In abjur/inacBook: Does not matter.

Análise preliminar

No capítulo anterior, mostramos como a base de dados foi baixada e o conteúdo da base após a fase de arrumação de dados. Neste capítulo, levantaremos preliminarmente alguns aspectos principais que nortearão as análises posteriores. O objetivo desta análise preliminar é construir uma coleção de fatos relevantes que podem moldar a intepretação dos resultados futuros.

Condenações Cíveis e condenações Criminais

  tidy_cnc %>% 
    count(assunto_penal_any) %>% 
    with(n[1]/sum(n))

Por mais que as informações em estudo sejam oriundas do Cadastro Nacional de Condenações Cíveis por Ato de Improbidade Administrativa, aproximadamente metade das condenações cadastradas foram causadas por infrações previstas no Código Penal (vide as Tabelas \@ref(tab: tab_civeis) e \@ref(tab:tab_pen), que separam as condenações por assunto). Acreditamos que essa incoerência seja resultado de uma intepretação abrangente da descrição da base pelo próprio Conselho Nacional de Justiça, que possibilita o cadastro de "atos da Administração que causem danos patrimoniais ou morais ao Estado".

tidy_cnc %>% 
  filter(!assunto_penal_any) %>% 
  count(assunto_nm_1) %>% 
  arrange(desc(n)) %>% 
  knitr::kable()

tidy_cnc %>% 
  filter(assunto_penal_any) %>% 
  count(assunto_nm_1) %>% 
  arrange(desc(n)) %>% 
  knitr::kable()

As características dos dois tipos de condenação são bastante diferentes, por isso essa variável é uma indicadora de perfil bastante significativa. Separando as observações em "condenações cíveis" e "condenações criminais", também identificam-se diferenças em outras informações relevantes sobre os processos. Ao longo desta subseção, vamos analisar três aspectos principais:

• Distribuição geográfica
• Penas aplicadas
• Tempos processuais

Distribuição geográfica

A primeira diferença entre os tipos de condenação está na distribuição geográfica. Na distribuição absoluta de condenações (Figura \@ref(fig: condenacoes_abs)), verifica-se que os cadastros de condenações cíveis espalham-se melhor pelo Brasil do que os cadatros de condenações penais. Além disso, os focos de infração apresentam diferenças sutis: embora focos estejam no eixo Sul-Sudeste para os dois tipos de condenação, o Distrito Federal é a unidade da federação com maior quantidade de condenações penais. Isso é diferente do que ocorre nas condenações cíveis, onde Distrito Federal não figura entre os maiores condenadores.

plot_data <- tidy_cnc %>% 
    distinct(id_pessoa, .keep_all = TRUE) %>%
    group_by(assunto_penal_any) %>% 
    count(id = uf_processo) %>%
    ungroup %>%
    replace_na(replace = list(id = 'NA')) %>% 
    complete(id, assunto_penal_any, fill = list(n = 0)) %>% 
    mutate(n_cut = cut(n, c(0, 100, 750, 1250, 1500, 2000, 5000, 6500,max(n)), dig.lab=5, include.lowest = T))

n_na <- plot_data %>% 
  filter(id == "NA") %>% 
  with(sum(n))

p_abs <- plot_data %>% 
    filter(id != "NA") %>% 
    mutate(penal = factor(as.character(assunto_penal_any)),
           penal = fct_recode(penal, Penal = 'TRUE', `Cível` = 'FALSE')) %>% 
    inner_join(br_uf_map) %>% {
      ggplot(.) +
        geom_map(aes(x = long, y = lat, map_id = id, fill = n_cut),
               colour = 'gray30', size = .1, alpha = .8,
               map = ., data = .) +
        coord_equal() +
        scale_fill_brewer(palette = 'PuRd', name = str_wrap('Nº de Condenações')) +
        facet_wrap(~penal) +
        theme_void()
      }
p_abs

Outras diferenças geográficas entre as condenações cíveis e penais podem ser encontradas se analisarmos as taxas relativas de condenação. Considerando a taxa de condenações por cem mil habitantes (\@ref(fig: condenacoes_rel)), conclui-se que a distribuição geográfica dos cadastros de infrações cíveis é pouco centralizado, sendo possível a identificação de dois pplos principais: Acre e Rondônia, no Norte, e Santa Catarina e Rio Grande do Sul, no Sul do País. Analisando o mesmo gráfico, mas levando em conta apenas condenações criminais, concluímos que a centralização do registro desses casos é muito maior, com taxas de cadastro relevantes apenas no Distrito Federal, no Rio Grande do Sul, em Santa Catarina e em Minas Gerais.

