) parece indicar um sucesso na retenção escolar. No entanto, qualitativamente, sabemos que ocorreu o inverso. Esse número reflete as normativas emergenciais adotadas na pandemia: as secretarias de educação orientaram as escolas a não registrarem o abandono ou a reprovação por falta, visto que o sumiço dos alunos era derivado da exclusão digital. Assim, a “evasão real” de 2020 ficou mascarada sob aprovações automáticas.

4.4 Concentração de Estudantes por Bairro (Top 10)

Para finalizar, vejamos onde está o maior pólo de estudantes da rede municipal analisando o top 10 bairros com mais matrículas.

top_bairros <- df_educacao %>%
  count(endereco_bairro) %>%
  top_n(10, n) %>%
  arrange(desc(n))

ggplot(data = top_bairros, aes(x = reorder(endereco_bairro, n), y = n)) +
  geom_bar(stat = "identity", fill = "#2980b9") +
  coord_flip() +
  theme_minimal() +
  ggtitle("Top 10 Bairros com Maior Volume de Matrículas (2019-2020)") +
  xlab("Bairro") + ylab("Número Total de Estudantes") +
  geom_text(aes(label = n), hjust = -0.1, size = 3.5)