library(tidyverse)
library(janitor)
devtools::load_all()

No relatório preliminar 01, mostramos como a base de dados foi baixada e o conteúdo da base depois após a fase de arrumação de dados. Neste documento, apresentaremos análises preliminares sobre duas quantidades de interesse na pesquisa: i) perfil dos condenados do CNC e ii) valores envolvidos nos processos (desagregado por divesos critérios).

1 Perfil dos condenados

A Tabela 1.1 mostra a quantidade de pessoas e processos por tipo de pessoa. Podemos observar que é bem maior a quantidade de pessoas físicas na base.

tidy_cnc %>% 
  mutate(tipo_pessoa = if_else(tipo_pessoa == 'F', 'Física', 'Jurídica')) %>% 
  group_by(tipo_pessoa) %>% 
  summarise(n_pessoas = n_distinct(id_pessoa), 
            n_processos = n_distinct(id_processo)) %>% 
  janitor::add_totals_row() %>% 
  knitr::kable(booktabs = TRUE, 
               caption = 'Quantidade de pessoas jurídicas e físicas e processos envolvidos.')

Table 1.1: Quantidade de pessoas jurídicas e físicas e processos envolvidos.
tipo_pessoa	n_pessoas	n_processos
Física	29679	26767
Jurídica	862	772
Total	30541	27539

Agora vamos estudar a distribuição geográfica das pessoas. A Figura 1.1 mostra o volume de pessoas por estado. Obsevamos uma concentração maior em São Paulo, Minas Gerais e nos estados da região sul, além de Rondônia. Exceto por Rondônia, o resultado é esperado, já que grande parte da população fica nos estados citados.

data(br_uf_map, package = 'abjutils')
p <- tidy_cnc %>% 
  distinct(id_pessoa, .keep_all = TRUE) %>% 
  count(id = uf) %>% 
  mutate(n = cut(n, c(0, 100, 200, 300, 800, max(n)), dig.lab=5)) %>% 
  inner_join(br_uf_map) %>% {
    ggplot(.) +
      geom_map(aes(x = long, y = lat, map_id = id, fill = n),
               colour = 'gray30', size = .1, alpha = .8,
               map = ., data = .) +
      coord_equal() +
      scale_fill_brewer(palette = 'PuRd') +
      theme_void()
  }
p

Figure 1.1: Volume de pessoas por Unidade Federativa.

A Figura 1.2 mostra a taxa de pessoas por cem mil habitantes em cada estado. O resultado é surpreendente. Destacam-se o estados do Acre e Rondônia, concentrando 17 e 24 pessoas por cem mil habitantes, respectivamente. Outros estados com alta taxa são Roraima, Amapá, Tocantins, Rio Grande do Norte, Sergipe, Espírito Santo, Distrito Federal e Santa Catarina.

data(pnud_uf, package = 'abjutils')
data(cadmun, package = 'abjutils')
cadmun %<>% distinct(cod, uf) %>% mutate_all(as.character)
pnud_uf %<>% filter(ano == 2010) %>% select(uf, popt) %>% 
  mutate(uf = as.character(uf)) %>% 
  inner_join(cadmun, c('uf' = 'cod')) %>% 
  select(id = uf.y, popt)
p <- tidy_cnc %>% 
  distinct(id_pessoa, .keep_all = TRUE) %>% 
  count(id = uf) %>% 
  inner_join(pnud_uf, 'id') %>%
  mutate(tx = n / popt * 100000) %>% 
  mutate(tx = cut(tx, c(0, 1, 3, 5, 10, max(tx)), dig.lab = 3,
                  ordered_result = TRUE)) %>% 
  inner_join(br_uf_map) %>% {
    ggplot(.) +
      geom_map(aes(x = long, y = lat, map_id = id, fill = tx),
               colour = 'gray30', size = .1, alpha = .8,
               map = ., data = .) +
      scale_fill_brewer(palette = 'PuRd') +
      coord_equal() +
      theme_void()
  }
p

Figure 1.2: Pessoas por cem mil habitantes em cada Unidade Federativa.