plot_data <- tidy_cnc %>% 
    distinct(id_pessoa, .keep_all = TRUE) %>%
    group_by(assunto_penal_any) %>% 
    count(id = uf_processo) %>%
    ungroup %>%
    replace_na(replace = list(id = 'NA')) %>% 
    complete(id, assunto_penal_any, fill = list(n = 0)) %>% 
    left_join(pnud_uf, 'id') %>%
    ungroup() %>% 
    mutate(tx = n / popt * 100000) %>% 
    mutate(tx_cut = cut(tx, c(0, 1, 3, 5, 9, 10, 20, 30, 50, max(tx, na.rm = T)), dig.lab = 5, include.lowest = T))

n_na <- plot_data %>% 
  filter(id == "NA") %>% 
  with(sum(n))

p_rel <- plot_data %>% 
    filter(id != "NA") %>% 
    mutate(penal = factor(as.character(assunto_penal_any)),
           penal = fct_recode(penal, Penal = 'TRUE', `Cível` = 'FALSE')) %>%
    inner_join(br_uf_map) %>% {
      ggplot(.) +
        geom_map(aes(x = long, y = lat, map_id = id, fill = tx_cut),
               colour = 'gray30', size = .1, alpha = .8,
               map = ., data = .) +
        coord_equal() +
        scale_fill_brewer(palette = 'PuRd', name = "Taxa de Condenações\npor 100 mil habitantes") +
        facet_wrap(~penal) +
        theme_void()
  }
p_rel

Penas

fix_tipo_pena <- function(x){
  x %>% 
    str_replace_all("teve_","") %>% 
  sapply(function(t){
    switch(t,
           inelegivel = 'Inelegibilidade',
           multa = "Multa",
           pena = "Pena Privativa de Liberdade",
           perda_bens = "Perda de Bens",
           perda_cargo = "Perda de Cargo",
           proibicao = "Probição",
           ressarcimento = "Ressarcimento",
           suspensao = "Suspensão de Cargo")
  })
}

todas_as_penas <- tidy_cnc %>% 
  group_by(assunto_penal_any) %>% 
  select(assunto_penal_any, contains("teve")) %>% 
  count_(grep('teve', names(.), value = T)) %>% 
  ungroup() %>% 
  mutate(id = 1:n()) %>% 
  gather(tipo_pena, teve, -assunto_penal_any, -id, -n) %>% 
  replace_na(list(teve = FALSE)) %>% 
  arrange(id, tipo_pena) %>% 
  mutate(tipo_pena2 = fix_tipo_pena(tipo_pena),
         teve = ifelse(teve == "sim", TRUE, FALSE)) %>% 
  group_by(id) %>% 
  summarise(pena = paste(tipo_pena2[teve], collapse = ', '),
            n = n[1], 
            penal = assunto_penal_any[1]) %>% 
  select(-id)

Outra diferença relevante entre condenações cíveis e criminais está nas punições aplicadas. O CNIA registra 7 tipos de punições distintas, mas algumas dessas são mais frequentemente aplicadas em condenações criminais.

Consultando a lista de conjuntos de punições mais aplicados em condenações criminais, verificamos que as penas Inelegibilidade e Pena Privativa de Liberdade são aplicadas conjuntamente, mas sem as demais, em 72% das condenações criminais. A pena de Inelegiblidade sozinha é aplicada em 19% dos casos, de tal forma que os dois padrões de punição mencionados abarcam 91% das condações criminais criminais.

Um cenários mais pulverizado aparece nas condenações cíveis, em que não há uma única classe de penas que sobressaia sobre as outras. Entretanto, mesmo nesse contexto, é possível identificar três temas que sobresaem-se sobre os outros: Multas, Inelegilibade e Ressarcimento.

todas_as_penas %>% 
  filter(penal) %>% 
  mutate(prop = round(n/sum(n),2)) %>% 
  arrange(desc(n)) %>% 
  select(-penal) %>% 
  mutate(pena = str_wrap(pena, 30))

todas_as_penas %>% 
  filter(!penal) %>% 
  mutate(prop = round(n/sum(n),2)) %>% 
  arrange(desc(n)) %>% 
  select(-penal) %>% 
  mutate(pena = str_wrap(pena, 30))

tidy_cnc %>%  
  with(table(assunto_penal_all, tipo_pena)) %>% 
  prop.table(margin = 1)

abjur/inacBook documentation built on May 10, 2019, 4:12 a.m.