Este documento está sendo disponibilizado com a finalidade de publicizar o script R de geração dos resultados da Inadequação de Domicílios Urbanos para o ano de 2019, realizada pela Fundação João Pinheiro. Dessa forma, por meio deste documento, visa-se auxiliar aqueles que desejam reproduzir este trabalho ou utilizar os dados gerados neste para outras análises.
Os resultados aqui produzidos são gerados a partir da PNAD Contínua e referentes aos seguintes componentes da Inadequação Habitacional:
Carências de Infraestrutura Urbana
Carências Edílicas
Inadequação Fundiária
Total de domicílios urbanos inadequados
Ressalta-se que a análise final presente neste script indicará os resultados apenas da PNAD Contínua de 2019. Isso se deve, pois, dentro do componente “Carências de Infraestrutura Urbana”, encontra-se o subcomponente “Inadequação do Esgotamento Sanitário” referente às variáveis S01012 (PNAD Contínua 2016 a 2018) e S01012A (PNAD Contínua 2019). Para os anos de 2016 a 2018 uma das resposta de interesse, “Fossa rudimentar”, que indica situação de inadequação do esgotamento sanitário, esteve contida na mesma categoria de resposta da “Fossa não ligada à rede” e, consequentemente, não é contabilizada diretamente para o período de 2016 até 2018. No mesmo sentido, ao se considerar a ”Fossa não ligada à rede” como inadequado, há superestimação do indicador, pois se considera formas adequadas - como a ”fossa séptica não ligada à rede” - como inadequada.
Para contornar este problema, foram calculadas as proporções da distribuição dos diferentes componentes que compunham a “fossa não ligada à rede”, isto é, a proporção do que seria “fossa séptica não ligada à rede” e o que seria “fossa rudimentar” para o novo cálculo da inadequação do esgotamento sanitário entre 2016 e 2018, a partir dos dados de 2019 para todas as unidades geográficas de análise.
Posteriormente, foi aplicada a média da variação dos resultados obtidos para de 2019 e os superestimados, entre 2016 e 2018, para gerar os as tabelas com os dados referentes ao total de domicílios com carências de infraestrutura e o total de domicílios inadequados, também para os anos de 2016 até 2018 e para todas as unidades geográficas de análise.
Para uma explicação mais detida, recomenda-se a leitura de Metodologia do Deficit Habitacional e da Inadequação de Domicílios no Brasil 2016-2019 (Fundação João Pinheiro, 2020, p. 52-58) para sanar dúvidas metodológicas a respeito deste script.
Deste modo, o processamento deste script foi todo realizado utilizando as PNADs Contínua entre 2016 e 2019, mas, ao final, foi extraído apenas o último ano para geração das tabelas referentes aos componentes da Inadequação de Domicílios.
Não obstante, caso se queria gerar os resultados para todos os componentes da inadequação de domicílios - com exceção do total de domicílios urbanos inadequados, total de domicílios urbanos com carência de infraestrutura e total de domicílios urbanos com inadequação esgotamento sanitário - basta gerar as tabelas usando a lista com as PNADs Contínua, ao invés de apenas a lista com o plano amostral complexo de 2019.
Estabeleça o diretório onde estão localizados os dados da PNAD Contínua 2016 a 2019:
setwd("directory/")Caso necessário, utilize o código abaixo para baixar os dados da PNAD Contínua, os quais devem ser salvos em uma pasta denominada input no diretório estabelecido. Os dados referentes às características dos domicílios se encontram na primeira visita da PNAD Contínua de 2016 a 2019.
install.packages("PNADcIBGE")
library("PNADcIBGE")
get_pnadc(2016,interview = 1, savedir = "input/")
get_pnadc(2017,interview = 1, savedir = "input/")
get_pnadc(2018,interview = 1, savedir = "input/")
get_pnadc(2019,interview = 1, savedir = "input/")Estabeleça os pacotes a serem utilizados:
pacotes <- c("tidyverse", "data.table", "PNADcIBGE", "survey", "srvyr", "rio", "ggtext", "ggthemes", "ipeadatar", "rlist")Caso precise instale os pacotes que forem necessários:
install.packages(pacotes)]Carregue os pacotes em seu ambiente R:
carregar <- lapply(pacotes, library, character.only = TRUE)Se necessário utilize o código abaixo para aumentar a memória disponível para seu ambiente R:
memory.limit(size = 20000)Utilize os comandos abaixo para selecionar as variáveis, identifcar os arquivos da PNAD Contínua e, em seguida, importá-los. Note-se que para a construção das variáveis da inadequação de domicílios se faz necessário a importação das bases de forma separada, em função das alterações nos nomes e códigos de algumas variáveis entre os anos. Assim, os nomes são normatizados e as bases unidas.
variaveis_2016 <- c(
"Ano", # Ano
"UF", # Unidade da Federação
"Capital", # Município da Capital
"RM_RIDE", # Regiãoo Metropolitana e Regiãoo Administrativa Integrada
'UPA', # Unidade Primaria de amostragem (unidade de amostragem mais granular)
'Estrato', # Estratos da amostra
"V1030", # Projeção da população
"V1031", # Peso com correção de não entrevista sem pós estratificação
"V1032", # Peso com correção de nãoo entrevista com pós estratificação
"V2001", # Número de pessoas no domicílio
"V2005", # Condição no domicílio
"S01002", # Material paredes externas domicílio
"S01001", # Tipo de domicílio (casa, apt, cômodo/cortiço...)