2 Valores envolvidos

Na base de dados temos três variáveis sobre valores: i) pagamento de multas, ii) ressarcimento integral do dano e iii) perda de bens ou valores acrescidos ilicitamente ao patrimônio. Vamos analisar cada um desses valores separadamente.

2.1 Pagamento de multas

A Tabela 2.1 mostra a proporção de condenações em que houve multa. Obseve que tivemos multas em aproximadamente um terço dos casos. No entanto, somente 9.817 casos possuem valores de multa maiores ou iguais a zero ou menores que um bilhão.

tidy_cnc %>% 
  replace_na(list(teve_multa = 'não')) %>% 
  janitor::tabyl(teve_multa, sort = TRUE) %>% 
  janitor::add_totals_row() %>% 
  mutate(percent = scales::percent(percent)) %>% 
  knitr::kable(booktabs = TRUE,
               caption = 'Proporção de multas na base.')

Table 2.1: Proporção de multas na base.
teve_multa	n	percent
não	24269	67.5%
sim	11708	32.5%
Total	35977	100.0%

Como o valor é uma variável bastante assimétrica, é necessário elaborar algumas estatísticas especiais para comparação de valores. A Figura 2.1 compara os percentis¹ dos valores das multas para pessoas físicas e jurídicas. É possível observar que os valores envolvidos para pessoas jurídicas é sistematicamente maior que os valores envolvidos para pessoas físicas. No futuro, vamos realizar esse tipo de comparação para diversas subpopulações da base de dados.

p <- tidy_cnc %>% 
  filter(teve_multa == 'sim', vl_multa < 1e9, vl_multa > 10) %>% 
  group_by(tipo_pessoa) %>% 
  do(n = nrow(.),
     r = quantile(.$vl_multa, probs = 0:100 / 100)) %>% 
  unnest(n) %>% 
  unnest(r) %>% 
  group_by(tipo_pessoa) %>% 
  mutate(id = 1:n()) %>% 
  ungroup() %>% 
  mutate(tipo_pessoa = if_else(tipo_pessoa == 'F', paste0('Física (n = ', n, ')'),
                               paste0('Jurídica (n = ', n, ')'))) %>% 
  select(-n) %>% 
  spread(tipo_pessoa, r) %>% 
  ggplot(aes_(x = as.name(names(.)[2]), y = as.name(names(.)[3]))) +
  geom_point() +
  geom_abline(slope = 1, intercept = 0) +
  scale_x_log10(labels = scales::dollar) +
  scale_y_log10(labels = scales::dollar) +
  theme_bw()

plotly::ggplotly(p)

Figure 2.1: Gráfico quantil-quantil do valor da multa por tipo de pessoa (escala log).

A Tabela 2.2 mostra as 20 pessoas com maior quantidade de multas. Observe que apesar de observarmos pessoas com pelo menos 12 multas cada, 97% do valor de multas está concentrado nas multas restantes.

tidy_cnc %>% 
  filter(teve_multa == 'sim', vl_multa < 1e9) %>% 
  mutate(nome = sprintf('%06s / %s', id_pessoa, toupper(nm_pessoa))) %>% 
  mutate(nome = forcats::fct_infreq(nome),
         nome = forcats::fct_lump(nome, n = 20)) %>% 
  group_by(nome) %>% 
  summarise(n_multas = n(), vl_total = sum(vl_multa)) %>%
  mutate(`% total` = n_multas / sum(n_multas)) %>% 
  mutate(`% valor total` = vl_total / sum(vl_total)) %>% 
  # arrange(desc(n_multas)) %>% 
  add_totals_row() %>% 
  mutate(`% valor total` = scales::percent(`% valor total`)) %>% 
  mutate(`% total` = scales::percent(`% total`)) %>% 
  mutate(vl_total = scales::dollar(vl_total)) %>% 
  knitr::kable(booktabs = TRUE, 
               caption = 'Pessoas com maiores quantidade de multas, valor agregado e proporção do total.')

