In abjur/inacBook: Does not matter.
Danos
Estrutura de análise
Neste capítulo, vamos investigar os danos que as condutas dos condenados cadastrados no CNIA causaram ao Estado. Vamos admitir que os danos registrados no CNIA são (i) danos patrimoniais, que são medidos em valores monetários nas sentenças em que o réu foi condenado ao ressarcimento integral do dano causado ou (ii) danos morais, que são medidos através do assunto da condenação penal.
Em vários momentos a análise separará os casos em que a condenação foi proferida por um órgão colegiado ou se o processo já transitou em julgado. Essa separação é importante por dois motivos: (i) sentenças que transitaram em julgado são mais "definitivas", uma vez que não podem ser anuladas em recurso, e (ii) sentenças que transitaram em julgado provavelmente foram, serão ou estão sendo cumpridas.
Os dois tipos de dano mencionados acima serão tratadas separadamente nas duas subseções que seguem. Os tópicos dentro das subseções respondem aos eixos investigativos conforme levantados no capítulo anterior.
Danos patrimoniais
library(scales)
tidy_cnc_civel <- tidy_cnc %>%
filter(!assunto_penal_any)
total_civeis <- nrow(tidy_cnc_civel)
total_civeis_ressarcimento <- nrow(filter(tidy_cnc_civel, teve_ressarcimento))
prop_civeis <- percent(total_civeis_ressarcimento/total_civeis)
total <- nrow(tidy_cnc)
total_ressarcimento <- nrow(filter(tidy_cnc, teve_ressarcimento))
prop_total <- percent(total_ressarcimento/total)
prop_criminal <- percent((total_ressarcimento-total_civeis_ressarcimento)/(total-total_civeis))
crimes_com_ressarcimento <- tidy_cnc %>%
filter(assunto_penal_all) %>%
filter(teve_ressarcimento) %>%
with(assunto_nm_1) %>%
unique
tabela_de_crimes <- tidy_cnc %>%
filter(assunto_nm_1 %in% crimes_com_ressarcimento) %>%
group_by(assunto_nm_1) %>%
summarise(prop_ress = sum(teve_ressarcimento)/n(),
freq = n())
prop_arrumada <- tidy_cnc %>%
filter(assunto_nm_1 %in% crimes_com_ressarcimento | !assunto_penal_all) %>%
summarise(total = sum(teve_ressarcimento)/n()) %>%
with(total) %>%
percent
Volume das perdas
tidy_ressarcimento <- tidy_cnc %>%
ungroup() %>%
filter(teve_ressarcimento) #%>%
# distinct(n_processo, .keep_all = T)
tidy_ressarcimento_pos_cnc <- tidy_ressarcimento %>%
filter(dt_pena > min(dt_cadastro))
tidy_ressarcimento_pos_cnc_sem_estranhos <- tidy_ressarcimento_pos_cnc %>%
filter(vl_ressarcimento <= 5.877361e+07)
ressarcimentos_por_ano <- tidy_ressarcimento_pos_cnc %>%
mutate(ano = year(dt_pena)) %>%
filter(ano <= 2015) %>%
group_by(ano) %>%
summarise(ress = sum(vl_ressarcimento)/10^6)
ressarcimentos_por_ano_sem_estranhos <- tidy_ressarcimento_pos_cnc_sem_estranhos %>%
mutate(ano = year(dt_pena)) %>%
filter(ano <= 2015) %>%
group_by(ano) %>%
summarise(ress = sum(vl_ressarcimento)/10^6)
cadastrados_por_ano_ultimos_6_meses <- tidy_ressarcimento_pos_cnc_sem_estranhos %>%
filter(dt_cadastro > max(dt_cadastro)%m-%months(6)) %>%
mutate(ano = year(dt_pena)) %>%
group_by(ano) %>%
summarise(freq = n(),
ress = format(sum(vl_ressarcimento)/freq/10^6, digits = 4))
soma <- ressarcimentos_por_ano %>%
with(sum(ress))
soma_sem_estranhos <- ressarcimentos_por_ano_sem_estranhos %>%
with(sum(ress))
ressarcimentos_bizarros <- tidy_ressarcimento_pos_cnc %>%
filter(vl_ressarcimento >= 5.877361e+07)
Considerando r nrow(tidy_ressarcimento_pos_cnc) condenações registradas após a criação do cadastro, em 2008, o dano total estimado é de r soma milhões de reais. Entretanto, existem alguns registros com cifras grandes demais (listados em \@ref(tab: ressarcimentos_bizarros). Excluindo esses casos, a estimativa do dano cai para r soma_sem_estranhos milhões de reais.