"S01017", # Este domicílio é (próprio, alugado...)
"V1022", # Situação do domicílio (urbano/rural)
"S01019", # Valor mensal do aluguel
"VD5004", # Rendimento (efetivo) domiciliar
"S01005", # Total de comodos do domicilio
"S01006", # Cômodos servindo de dormitórios
"VD2003", # Núm. componentes do domicílio (exclusive pensionista, emp. domest. ou parente emp.
#domest.)
"S01004", # Piso que predomina no domicílio
"VD2004", # Espécie da unidade doméstica
'S01007', # Forma de abastecimento de agua
'S01012', # Escoadouro do banheiro/sanitario
'S01014', # Origem da energia eletrica
'S01013', # Principal destino do lixo
'S01011', # Numero de banheiros ou sanitarios ATENCAO DIFERENCIAR 2016 e 2017-2018
'S01020', # Onde o terreno esta localizado
'S01003', # Cobertura do telhado
"S01009", #Possui reservatório
"S01008",
"S01010",
'V2010', # cor ou raça
"S01015",
'V2007' # sexo moradores
)
variaveis_2017_2018 <- c(
"Ano", # Ano
"UF", # Unidade da Federação
"Capital", # Município da Capital
"RM_RIDE", # Regiãoo Metropolitana e Regiãoo Administrativa Integrada
'UPA', # Unidade Primaria de amostragem (unidade de amostragem mais granular)
'Estrato', # Estratos da amostra
"V1030", # Projeção da população
"V1031", # Peso com correção de não entrevista sem pós estratificação
"V1032", # Peso com correção de nãoo entrevista com pós estratificação
"V2001", # Número de pessoas no domicílio
"V2005", # Condição no domicílio
"S01002", # Material paredes externas domicílio
"S01001", # Tipo de domicílio (casa, apt, cômodo/cortiço...)
"S01017", # Este domicílio é (próprio, alugado...)
"V1022", # Situação do domicílio (urbano/rural)
"S01019", # Valor mensal do aluguel
"VD5004", # Rendimento (efetivo) domiciliar
"S01005", # Total de comodos do domicilio
"S01006", # Cômodos servindo de dormitórios
"VD2003", # Núm. componentes do domicílio (exclusive pensionista, emp. domest. ou parente emp.
#domest.)
"S01004", # Piso que predomina no domicílio
"VD2004", # Espécie da unidade doméstica
'S01007', # Forma de abastecimento de agua
'S01012', # Escoadouro do banheiro/sanitario
'S01014', # Origem da energia eletrica
'S01013', # Principal destino do lixo
'S01011A', # Numero de banheiros ou sanitarios ATENCAO DIFERENCIAR 2016 e 2017-2018
'S01020', # Onde o terreno esta localizado
'S01003', # Cobertura do telhado
"S01009", #Possui reservatório
"S01008",
"S01010",
"S01015",
'V2010', # cor ou raça
'V2007' # sexo moradores
)
variaveis_2019 <- c(
"Ano", # Ano
"UF", # Unidade da Federação
"Capital", # Município da Capital
"RM_RIDE", # Regiãoo Metropolitana e Regiãoo Administrativa Integrada
'UPA', # Unidade Primaria de amostragem (unidade de amostragem mais granular)
'Estrato', # Estratos da amostra
"V1030", # Projeção da população
"V1031", # Peso com correção de não entrevista sem pós estratificação
"V1032", # Peso com correção de nãoo entrevista com pós estratificação
"V2001", # Número de pessoas no domicílio
"V2005", # Condição no domicílio
"S01002", # Material paredes externas domicílio
"S01001", # Tipo de domicílio (casa, apt, cômodo/cortiço...)
"S01017", # Este domicílio é (próprio, alugado...)
"V1022", # Situação do domicílio (urbano/rural)
"S01019", # Valor mensal do aluguel
"VD5004", # Rendimento (efetivo) domiciliar
"S01005", # Total de comodos do domicilio
"S01006", # Cômodos servindo de dormitórios
"VD2003", # Núm. componentes do domicílio (exclusive pensionista, emp. domest. ou parente emp.
#domest.)