Table 2.2: Pessoas com maiores quantidade de multas, valor agregado e proporção do total.
nome	n_multas	vl_total	% total	% valor total
510 / MARCOS PEREZ	35	$2,237,100	0.3%	0.1%
518 / JOÃO TADEU SAAB	28	$85,895	0.2%	0.0%
760 / NELSON NICACIO DE LIMA	25	$5,387,138	0.2%	0.3%
2716 / RAIMUNDO JOÃO PIRES SALDANHA NETO	22	$1,545,760	0.2%	0.1%
1917 / SÉRGIO PINAFFI	21	$90,310	0.2%	0.0%
5342 / RILDO ALAOR TEIXEIRA DA SILVA	20	$268,530	0.2%	0.0%
562 / ANTONIO NUNES DA SILVA	20	$1,118,895	0.2%	0.1%
5945 / LUIZ ANTONIO TREVISAN VEDOIN	20	$1,541,755	0.2%	0.1%
147 / MÁRIO LUCIO LUCATELLI	19	$1,892,315	0.2%	0.1%
5943 / DARCI JOSE VEDOIN	18	$971,955	0.2%	0.1%
3895 / GILBERTO CARVALHO	17	$56,870	0.1%	0.0%
6433 / NAURO SERGIO MUNIZ MENDES	17	$4,468,886	0.1%	0.2%
295 / VALTERCIDES MONTEIRO	14	$297,227	0.1%	0.0%
1050 / CARLOS SIQUEIRA RIBEIRO	13	$431,255	0.1%	0.0%
274 / GILSON DE ASSUNÇÃO	13	$2,079,740	0.1%	0.1%
53 / RUBENS MASSUCIO RUBINHO	13	$18,751,080	0.1%	1.0%
1029 / CLEBEL ÂNGELO MÁRCIO PEREIRA	12	$166,429	0.1%	0.0%
142 / JOSÉ CARLOS MOREIRA	12	$5,787,396	0.1%	0.3%
2218 / JOSÉ PAULO NOVAES	12	$425,433	0.1%	0.0%
2219 / AUREA CEREZINE DE SOUZA VILLAS BOAS	12	$410,533	0.1%	0.0%
Other	11344	$1,760,828,013	96.9%	97.3%
Total	11707	$1,808,842,516	100.0%	100.0%

A Tabela 2.3 mostra os 20 casos com maior valor de multas. Observe que somente esses casos concentram quase metade do valor total das multas.

tidy_cnc %>% 
  filter(teve_multa == 'sim', vl_multa < 1e9) %>% 
  select(nome = nm_pessoa, tipo_pessoa, vl_multa) %>% 
  mutate(nome = toupper(nome)) %>% 
  arrange(desc(vl_multa)) %>% 
  mutate(`% acu. vl total` = cumsum(vl_multa) / sum(vl_multa)) %>% 
  # mutate(nome = forcats::fct_reorder(nome, fun = sum, vl_multa),
  #        nome = forcats::fct_lump(nome, n = 20)) %>% 
  unite(aux, nome, tipo_pessoa) %>% 
  add_totals_row() %>% 
  separate(aux, c('nome', 'tipo_pessoa'), sep = '_', fill = 'right') %>% 
  mutate(`% acu. vl total` = if_else(nome == 'Total', NA_real_, `% acu. vl total`)) %>% 
  mutate(`% acu. vl total` = scales::percent(`% acu. vl total`)) %>% 
  mutate(vl_multa = scales::dollar(vl_multa)) %>% 
  slice(c(1:20, nrow(.))) %>%
  replace_na(list(tipo_pessoa = '')) %>% 
  mutate(`% acu. vl total` = if_else(`% acu. vl total` == 'NA%', '', `% acu. vl total`)) %>% 
  knitr::kable(booktabs = TRUE, 
               caption = 'Condenações com multas de maior valor com informação do tipo de pessoa e proporção acumulada da soma dos valores.')

