Plano Nacional de Educação - Norte

Núcleo de Pesquisa em Ciência de Dados e Otimização
#nupecUfam

Imagem: blog.evolucional.com

Resumo

Palavras-chave:

1. Introdução

A busca pela universalização do acesso à educação e da melhoria da qualidade de ensino é uma meta perseguida pela sociedade brasileira há bastante tempo. Nesta direção, o Plano Nacional de Educação (PNE), aprovado pela Lei 13.005/2014, e com vigência entre 2014 e 2024, constitui um marco fundamental nas políticas públicas educacionais brasileiras. O PNE possui 20 metas e conferem ao País um horizonte para o qual os esforços dos entes federativos e da sociedade civil devem convergir com a finalidade de consolidar um sistema educacional capaz de concretizar o direito à educação em sua integralidade, dissolvendo as barreiras para o acesso e a permanência, reduzindo as desigualdades, promovendo os direitos humanos e garantindo a formação para o trabalho e para o exercício autônomo da cidadania (BRASIL, 2014, 2015).

O PNE possui metas estruturantes, que visam a garantia do direito à educação básica com qualidade, que dizem respeito ao acesso, à universalização da alfabetização e à ampliação da escolaridade e das oportunidades educacionais, metas com vistas à redução das desigualdades e à valorização da diversidade, e metas para a valorização dos profissionais da educação, considerada estratégica para que as metas anteriores sejam atingidas.

O Ministério da Educação publicou o 1º, 2º e 3º Relatórios referentes aos ciclos de monitoramento das metas do PNE: biênio 2014-2016, 2016-2018 e 2008-2020, exercendo, assim, sua atribuição de publicar, a cada dois anos, estudos para aferir o cumprimento das metas estabelecidas no PNE, conforme determina a Lei nº 13.005/2014. Estas publicações fazem parte de um conjunto de ações realizadas pelo Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (INEP), voltadas à produção e disseminação de informações e a estudos direcionados a subsidiar o monitoramento do PNE, bem como à formulação, implementação e avaliação de políticas públicas na área da educação.

Apesar de importantes, os relatórios de monitoramento do INEP consolidam os resultados dos estados, por região e nacional, não estando disponívies análise em nível municipal. Diante disso, este trabalho pretende seguir a mesma metodologia utilizado pelo INEP e propor uma metodologia que permita a análise dos indicadores do PNE em nível municipa.

Como estudo de caso, pretende-se calcular os indicadores do PNE para a a Microrregião de Itacoatiara, composta pelos municípios de Itacoatiara, Itapiranga, Nova Olinda do Norte, Silves e Urucurituba, que fazem parte da Mesorregião denominada de Centro Amazonense, correspondendo a uma população de 177.387 habitante (IBGE, 2018), baseando-se no que nisto o objetivo geral deste trabalho é Realizar o monitoramento das metas estabelecidas nos Planos Municipais de Educação nos municípios de Itacoatiara, Itapiranga, Nova Olinda do Norte, Silves e Urucurituba, que formam a microrregião de Itacoatiara, levando em consideração a importância de conhecer a realidade educacional desta microrregião e apresenta-la para a sociedade.

O Painel de Monitoramento do PNE pode ser acessado em: https://www.gov.br/inep/pt-br/acesso-a-informacao/dados-abertos/inep-data/painel-de-monitoramento-do-pne

2. Objetivos

Objetivo Geral:

Analisar a evolução temporal da Meta 1 do Plano Nacional de Educação (PNE) para todos os municípios da Região Norte

Meta 1:Universalizar, até 2016, a educação infantil na pré-escola para as crianças de 4 (quatro) a # 5 (cinco) anos de idade e ampliar a oferta de educação infantil em creches de forma a atender, # no mínimo, 50% (cinquenta por cento) das crianças de até 3 (três) anos até o final da vigência # deste PNE.

Objetivos Especiíficos

  1. Calcular o indicador 1A: Percentual da população de 4 e 5 anos que frequenta a escola

  2. Calcular o indicador 1B: Percentual da população de 0 a 3 anos que frequenta a escola

3. Meta 1: Resultados e discussão

meta1 <- readr::read_rds("../data/Meta1.rds") |> 
  dplyr::mutate(ano = as.numeric(ano)) |> 
  dplyr::filter(nome_regiao == "Norte") |> 
  tidyr::drop_na()

A região norte do Brasil possui 7 estados e 450 municípios.