"S01004", # Piso que predomina no domicílio
"VD2004", # Espécie da unidade doméstica
'S01007', # Forma de abastecimento de agua
'S01012A', # Escoadouro do banheiro/sanitario
'S01014', # Origem da energia eletrica
'S01013', # Principal destino do lixo
'S01011A', # Numero de banheiros ou sanitarios ATENCAO DIFERENCIAR 2016 e 2017-2018
'S01020', # Onde o terreno esta localizado
'S01003', # Cobertura do telhado
"S01009", #Possui reservatório
"S01008",
"S01010",
"S01015",
'V2010', # cor ou raça
'V2007' # sexo moradores
)
## Importar dados offline
# Identificar os arquivos de microdados
microdados <- list.files(path = "input/", pattern = "^PNADC_201(7|8)(.*?)txt$")
microdados <- map_chr(microdados, function(x) paste0("input/", x))
# Identificar os inputs
input_PNADc <- list.files(path = "input/", pattern = "^input_PNADC_201(7|8)(.*?)txt$")
input_PNADc <- map_chr(input_PNADc, function(x) paste0("input/", x))
# Identificar os dicionários
dicionarios <- list.files(path = "input/",
pattern = "^dicionario_PNADC_microdados_201(6|7|8|9)(.*?)xls$")
dicionarios <- map_chr(dicionarios, function(x) paste0("input/", x))
## 2017 E 2018
# Importar os dados 2017 e 2018 em uma lista
PNADc_lista <- map2(microdados, input_PNADc, function(x, y)
read_pnadc(microdata = x,
input_txt = y,
vars = variaveis_2017_2018))
# Renomear as pesquisas de acordo com os anos
names(PNADc_lista) <- paste0("PNADc_", c(2017:2018))
# Importar dados 2016
PNADc_2016 <- read_pnadc(
microdata = "input/PNADC_2016_visita1.txt",
input_txt = "input/input_PNADC_2016_visita1.txt",
vars = variaveis_2016
)
# Importar dados 2019
PNADc_2019 <- read_pnadc(
microdata = "input/PNADC_2019_visita1.txt",
input_txt = "input/input_PNADC_2019_visita1.txt",
vars = variaveis_2019
)
#install.packages('rlist')
library(rlist)
# Adicionar PNADc_2016 e PNADc_2019 a lista
PNADc_lista <- list.append(PNADc_lista, 'PNADc_2016' = PNADc_2016, 'PNADc_2019' = PNADc_2019)
rm(PNADc_2016)
rm(PNADc_2019)
# Reordenar lista
PNADc_lista <- PNADc_lista[c("PNADc_2016","PNADc_2017","PNADc_2018","PNADc_2019")]
# Adicionar os rótulos das variáveis categóricas
PNADc_lista$PNADc_2016 <- pnadc_labeller(PNADc_lista$PNADc_2016,
dictionary.file = dicionarios[1])
PNADc_lista$PNADc_2017 <- pnadc_labeller(PNADc_lista$PNADc_2017,
dictionary.file = dicionarios[2])
PNADc_lista$PNADc_2018 <- pnadc_labeller(PNADc_lista$PNADc_2018,
dictionary.file = dicionarios[3])
PNADc_lista$PNADc_2019 <- pnadc_labeller(PNADc_lista$PNADc_2019,
dictionary.file = dicionarios[4])
# Renomear S01011A em 2017-18 para S01011
colnames(PNADc_lista$PNADc_2017)[colnames(PNADc_lista$PNADc_2017) == 'S01011A'] <- 'S01011'
colnames(PNADc_lista$PNADc_2018)[colnames(PNADc_lista$PNADc_2018) == 'S01011A'] <- 'S01011'
colnames(PNADc_lista$PNADc_2019)[colnames(PNADc_lista$PNADc_2019) == 'S01011A'] <- 'S01011'
## Renomear S01012A EM 2019 PARA S01012
colnames(PNADc_lista$PNADc_2019)[colnames(PNADc_lista$PNADc_2019) == 'S01012A'] <- 'S01012'Verificando as Colunas da Base de dados importada1:
colnames(PNADc_lista$PNADc_2019)## [1] "Ano" "Trimestre" "UF" "Capital" "RM_RIDE"
## [6] "UPA" "Estrato" "V1008" "V1014" "V1022"
## [11] "V1030" "V1031" "V1032" "V1034" "posest"
## [16] "posest_sxi" "V2001" "V2003" "V2005" "V2007"
## [21] "V2010" "S01001" "S01002" "S01003" "S01004"
## [26] "S01005" "S01006" "S01007" "S01008" "S01009"
## [31] "S01010" "S01011" "S01012" "S01013" "S01014"
## [36] "S01015" "S01017" "S01019" "S01020" "VD2003"
## [41] "VD2004" "VD5004" "V1032001" "V1032002" "V1032003"
## [46] "V1032004" "V1032005" "V1032006" "V1032007" "V1032008"
## [51] "V1032009" "V1032010" "V1032011" "V1032012" "V1032013"
## [56] "V1032014" "V1032015" "V1032016" "V1032017" "V1032018"
## [61] "V1032019" "V1032020" "V1032021" "V1032022" "V1032023"
## [66] "V1032024" "V1032025" "V1032026" "V1032027" "V1032028"
## [71] "V1032029" "V1032030" "V1032031" "V1032032" "V1032033"
## [76] "V1032034" "V1032035" "V1032036" "V1032037" "V1032038"
## [81] "V1032039" "V1032040" "V1032041" "V1032042" "V1032043"
## [86] "V1032044" "V1032045" "V1032046" "V1032047" "V1032048"
## [91] "V1032049" "V1032050" "V1032051" "V1032052" "V1032053"
## [96] "V1032054" "V1032055" "V1032056" "V1032057" "V1032058"
## [101] "V1032059" "V1032060" "V1032061" "V1032062" "V1032063"
## [106] "V1032064" "V1032065" "V1032066" "V1032067" "V1032068"
## [111] "V1032069" "V1032070" "V1032071" "V1032072" "V1032073"
## [116] "V1032074" "V1032075" "V1032076" "V1032077" "V1032078"
## [121] "V1032079" "V1032080" "V1032081" "V1032082" "V1032083"