Table 2.3: Condenações com multas de maior valor com informação do tipo de pessoa e proporção acumulada da soma dos valores.
nome	tipo_pessoa	vl_multa	% acu. vl total
PROJETO FILIPENSES MANUTENÇÃO DE RESULTADOS	J	$101,947,537	5.6%
VALMIR FELIX TEIXEIRA	F	$100,731,322	11.2%
LINKNET TECNOLOGIA E TELECOMUNICAÇÕES LTDA	J	$70,225,149	15.1%
ALEXANDRE AUGUSTO DE SOUZA	F	$70,225,149	19.0%
SERGIO HENRIQUE DE SOUZA	F	$70,225,149	22.9%
LIMIRIO MARTINS PARREIRA	F	$54,662,281	25.9%
JOSÉ MAURY ALVES MARTINS	F	$54,642,412	28.9%
AÍLTON DE OLIVEIRA	F	$43,708,242	31.3%
VANDERLE ANTONIO RIBEIRO	F	$32,606,320	33.1%
CLAUDIO MIGUEL JOSE	F	$31,442,916	34.9%
MARCELO GONÇALVES MAIA DE CARVALHO	F	$26,442,699	36.3%
ANTONIO FIGUEIREDO DE OLIVEIRA	F	$25,387,527	37.7%
DURVAL BARBOSA RODRIGUES	F	$24,166,087	39.1%
RICARDO LIMA ESPINDOLA	F	$24,166,087	40.4%
JOSE GOMES PINHEIRO NETO	F	$24,166,087	41.7%
LAZARO SEVERO ROCHA	F	$24,166,087	43.1%
INSTITUTO CANDANGO DE SOLIDARIEDADE-ICS	J	$24,166,087	44.4%
JAIR THOMAZ	F	$21,033,869	45.6%
JAMIL ADIB ANTONIO	F	$17,171,007	46.5%
RAFAEL TOBIAS DOS SANTOS CARVALHO	F	$17,171,007	47.5%
Total		$1,808,842,516

2.1.1 Multas por UF, assunto e origem

A Tabela 2.4 mostra os 20 assuntos com maior valor agregado. Note que dano ao erário soma mais de 1 bilhão de reais. Tambem temos alguns assuntos genéricos que deveriam ser filtrados.

tidy_cnc %>% 
  filter(teve_multa == 'sim', vl_multa < 1e9) %>% 
  select(starts_with('assunto_nm'), vl_multa) %>% 
  gather(key, val, -vl_multa) %>% 
  filter(!is.na(val)) %>% 
  group_by(val) %>% 
  summarise(soma = sum(vl_multa)) %>% 
  arrange(desc(soma)) %>% 
  mutate(soma = scales::dollar(soma)) %>% 
  head(20) %>% 
  knitr::kable(booktabs = TRUE, 
               caption = 'Assuntos com maior valor de multas agregado (valores de multas em processos com mais de um assunto foram contados duas vezes)')

Table 2.4: Assuntos com maior valor de multas agregado (valores de multas em processos com mais de um assunto foram contados duas vezes)
val	soma
Dano ao Erário	$1,085,882,421
Violação aos Princípios Administrativos	$645,980,937
Enriquecimento ilícito	$381,834,999
DIREITO ADMINISTRATIVO E OUTRAS MATÉRIAS DE DIREITO PÚBLICO	$250,957,269
Improbidade Administrativa	$86,199,748
Atos Administrativos	$20,165,343
Tráfico de Drogas e Condutas Afins	$3,086,688
Organização Político-administrativa / Administração Pública	$1,948,051
Agentes Políticos	$1,765,245
Associação para a Produção e Tráfico e Condutas Afins	$779,098
Estelionato Majorado	$726,077
Crimes contra a Ordem Tributária	$561,199
DIREITO ELEITORAL	$541,688
Demissão ou Exoneração	$371,697
Servidor Público Civil	$327,811
Crimes Previstos na Legislação Extravagante	$207,001
Impedimento, perturbação ou fraude de concorrência	$197,875
Crimes de Tráfico Ilícito e Uso Indevido de Drogas	$170,003
DIREITO PENAL	$157,158
Falsidade ideológica	$152,976