EDA

a <- meta1 |> 
  dplyr::select(indice1b, indice1a, meta1)


a |> skim()
Data summary
Name a
Number of rows 2766
Number of columns 3
_______________________
Column type frequency:
numeric 3
________________________
Group variables None

Variable type: numeric

skim_variable n_missing complete_rate mean sd p0 p25 p50 p75 p100 hist
indice1b 0 1 0.15 0.11 0.00 0.08 0.13 0.20 1.18 ▇▂▁▁▁
indice1a 0 1 0.67 0.21 0.14 0.55 0.67 0.78 3.92 ▇▁▁▁▁
meta1 0 1 0.34 0.11 0.09 0.26 0.32 0.39 2.00 ▇▁▁▁▁ 
GGally::ggpairs(a)
## Registered S3 method overwritten by 'GGally':
##   method from   
##   +.gg   ggplot2

Estatísticas Básicas

meta1 |> 
  dplyr::group_by(ano) |> 
  dplyr::summarise(across(
    .cols = indice1b,
    .fns = list(minino_ = min, 
                mediana_= median, 
                media_  = mean,
                maximo_ = max,
                dp_ = sd
                )
  )) |> 
  round(3) |> 
  DT::datatable()

Valores atípicos

 meta1 |> 
  dplyr::group_by(ano, nome_uf) |> 
  dplyr::summarise(
    media1b = round(mean(indice1b), 2)
  ) |> 
  ggplot() +
  geom_boxplot(aes(x= media1b, y = nome_uf)) + 
  labs(
    x = "Anos",
    y = "Indicador 1B",
    color = "Lucro ($)",
    title = "Percentual da população de 0 a 3 anos que frequenta a escola, ",
    subtitle = "Indicador 1B"
  ) +
  theme_bw()+
  coord_flip()
## `summarise()` has grouped output by 'ano'. You can override using the `.groups` argument.

Análise Temporal

meta1 |> 
  dplyr::group_by(ano) |> 
  dplyr::summarise(
    media1b = round(mean(indice1b), 2)
  ) |> 
  ggplot(aes(x=ano, y=media1b)) +
  geom_line() + 
  geom_label(aes(label = media1b)) +
  scale_x_continuous(breaks = seq(2014, 2020, 1)) + 
  coord_cartesian(ylim = c(0,1)) +
  geom_abline(intercept = 0.5, slope = 0, color = "red")+
  labs(
    x = "Anos",
    y = "Indicador 1B",
    color = "Lucro ($)",
    title = "PNE - Média Geral dos Resultado Obtidos pelos Municípios da Região Norte",
    subtitle = "Indicador 1B"
  ) +
  theme_bw()

# Leitura dos dados
food_consumption <- readr::read_csv('https://raw.githubusercontent.com/rfordatascience/tidytuesday/master/data/2020/2020-02-18/food_consumption.csv')

food_consumption %>%
  DT::datatable()
food_consumption %>%
    select(consumption, co2_emmission) %>%
   cor() %>%
    kable()
consumption co2_emmission
consumption 1.0000000 0.3342507
co2_emmission 0.3342507 1.0000000

Correlação não implica em Causalidade!

food_consumption %>%
    select(consumption, co2_emmission) %>%
    cor() %>%
   corrplot(type="upper",tl.srt=45,tl.cex = 1)

food_consumption %>%
 group_by(food_category) %>%
 summarise(total_consumo = sum(consumption),
           total_emissao_co2 = sum(co2_emmission)) %>%
 arrange(-total_consumo) %>%
   head(10) %>%
 kable()
food_category total_consumo total_emissao_co2
Milk - inc. cheese 16350.71 23290.00
Wheat and Wheat Products 9301.44 1773.78
Rice 3818.77 4886.91
Poultry 2758.50 2963.16
Fish 2247.32 3588.22
Pork 2096.08 7419.11
Beef 1576.04 48633.26
Eggs 1061.29 974.95
Nuts inc. Peanut Butter 537.84 951.99
Lamb & Goat 338.02 11837.38 
food_consumption %>%  
  group_by(food_category) %>%  
  summarise(total_emissao_co2 = sum(co2_emmission)) %>%  
  ggplot(aes(x = food_category, y = total_emissao_co2,fill = food_category)) +        
aes(reorder(food_category, total_emissao_co2))+ 
  geom_col() +  
  coord_flip() +  
    ggthemes::theme_wsj() +
   guides(fill = "none")+
   labs(
    title = "Ranking de emissão de \nCO2 por categoria \nalimentar",
    x = "Categoria",
    y = "Emissão de Co2 (Kg CO2/pessoa/ano)",
    color = "Categoria alimentar")


ggplot(food_consumption, aes(x = reorder(country,co2_emmission), y = co2_emmission)) +
   geom_col(aes(fill = food_category)) +
  coord_flip() +
   labs(
    title = "Representação gráfica da emissão de CO2 por categoria alimentar",
    x = "País",
    y = "Emissão de Co2 (Kg CO2/pessoa/ano)",
    color = "Categoria alimentar",
    caption = "Elaborado por: Ariane Hayana Thomé de Farias") +
   scale_fill_viridis_d(
    alpha = .99, 
    begin = .1, 
    end = .9, 
    direction = 1, 
    option = "D") +
    theme_bw() 

plot_ly(food_consumption, 
        y = ~co2_emmission, 
        color = ~food_category, 
        type = "box")
plot_ly(food_consumption, 
        y = ~consumption, 
        color = ~food_category, 
        type = "box")

4. Considerações finais

Referências