## [126] "V1032084" "V1032085" "V1032086" "V1032087" "V1032088"
## [131] "V1032089" "V1032090" "V1032091" "V1032092" "V1032093"
## [136] "V1032094" "V1032095" "V1032096" "V1032097" "V1032098"
## [141] "V1032099" "V1032100" "V1032101" "V1032102" "V1032103"
## [146] "V1032104" "V1032105" "V1032106" "V1032107" "V1032108"
## [151] "V1032109" "V1032110" "V1032111" "V1032112" "V1032113"
## [156] "V1032114" "V1032115" "V1032116" "V1032117" "V1032118"
## [161] "V1032119" "V1032120" "V1032121" "V1032122" "V1032123"
## [166] "V1032124" "V1032125" "V1032126" "V1032127" "V1032128"
## [171] "V1032129" "V1032130" "V1032131" "V1032132" "V1032133"
## [176] "V1032134" "V1032135" "V1032136" "V1032137" "V1032138"
## [181] "V1032139" "V1032140" "V1032141" "V1032142" "V1032143"
## [186] "V1032144" "V1032145" "V1032146" "V1032147" "V1032148"
## [191] "V1032149" "V1032150" "V1032151" "V1032152" "V1032153"
## [196] "V1032154" "V1032155" "V1032156" "V1032157" "V1032158"
## [201] "V1032159" "V1032160" "V1032161" "V1032162" "V1032163"
## [206] "V1032164" "V1032165" "V1032166" "V1032167" "V1032168"
## [211] "V1032169" "V1032170" "V1032171" "V1032172" "V1032173"
## [216] "V1032174" "V1032175" "V1032176" "V1032177" "V1032178"
## [221] "V1032179" "V1032180" "V1032181" "V1032182" "V1032183"
## [226] "V1032184" "V1032185" "V1032186" "V1032187" "V1032188"
## [231] "V1032189" "V1032190" "V1032191" "V1032192" "V1032193"
## [236] "V1032194" "V1032195" "V1032196" "V1032197" "V1032198"
## [241] "V1032199" "V1032200" "ID_DOMICILIO"Transformando os dados importados em um objeto de plano amostral complexo e, depois, permitindo seu tratamento dentro da lógica do dplyr:
PNADc_lista <- PNADc_lista %>% map(pnadc_design)
PNADc_svy <- lapply(PNADc_lista, as_survey)
rm(PNADc_lista)A função abaixo será utilizada para gerar novas variáveis categóricas e aplicá-las em todos os objetos da lista criada:
fct_case_when <- function(...) {
args <- as.list(match.call())
levels <- sapply(args[-1], function(f) f[[3]]) # extract RHS of formula
levels <- levels[!is.na(levels)]
factor(dplyr::case_when(...), levels=levels)
}Baixe a série histórica do salário mínimo e crie vetores para o salário mínimo usando o primeiro mês de cada ano:
library(ipeadatar)
serie_sm <- ipeadata(code = "MTE12_SALMIN12", language = "br")
sm_2016 <- serie_sm %>%
filter(date == "2016-01-01") %>%
summarise(Valor = sum(value)) %>%
as.double()
sm_2017 <- serie_sm %>%
filter(date == "2017-01-01") %>%
summarise(Valor = sum(value)) %>%
as.double()
sm_2018 <- serie_sm %>%
filter(date == "2018-01-01") %>%
summarise(Valor = sum(value)) %>%
as.double()
sm_2019 <- serie_sm %>%
filter(date == "2019-01-01") %>%
summarise(Valor = sum(value)) %>%
as.double()
# Criar uma lista com os salários mínimos de cada ano
SMs <- list(SM_2016 = sm_2016,
SM_2017 = sm_2017,
SM_2018 = sm_2018,
SM_2019 = sm_2019)Crie, utilzando a função fct_case_when, os códigos abaixo das variáveis de renda em termos do salário mínimo de cada ano:
# Criar função que cria variável com faixa salarial: Faixa_Rend_Dom
fun_faixa <- function(x, y){
x %>% mutate(Faixa_Rend_Dom = fct_case_when(
VD5004 <= 0.25 * y ~ "Até ¼ salário mínimo",
VD5004 > 0.25 * y & VD5004 <= 0.5 * y ~ "Mais de ¼ até ½ salário mínimo",
VD5004 > 0.5 * y & VD5004 <= 1 * y ~ "Mais de ½ até 1 salário mínimo",
VD5004 > 1 * y & VD5004 <= 2 * y ~ "Mais de 1 até 2 salários mínimos",
VD5004 > 2 * y & VD5004 <= 3 * y ~ "Mais de 2 até 3 salários mínimos",
VD5004 > 3 * y & VD5004 <= 5 * y ~ "Mais de 3 até 5 salários mínimos",
VD5004 > 5 * y ~ "Mais de 5 salários mínimos",
is.na(VD5004) ~ NA_character_
))
}
# Aplicar função para todas os anos, de acordo com a lista de SMs
PNADc_svy <- map2(PNADc_svy, SMs, fun_faixa)
## Criar função de faixa salarial para politicas habitacionais
fun_faixa_2 <- function(x, y){
x %>% mutate(Faixa_Rend_Dom_2 = fct_case_when(
VD5004 <= 1 * y ~ "Até 1 salário mínimo",
VD5004 > 1 * y & VD5004 <= 2 * y ~ "Mais de 1 até 2 salário mínimo",
VD5004 > 2 * y & VD5004 <= 3 * y ~ "Mais de 2 até 3 salário mínimo",
VD5004 > 3 * y ~ "Mais de 3 salários mínimos",
is.na(VD5004) ~ NA_character_
))
}
PNADc_svy <- map2(PNADc_svy, SMs, fun_faixa_2)
# Criar um vetor com as faixas com menos de 3SMs
SMs_3 <- c("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")Crie com os códigos abaixo a variável da região para a base de dados:
PNADc_svy <- PNADc_svy %>%
map(~ .x %>% mutate(Regiao = fct_case_when(
UF %in% c("Rondônia", "Acre", "Amazonas", "Roraima", "Pará", "Amapá", "Tocantins") ~
"Norte",