A Figura 2.2 mostra as UFs com maior soma de multas por habitante. Acre e Distrito Federal estão no topo com mais de 30 reais por habitante, seguidos por Rondônia e Maranhão, com mais de 10 reais por habitante.

data(pnud_uf, package = 'abjutils')
data(cadmun, package = 'abjutils')
cadmun %<>% distinct(cod, uf) %>% mutate_all(as.character)
pnud_uf %<>% filter(ano == 2010) %>% select(uf, popt) %>% 
  mutate(uf = as.character(uf)) %>% 
  inner_join(cadmun, c('uf' = 'cod')) %>% 
  select(id = uf.y, popt)
p <- tidy_cnc %>% 
  filter(teve_multa == 'sim', vl_multa < 1e9) %>% 
  mutate(id = uf) %>% 
  group_by(id) %>% 
  summarise(soma = sum(vl_multa)) %>% 
  inner_join(pnud_uf, 'id') %>%
  mutate(tx = soma / popt) %>% 
  mutate(tx = cut(tx, c(0, 1, 5, 10, 20, 30, max(tx)), dig.lab = 3,
                  ordered_result = TRUE)) %>% 
  inner_join(br_uf_map) %>% {
    ggplot(.) +
      geom_map(aes(x = long, y = lat, map_id = id, fill = tx),
               colour = 'gray30', size = .1, alpha = .8,
               map = ., data = .) +
      scale_fill_brewer(palette = 'PuRd') +
      coord_equal() +
      theme_void()
  }
p

Figure 2.2: Valor somado de multas por habitante em cada Unidade Federativa.

A Tabela 2.5 mostra estatísticas descritivas dos valores das multas por esfera. Observe que a mediana da esfera estadual é menor que a da federal, mas a média é maior.

dol <- scales::dollar
tidy_cnc %>% 
  filter(teve_multa == 'sim', vl_multa < 1e9) %>% 
  group_by(esfera_processo) %>% 
  summarise(n = n(),
            media = mean(vl_multa), 
            mediana = median(vl_multa),
            soma = sum(vl_multa)) %>% 
  mutate_if(is_double, funs(dol(.))) %>% 
  knitr::kable(booktabs = TRUE, 
               caption = 'Estatísticas descritivas dos valores das multas por esfera do processo.')

Table 2.5: Estatísticas descritivas dos valores das multas por esfera do processo.
esfera_processo	n	media	mediana	soma
Estadual	8564	$187,187	$5,000	$1,603,070,960
Federal	3143	$65,470	$10,000	$205,771,556

2.2 Distribuição geográfica dos processos

Podemos identificar a comarca somente dos processos estaduais de primeiro grau. A Tabela 2.6 mostra as 30 comarcas com maior taxa de processos por 100 mil habitantes.

# data(cadmun, package = 'abjutils')
data(pnud_muni, package = 'abjutils')
pnud_muni %<>% 
  as_tibble() %>% 
  filter(ano == 2010) %>% 
  select(ufn, municipio, popt) %>% 
  mutate(municipio = toupper(abjutils::rm_accent(municipio)))

# pnud_muni %>% 
  # filter(stringr::str_detect(municipio, 'TRES RIOS'))

# a %>% 
#   count(tribunal, comarca_secao) %>% 
#   anti_join(pnud_muni, c('tribunal' = 'ufn', 'comarca_secao' = 'municipio')) %>% 
#   arrange(desc(n))