UF %in% c("Maranhão", "Piauí", "Ceará", "Rio Grande do Norte", "Paraíba", "Pernambuco", "Alagoas", "Bahia", "Sergipe") ~
"Nordeste",
UF %in% c("Minas Gerais", "Espírito Santo", "Rio de Janeiro", "São Paulo") ~
"Sudeste",
UF %in% c("Paraná", "Santa Catarina", "Rio Grande do Sul") ~
"Sul",
UF %in% c("Mato Grosso do Sul", "Mato Grosso", "Goiás", "Distrito Federal") ~
"Centro-Oeste",
is.na(UF) ~
NA_character_
)))Crie com os códigos abaixo a variável identificadora de região metropolitana para a base de dados:
PNADc_svy <- PNADc_svy %>%
map(~ .x %>% mutate(RMs = fct_case_when(
!is.na(RM_RIDE) ~
"RM",
is.na(RM_RIDE) ~
NA_character_
)))Crie com os códigos abaixo a variável que identifica se o número de cômodos utilizados como dormitório é igual ao total de cômodos do domicílio exceto banheiros:
PNADc_svy <- PNADc_svy %>%
map(~ .x %>% mutate(comodos_menos_banheiros = fct_case_when(
S01006 >= S01005 - S01011 ~
"Número de cômodos servindo de dormitório igual ou maior que número total de cômodos (exceto banheiro)",
S01006 < S01005 - S01011 ~
"Número de cômodos servindo de dormitório menor que o número total de cômodos (exceto banheiro)"
# is.na(S01005) | is.na(S01006) | is.na(S01011) ~
# NA_character_
))) Como explicado em Metodologia do Deficit Habitacional e da Inadequação de Domicílios no Brasil 2016-2019 (Fundação João Pinheiro, 2020), a análise de Inadequação Domiciliar restringe-se aos domicílios urbanos e são excluídos os domicílios em situação de déficit habitacional do tipo domicílio rústico e do tipo domicílio cômodo. Dessa forma, é preciso identificar na base de dados as observações que se encontram nessa situação para que não sejam incluídas errôneamente na análise final.
A seguir, crie os identificadores dos componentes “Domicílios Rústicos” e “Cômodos” do déficit habitacional, e use-os para categorizar os domicílios em situação de Déficit.
PNADc_svy <- PNADc_svy %>%
map(~ .x %>% mutate(CH = fct_case_when(
S01002 %in% c("Taipa sem revestimento",
"Madeira aproveitada",
"Outro material") ~ "Domicílios Rústicos",
S01001 %in% "Habitação em casa de cômodos, cortiço ou cabeça de porco" &
! S01017 %in% c("Cedido por empregador") ~ "Cômodos",
TRUE ~ "Sem Déficit"
)))
# CRIACAO VARIAVEL DEFICIT ----
# Variável numérica: Deficit
PNADc_svy <- PNADc_svy %>%
map(~ .x %>% mutate(Deficit = case_when(
CH %in% c("Domicílios Rústicos",
"Cômodos") ~ 1, # Deficit
TRUE ~ 0 # Sem Deficit
)))
# Variável categórica: DH
PNADc_svy <- PNADc_svy %>%
map(~ .x %>% mutate(DH = fct_case_when(
CH %in% c("Domicílios Rústicos",
"Cômodos") ~ "Deficit",
TRUE ~ "Sem Deficit"
))) A seguir, serão criados por meio da função fct_case_when os indicadores de Inadequação dos Domicílios Urbanos. Inicialmente serão criados os indicadores para cada componente e subcomponentes da inadequação, bem como a variável que identifica o total de domicílios urbanos com pelo menos uma inadequação.
Note que, como explicado anteriormente, os domicílios são primeiro identificados como rurais ou em situação de déficit para depois categorizá-los de acordo com a inadequação domiciliar.
Do mesmo modo, os componentes de Carência de Infraestrutura e Carência Edilícia, indicam a existência de pelo menos uma inadequação de seu grupo, não podendo os resultados de cada subcomponente ser somado aos demais. Por fim, o indicador de inadequação de domicílios indica a existência de ao menos uma inadequação em qualquer um dos componentes - Infraestrutura, Edilícia ou Fundiária.
Crie a variável indicadora dos domicílios que apresentam ao menos um tipo de Carência de Infraestrutura Urbana.
PNADc_svy <- PNADc_svy %>%
map(~ .x %>% mutate(inf_urb = fct_case_when(
V1022 %in% "Rural" ~ "Rural",
DH %in% "Deficit" ~ "Deficit",
S01007 %in% c('Poço profundo ou artesiano','Poço raso, freático ou cacimba',
'Fonte ou nascente','Água da chuva armazenada', 'Outra', 'Outra (especifique)') |
S01012 %in% c('Fossa rudimentar', 'Vala','Rio, lago ou mar', 'Outra', 'Outra forma (especifique)') |
S01008 %in% c('De 4 a 6 dias na semana','De 1 a 3 dias na semana','Outra frequência') |
S01010 %in% c('Canalizada só na propriedade ou terreno','Não canalizada') |
S01014 %in% c('Não utiliza/tem energia eletrica') |
S01015 %in% c('Diária, por algumas horas','Outra frequência') |
S01013 %in% c('Queimado (na propriedade)','Enterrado (na propriedade)',
'Jogado em terreno baldio ou logradouro', 'Outro destino',
'Outro destino (especifique)') ~ "Infraestrutura Urbana",
TRUE ~ "Sem inadequação"
)))Em seguida, crie as variáveis identificadoras de cada subcomponente de Carência de Infraestrutua Urbana.
# energia_eletrica
PNADc_svy <- PNADc_svy %>%
map(~ .x %>% mutate(energia_eletrica = fct_case_when(
V1022 %in% "Rural" ~ "Rural",
DH %in% "Deficit" ~ "Deficit",
S01014 %in% c('Não utiliza/tem energia eletrica') |
S01015 %in% c('Diária, por algumas horas','Outra frequência') ~
"Energia elétrica",
TRUE ~ "Sem inadequação"
)))
# agua
PNADc_svy <- PNADc_svy %>%
map(~ .x %>% mutate(agua = fct_case_when(
V1022 %in% "Rural" ~ "Rural",
DH %in% "Deficit" ~ "Deficit",
S01007 %in% c('Poço profundo ou artesiano','Poço raso, freático ou cacimba',
'Fonte ou nascente','Água da chuva armazenada', 'Outra', 'Outra (especifique)') |
S01008 %in% c('De 4 a 6 dias na semana','De 1 a 3 dias na semana','Outra frequência') |
S01010 %in% c('Canalizada só na propriedade ou terreno','Não canalizada') ~
"Abastecimento de água",
TRUE ~ "Sem inadequação"
)))
# esgotamento sanitario
PNADc_svy <- PNADc_svy %>%
map(~ .x %>% mutate(esgotamento_sanitario = fct_case_when(
V1022 %in% "Rural" ~ "Rural",
DH %in% "Deficit" ~ "Deficit",
S01012 %in% c('Fossa não ligada à rede', 'Fossa rudimentar', 'Vala', 'Rio, lago ou mar',
'Outra forma', 'Outra forma (especifique)') ~
"Esgotamento sanitário",
TRUE ~ "Sem inadequação"
)))
# coleta_lixo
PNADc_svy <- PNADc_svy %>%
map(~ .x %>% mutate(coleta_lixo = fct_case_when(
V1022 %in% "Rural" ~ "Rural",
DH %in% "Deficit" ~ "Deficit",
S01013 %in% c('Queimado (na propriedade)','Enterrado (na propriedade)',
'Jogado em terreno baldio ou logradouro','Outro destino',
'Outro destino (especifique)') ~
"Coleta de lixo",
TRUE ~ "Sem inadequação"
)))Crie a variável indicadora dos domicílios que apresentam ao menos um tipo de Carência Edílica.
PNADc_svy <- PNADc_svy %>%
map(~ .x %>% mutate(car_edil = fct_case_when(
V1022 %in% "Rural" ~ "Rural",
DH %in% "Deficit" ~ "Deficit",
S01009 %in% 'Não' |
S01011 == 0 |
comodos_menos_banheiros %in% "Número de cômodos servindo de dormitório igual ou maior que número total de cômodos (exceto banheiro)" |
S01003 %in% c('Zinco,alumínio ou chapa metálica', 'Outro material') |
S01004 %in% c('Terra') ~
"Carências Edilícias",
TRUE ~ "Sem inadequação"
)))Em seguida, crie as variáveis identificadoras de cada subcomponente de Carência Edílica.
### ARMAZENAMENTO
PNADc_svy <- PNADc_svy %>%
map(~ .x %>% mutate(armazen_agua = fct_case_when(
V1022 %in% "Rural" ~ "Rural",
DH %in% "Deficit" ~ "Deficit",
S01009 %in% 'Não' ~ "Sem Armazenamento",
# is.na(S01009) ~ NA_character_,
TRUE ~ "Sem inadequação"
)))
# AUSENCIA DE BANHEIRO
PNADc_svy <- PNADc_svy %>%
map(~ .x %>% mutate(ausencia_banheiro = fct_case_when(
V1022 %in% "Rural" ~ "Rural",
DH %in% "Deficit" ~ "Deficit",
S01011 == 0 ~ "Ausência de banheiro",
# is.na(S01011) ~ NA_character_,
TRUE ~ "Sem inadequação"
)))
# Número de cômodos servindo de dormitório = número total de cômodos exceto banheiro
PNADc_svy <- PNADc_svy %>%
map(~ .x %>% mutate(comodos_dormitorios = fct_case_when(
V1022 %in% "Rural" ~ "Rural",
DH %in% "Deficit" ~ "Deficit",
comodos_menos_banheiros %in%
"Número de cômodos servindo de dormitório igual ou maior que número total de cômodos (exceto banheiro)" ~
"Todos os cômodos (exceto banheiro) servindo de dormitório",
TRUE ~ "Sem inadequação"
)))
# COBERTURA INADEQUADA
PNADc_svy <- PNADc_svy %>%
map(~ .x %>% mutate(cobertura = fct_case_when(
V1022 %in% "Rural" ~ "Rural",
DH %in% "Deficit" ~ "Deficit",
S01003 %in% c('Zinco,alumínio ou chapa metálica', 'Outro material') ~
"Cobertura inadequada",
# is.na(S01003) ~ NA_character_,
TRUE ~ "Sem inadequação"
)))
#Piso
PNADc_svy <- PNADc_svy %>%
map(~ .x %>% mutate(piso = fct_case_when(
V1022 %in% "Rural" ~ "Rural",
DH %in% "Deficit" ~ "Deficit",
S01004 %in% c('Terra') ~
"piso inadequado",
# is.na(S01004) ~ NA_character_,
TRUE ~ "Sem inadequação"
)))Crie a variável indicadora dos domicílios que apresentam Inadequação Fundiária.