tr <- 'Tribunal de Justiça d[eo]|Estado d[eoa]|e dos Territórios'
tidy_cnc_coma <- tidy_cnc %>% 
  filter(esfera_processo == 'Estadual', instancia == '1 grau') %>%
  mutate(tribunal = stringr::str_replace_all(tribunal, tr, ''),
         tribunal = stringr::str_trim(tribunal),
         comarca_secao = toupper(abjutils::rm_accent(comarca_secao))) %>% 
  mutate(comarca_secao = with(., case_when(
    comarca_secao == 'CAPITAL' ~ 'RIO DE JANEIRO',
    comarca_secao == 'GAMA' ~ 'BRASILIA',
    comarca_secao == 'TRES RIOS/AREAL/LEVY GASPARIAN' ~ 'TRES RIOS',
    comarca_secao == 'CAMPO GRANDE' & tribunal == 'Rio Grande do Norte' ~ 'AUGUSTO SEVERO',
    comarca_secao == 'MOJI-MIRIM' ~ 'MOJI MIRIM',
    comarca_secao == 'SANTO ANTONIO DE PADUA/APERIBE' ~ 'SANTO ANTONIO DE PADUA',
    comarca_secao == 'ELDORADO PAULISTA' & tribunal == 'São Paulo' ~ 'ELDORADO',
    comarca_secao == 'CAMBUCI/SAO JOSE DE UBA' ~ 'CAMBUCI',
    comarca_secao == 'AREZ' ~ 'ARES',
    comarca_secao == 'NATIVIDADE/VARRE-SAI' ~ 'NATIVIDADE',
    comarca_secao == 'CARAPEBUS/QUISSAMA' ~ 'CARAPEBUS',
    comarca_secao == 'EMBU DAS ARTES' ~ 'EMBU',
    comarca_secao == 'NOVA IGUACU/MESQUITA' ~ 'NOVA IGUACU',
    comarca_secao == 'JABUTICATUBAS' ~ 'JABOTICATUBAS',
    comarca_secao == 'IPAUCU' ~ 'IPAUSSU',
    comarca_secao == 'NUCLEO BANDEIRANTE' ~ 'BRASILIA',
    comarca_secao == 'ITAPAJE' ~ 'ITAPAGE',
    comarca_secao == 'PORTO REAL / QUATIS' ~ 'PORTO REAL',
    comarca_secao == 'CEILANDIA' ~ 'BRASILIA',
    is.na(comarca_secao) ~ NA_character_,
    TRUE ~ comarca_secao
  ))) %>% 
  filter(!is.na(comarca_secao)) %>% 
  inner_join(pnud_muni, c('tribunal' = 'ufn', 'comarca_secao' = 'municipio')) %>% 
  distinct(arq_processo, .keep_all = TRUE) %>% 
  group_by(tribunal, comarca_secao) %>% 
  summarise(nprocs = n(), pop = first(popt)) 

tidy_cnc_coma %>% 
  ungroup() %>% 
  mutate(tx = nprocs / pop * 100000) %>%
  # filter(pop > 100000) %>% 
  arrange(desc(tx)) %>% 
  mutate(tx = round(tx, 2)) %>% 
  head(30) %>% 
  knitr::kable(booktabs = TRUE, 
               caption = '30 comarcas com maior taxa de processos por 100 mil habitantes.')

Table 2.6: 30 comarcas com maior taxa de processos por 100 mil habitantes.
tribunal	comarca_secao	nprocs	pop	tx
Minas Gerais	SILVIANOPOLIS	52	5982	869.27
Minas Gerais	JACINTO	79	11857	666.27
Amapá	AMAPA	34	7784	436.79
São Paulo	TEODORO SAMPAIO	88	21135	416.37
São Paulo	QUATA	46	12684	362.66
Minas Gerais	MANHUMIRIM	69	21194	325.56
Paraná	PARANACITY	30	10220	293.54
São Paulo	MIRANTE DO PARANAPANEMA	48	16718	287.12
Paraná	MATELANDIA	44	15327	287.08
São Paulo	PIRAPOZINHO	68	24559	276.88
Santa Catarina	LAGUNA	138	51334	268.83
Minas Gerais	BONFINOPOLIS DE MINAS	15	5716	262.42
Minas Gerais	ANDRADAS	97	37150	261.10
Rondônia	SANTA LUZIA D’OESTE	21	8674	242.10
Minas Gerais	PATOS DE MINAS	329	137776	238.79
Minas Gerais	IPATINGA	522	237968	219.36
Paraná	XAMBRE	13	5952	218.41
São Paulo	URANIA	19	8803	215.84
Paraná	FORMOSA DO OESTE	16	7501	213.30
Paraná	PEROLA	21	10125	207.41
Maranhão	SAO FRANCISCO DO MARANHAO	23	11478	200.38
Paraná	CRUZEIRO DO OESTE	40	20264	197.39
Rio Grande do Sul	SAO VALENTIM	7	3601	194.39
São Paulo	GENERAL SALGADO	20	10616	188.39
Paraná	PARAISO DO NORTE	22	11703	187.99
Paraná	JOAQUIM TAVORA	20	10665	187.53
Minas Gerais	PIRAPETINGA	19	10331	183.91
São Paulo	PIRAJUI	35	19560	178.94
Espírito Santo	PRESIDENTE KENNEDY	17	10112	168.12
Minas Gerais	AIURUOCA	10	6047	165.37