PNADc_svy <- PNADc_svy %>%
map(~ .x %>% mutate(inadeq_fund = fct_case_when(
V1022 %in% "Rural" ~ "Rural",
DH %in% "Deficit" ~ "Deficit",
S01017 %in% c('Próprio de algum morador - já pago',
'Próprio de algum morador - ainda pagando') &
S01020 %in% 'Não' ~
"Inadequação fundiária",
# is.na(S01017) | is.na(S01020) ~ NA_character_,
TRUE ~ "Sem inadequação"
)))Crie a variável indicadora dos domicílios que apresentam ao menos um componente de inadequação domiciliar.
PNADc_svy <- PNADc_svy %>%
map(~ .x %>% mutate(inadequacao = fct_case_when(
V1022 %in% "Rural" ~ "Rural",
DH %in% "Deficit" ~ "Deficit",
inf_urb %in% "Infraestrutura Urbana" |
car_edil %in% "Carências Edilícias"|
inadeq_fund %in% "Inadequação fundiária" ~
"Domicílios inadequados",
TRUE ~ "Domicílios urbanos duráveis"
)))Como discutido inicialmente, devido a questões referentes ao subcomponente de “Esgotamento Sanitário” específicas dos anos de 2016 a 2018, serão geradas tabelas apenas para o ano de 2019.
Essas tabelas podem ser geradas seguindo o exemplo abaixo, para as Unidades Federativas:
###Inadequação Total por UF
UF_abast <- PNADc_svy$PNADc_2019 %>%
filter(V2005 %in% "Pessoa responsável pelo domicílio") %>%
group_by(Ano, agua, UF) %>%
summarise(count = survey_total(vartype = "se", na.rm = T)) %>%
filter(!agua %in% "Rural") %>%
group_by(UF) %>%
mutate(percent = (count / sum(count, na.rm = T)) * 100) %>%
bind_rows(.id = "Pesquisa") %>%
mutate(Pesquisa = "PNAD_Continua") %>%
select(-count_se) %>%
select(1,4,2,3,5,6) %>%
rename("regiao" = 2)
UF_energia <- PNADc_svy$PNADc_2019 %>%
filter(V2005 %in% "Pessoa responsável pelo domicílio") %>%
group_by(Ano, energia_eletrica, UF) %>%
summarise(count = survey_total(vartype = "se", na.rm = T)) %>%
filter(!energia_eletrica %in% "Rural") %>%
group_by(UF) %>%
mutate(percent = (count / sum(count, na.rm = T)) * 100) %>%
bind_rows(.id = "Pesquisa") %>%
mutate(Pesquisa = "PNAD_Continua") %>%
select(-count_se) %>%
select(1,4,2,3,5,6) %>%
rename("regiao" = 2)
UF_esgoto <- PNADc_svy$PNADc_2019 %>%
filter(V2005 %in% "Pessoa responsável pelo domicílio") %>%
group_by(Ano, esgotamento_sanitario, UF) %>%
summarise(count = survey_total(vartype = "se", na.rm = T)) %>%
filter(!esgotamento_sanitario %in% "Rural") %>%
group_by(UF) %>%
mutate(percent = (count / sum(count, na.rm = T)) * 100) %>%
bind_rows(.id = "Pesquisa") %>%
mutate(Pesquisa = "PNAD_Continua") %>%
select(-count_se) %>%
select(1,4,2,3,5,6) %>%
rename("regiao" = 2)
UF_lixo <- PNADc_svy$PNADc_2019 %>%
filter(V2005 %in% "Pessoa responsável pelo domicílio") %>%
group_by(Ano, coleta_lixo, UF) %>%
summarise(count = survey_total(vartype = "se", na.rm = T)) %>%
filter(!coleta_lixo %in% "Rural") %>%
group_by(UF) %>%
mutate(percent = (count / sum(count, na.rm = T)) * 100) %>%
bind_rows(.id = "Pesquisa") %>%
mutate(Pesquisa = "PNAD_Continua") %>%
select(-count_se) %>%
select(1,4,2,3,5,6) %>%
rename("regiao" = 2)
UF_armazenamento <- PNADc_svy$PNADc_2019 %>%
filter(V2005 %in% "Pessoa responsável pelo domicílio") %>%
group_by(Ano, armazen_agua, UF) %>%
summarise(count = survey_total(vartype = "se", na.rm = T)) %>%
filter(!armazen_agua %in% "Rural") %>%
group_by(UF) %>%
mutate(percent = (count / sum(count, na.rm = T)) * 100) %>%
bind_rows(.id = "Pesquisa") %>%
mutate(Pesquisa = "PNAD_Continua") %>%
select(-count_se) %>%
select(1,4,2,3,5,6) %>%
rename("regiao" = 2)
UF_banheiro <- PNADc_svy$PNADc_2019 %>%
filter(V2005 %in% "Pessoa responsável pelo domicílio") %>%
group_by(Ano, ausencia_banheiro, UF) %>%
summarise(count = survey_total(vartype = "se", na.rm = T)) %>%
filter(!ausencia_banheiro %in% "Rural") %>%
group_by(UF) %>%
mutate(percent = (count / sum(count, na.rm = T)) * 100) %>%
bind_rows(.id = "Pesquisa") %>%