A Tabela 2.7 mostra as 30 comarcas com mais de 100 mil habitantes com as maiores taxas. Podemos notar uma grande concentração de comarcas do Paraná.

tidy_cnc_coma %>% 
  ungroup() %>% 
  mutate(tx = nprocs / pop * 100000) %>%
  # filter(pop > 100000) %>% 
  arrange(desc(tx)) %>% 
  mutate(tx = round(tx, 2)) %>% 
  filter(pop > 100000) %>% 
  head(30) %>% 
  knitr::kable(booktabs = TRUE, 
               caption = '30 comarcas com mais de 100 mil habitantes e maiores taxa de processos por 100 mil habitantes.')

Table 2.7: 30 comarcas com mais de 100 mil habitantes e maiores taxa de processos por 100 mil habitantes.
tribunal	comarca_secao	nprocs	pop	tx
Minas Gerais	PATOS DE MINAS	329	137776	238.79
Minas Gerais	IPATINGA	522	237968	219.36
Paraná	FOZ DO IGUACU	268	254233	105.42
Paraná	PONTA GROSSA	197	309586	63.63
Minas Gerais	POUSO ALEGRE	78	129564	60.20
Paraná	CURITIBA	1040	1740627	59.75
Paraná	MARINGA	205	354512	57.83
Paraná	CASCAVEL	151	281585	53.63
Paraná	CAMPO LARGO	59	111600	52.87
Paraná	ARAPONGAS	53	103925	51.00
Paraná	GUARAPUAVA	84	165631	50.72
Paraná	LONDRINA	251	503258	49.88
Paraná	TOLEDO	57	118869	47.95
Paraná	APUCARANA	49	120427	40.69
Paraná	COLOMBO	66	212395	31.07
Paraná	ARAUCARIA	36	118997	30.25
Paraná	PARANAGUA	41	139774	29.33
Paraná	SAO JOSE DOS PINHAIS	61	263146	23.18
Paraná	ALMIRANTE TAMANDARE	23	102996	22.33
Rondônia	PORTO VELHO	89	419354	21.22
São Paulo	TATUI	22	106912	20.58
Minas Gerais	TEOFILO OTONI	27	131628	20.51
São Paulo	BIRIGUI	22	108239	20.33
Paraná	PINHAIS	22	116153	18.94
São Paulo	SAO CARLOS	37	220666	16.77
São Paulo	JAU	21	130243	16.12
São Paulo	PRESIDENTE PRUDENTE	32	205525	15.57
Maranhão	PACO DO LUMIAR	16	103331	15.48
São Paulo	CATANDUVA	14	112201	12.48
Minas Gerais	CONSELHEIRO LAFAIETE	14	115971	12.07

A Tabela 2.8 mostra as duas comarcas com maior taxa de processos por 100 mil habitantes em cada estado.

tidy_cnc_coma %>% 
  ungroup() %>% 
  mutate(tx = nprocs / pop * 100000) %>%
  # filter(pop > 100000) %>% 
  arrange(desc(tx)) %>% 
  mutate(tx = round(tx, 2)) %>% 
  filter(nprocs >= 5) %>% 
  group_by(tribunal) %>% 
  slice(1:2) %>% 
  arrange(tribunal, desc(tx)) %>% 
  knitr::kable(booktabs = TRUE, 
               caption = 'Comarcas com maiores taxa de processos por 100 mil habitantes em cada estado (somente comarcas com 5 processos ou mais).')