mutate(Pesquisa = "PNAD_Continua") %>%
select(-count_se) %>%
select(1,4,2,3,5,6) %>%
rename("regiao" = 2)
UF_comodos <- PNADc_svy$PNADc_2019 %>%
filter(V2005 %in% "Pessoa responsável pelo domicílio") %>%
group_by(Ano, comodos_dormitorios, UF) %>%
summarise(count = survey_total(vartype = "se", na.rm = T)) %>%
filter(!comodos_dormitorios %in% "Rural") %>%
group_by(UF) %>%
mutate(percent = (count / sum(count, na.rm = T)) * 100) %>%
bind_rows(.id = "Pesquisa") %>%
mutate(Pesquisa = "PNAD_Continua") %>%
select(-count_se) %>%
select(1,4,2,3,5,6) %>%
rename("regiao" = 2)
UF_cobertura <- PNADc_svy$PNADc_2019 %>%
filter(V2005 %in% "Pessoa responsável pelo domicílio") %>%
group_by(Ano, cobertura, UF) %>%
summarise(count = survey_total(vartype = "se", na.rm = T)) %>%
filter(!cobertura %in% "Rural") %>%
group_by(UF) %>%
mutate(percent = (count / sum(count, na.rm = T)) * 100) %>%
bind_rows(.id = "Pesquisa") %>%
mutate(Pesquisa = "PNAD_Continua") %>%
select(-count_se) %>%
select(1,4,2,3,5,6) %>%
rename("regiao" = 2)
UF_piso <- PNADc_svy$PNADc_2019 %>%
filter(V2005 %in% "Pessoa responsável pelo domicílio") %>%
group_by(Ano, piso, UF) %>%
summarise(count = survey_total(vartype = "se", na.rm = T)) %>%
filter(!piso %in% "Rural") %>%
group_by(UF) %>%
mutate(percent = (count / sum(count, na.rm = T)) * 100) %>%
bind_rows(.id = "Pesquisa") %>%
mutate(Pesquisa = "PNAD_Continua") %>%
select(-count_se) %>%
select(1,4,2,3,5,6) %>%
rename("regiao" = 2)
UF_fundiaria <- PNADc_svy$PNADc_2019 %>%
filter(V2005 %in% "Pessoa responsável pelo domicílio") %>%
group_by(Ano, inadeq_fund, UF) %>%
summarise(count = survey_total(vartype = "se", na.rm = T)) %>%
filter(!inadeq_fund %in% "Rural") %>%
group_by(UF) %>%
mutate(percent = (count / sum(count, na.rm = T)) * 100) %>%
bind_rows(.id = "Pesquisa") %>%
mutate(Pesquisa = "PNAD_Continua") %>%
select(-count_se) %>%
select(1,4,2,3,5,6) %>%
rename("regiao" = 2)
UF_inadequacao <- PNADc_svy$PNADc_2019 %>%
filter(V2005 %in% "Pessoa responsável pelo domicílio") %>%
group_by(Ano, inadequacao, UF) %>%
summarise(count = survey_total(vartype = "se", na.rm = T)) %>%
filter(!inadequacao %in% "Rural") %>%
group_by(UF) %>%
mutate(percent = (count / sum(count, na.rm = T)) * 100) %>%
bind_rows(.id = "Pesquisa") %>%
mutate(Pesquisa = "PNAD_Continua") %>%
select(-count_se) %>%
select(1,4,2,3,5,6) %>%
rename("regiao" = 2)
UF_infra <- PNADc_svy$PNADc_2019 %>%
filter(V2005 %in% "Pessoa responsável pelo domicílio") %>%
group_by(Ano, inf_urb, UF) %>%
summarise(count = survey_total(vartype = "se", na.rm = T)) %>%
filter(!inf_urb %in% "Rural") %>%
group_by(UF) %>%
mutate(percent = (count / sum(count, na.rm = T)) * 100) %>%
bind_rows(.id = "Pesquisa") %>%
mutate(Pesquisa = "PNAD_Continua") %>%
select(-count_se) %>%
select(1,4,2,3,5,6) %>%
rename("regiao" = 2)
UF_edil <- PNADc_svy$PNADc_2019 %>%
filter(V2005 %in% "Pessoa responsável pelo domicílio") %>%
group_by(Ano, car_edil, UF) %>%
summarise(count = survey_total(vartype = "se", na.rm = T)) %>%
filter(!car_edil %in% "Rural") %>%
group_by(UF) %>%
mutate(percent = (count / sum(count, na.rm = T)) * 100) %>%
bind_rows(.id = "Pesquisa") %>%
mutate(Pesquisa = "PNAD_Continua") %>%
select(-count_se) %>%
select(1,4,2,3,5,6) %>%
rename("regiao" = 2)
UF_lista_total <- list(UF_inadequacao, UF_infra, UF_abast, UF_energia, UF_esgoto,
UF_lixo, UF_edil, UF_armazenamento, UF_banheiro, UF_comodos,
UF_cobertura, UF_piso, UF_fundiaria)
writexl::write_xlsx(UF_lista_total, "UF_inadequacao_total.xlsx")Nota-se a importação de de outras variáveis além das solicitadas. Estas são variáveis necessárias para expansão da amostra segundo a nova ponderação e metodologia do IBGE para a PNAD Contínua. Para mais informações: Reponderação Bootstrap e IBGE (2021).↩︎