Table 2.8: Comarcas com maiores taxa de processos por 100 mil habitantes em cada estado (somente comarcas com 5 processos ou mais).
tribunal	comarca_secao	nprocs	pop	tx
Acre	CRUZEIRO DO SUL	15	73535	20.40
Acre	TARAUACA	6	31613	18.98
Alagoas	MACEIO	10	921284	1.09
Amapá	AMAPA	34	7784	436.79
Amapá	OIAPOQUE	23	17939	128.21
Ceará	FRECHEIRINHA	5	12723	39.30
Ceará	SABOEIRO	6	15504	38.70
Distrito Federal	BRASILIA	104	2541714	4.09
Espírito Santo	PRESIDENTE KENNEDY	17	10112	168.12
Espírito Santo	APIACA	7	7443	94.05
Goiás	VIANOPOLIS	11	12445	88.39
Goiás	URUANA	9	13708	65.66
Maranhão	SAO FRANCISCO DO MARANHAO	23	11478	200.38
Maranhão	BACURI	19	15893	119.55
Mato Grosso	ALTO ARAGUAIA	5	15416	32.43
Mato Grosso	NOVA XAVANTINA	5	19358	25.83
Mato Grosso do Sul	CHAPADAO DO SUL	16	19384	82.54
Mato Grosso do Sul	DEODAPOLIS	5	12077	41.40
Minas Gerais	SILVIANOPOLIS	52	5982	869.27
Minas Gerais	JACINTO	79	11857	666.27
Pará	SAO GERALDO DO ARAGUAIA	15	24339	61.63
Pará	CURRALINHO	9	26525	33.93
Paraíba	SERRARIA	5	6127	81.61
Paraíba	SOLEDADE	7	13633	51.35
Paraná	PARANACITY	30	10220	293.54
Paraná	MATELANDIA	44	15327	287.08
Pernambuco	IBIRAJUBA	5	7395	67.61
Rio de Janeiro	ENGENHEIRO PAULO DE FRONTIN	5	13087	38.21
Rio de Janeiro	CANTAGALO	6	19765	30.36
Rio Grande do Norte	AUGUSTO SEVERO	13	9041	143.79
Rio Grande do Norte	SAO JOAO DO SABUGI	5	5900	84.75
Rio Grande do Sul	SAO VALENTIM	7	3601	194.39
Rio Grande do Sul	HERVAL	10	6594	151.65
Rondônia	SANTA LUZIA D’OESTE	21	8674	242.10
Rondônia	CEREJEIRAS	27	16815	160.57
Santa Catarina	LAGUNA	138	51334	268.83
Santa Catarina	ITAIOPOLIS	29	19965	145.25
São Paulo	TEODORO SAMPAIO	88	21135	416.37
São Paulo	QUATA	46	12684	362.66
Sergipe	LARANJEIRAS	13	26609	48.86
Sergipe	GARARU	5	10849	46.09
Tocantins	ARAPOEMA	7	6702	104.45
Tocantins	ITAGUATINS	6	5751	104.33

um percentil de $x$% é uma quantidade que faz com que $x$% das observações da amostra esteja abaixo desse valor.↩

Cadastro Nacional de Condenações Cíveis por Ato de Improbidade Administrativa e Inelegibilidade

Relatório preliminar 03: análises sobre valores e perfil dos condenados

Associação Brasileira de Jurimetria e Instituto Não Aceito Corrupção

21 de outubro de 2016

1 Perfil dos condenados

2 Valores envolvidos

2.1 Pagamento de multas

2.1.1 Multas por UF, assunto e origem

2.2 Distribuição geográfica dos processos