ressarcimentos_bizarros %>%
select(dt_pena, vl_ressarcimento, nm_pessoa) %>%
DT::datatable()
É importante ressaltar que essa quantidade deve ser interpretada como um limite inferior para o dano efetivamente causado, pois novas condenações são registradas no CNIA todos os dias, conforme indica a tabela \@ref(tab: cadastros_novos). Além disso, também é importante considerar que as nossas estimativas subestimam o dano causado por que estamos medindo o tamanho do ressarcimento em processos com esse tipo de pena, deixando de fora os casos que ainda não foram à justiça ou que não resultaram em penas desse tipo.
cadastrados_por_ano_ultimos_6_meses %>%
setNames(c("Ano da condenação", "Frequência", "Ressarcimento médio (MM R$)")) %>%
knitr::kable(caption = "Anos de condenação das condenações com ressarcimento cadastradas nos últimos 6 meses.")
ressarcimentos_por_ano_sem_estranhos <- tidy_ressarcimento_pos_cnc_sem_estranhos %>%
mutate(ano = year(dt_pena)) %>%
filter(ano <= 2015, tipo_pena == "Trânsito em julgado") %>%
group_by(ano) %>%
summarise(ress = sum(vl_ressarcimento)/10^6)
soma_sem_estranhos_em_transito_em_julgado <- ressarcimentos_por_ano_sem_estranhos %>%
with(sum(ress))
É possível utilizar apenas as sentenças que transitaram em julgado para calcular uma cota inferior ainda mais confiável. Considerando apenas essas sentenças, a justiça brasileira exigiu o ressarcimento de r soma_sem_estranhos_em_transito_em_julgado milhões de reais. A diferença de r soma_em_estranhos - soma_sem_estranhos_em_transito_em_julgado milhões ainda pode ser discutia em eventuais recusos à instâncias superiores.
Tendência
Os r soma_sem_estranhos milhões de reais ressarcidos distribuem-se ao longo dos anos de condenação com uma tendência de crescimento. Essa tendência pode indicar uma maior eficácia no combate à improbidade administrativa, mas também pode indicar uma melhora no cadastramento de informações no CNIA.
ressarcimentos_por_ano_sem_estranhos %>%
filter(ano >= 2009) %>%
ggplot(aes(x = ano, y = ress)) +
geom_bar(fill = 'royalblue', stat = 'identity', color = 'black') +
theme_bw(15) +
scale_x_continuous(breaks = min(ressarcimentos_por_ano_sem_estranhos$ano):max(ressarcimentos_por_ano_sem_estranhos$ano)) +
ylab("Ressarcimento cadastrado até\no momento (MM R$)") +
xlab("Ano de condenação")
Uma terceira hipótese para o aumento nos anos de 2013 e 2014 está nos altíssimos valores de ressarcimento observados nesses anos. Os máximos em 2013 e 2014 correspondem respectivamente a 35 milhões e 58 milhões reais, sendo que os máximo dos anos anteriores no máximo bateram os 22 milhões de reais.
tidy_ressarcimento_pos_cnc_sem_estranhos %>%
mutate(ano = year(dt_pena)) %>%
group_by(ano) %>%
do(qtl = quantile(.$vl_ressarcimento) %>%
broom::tidy()) %>%
unnest(qtl) %>%
mutate(names = factor(names,c("0%","25%","50%","75%","100%")),
x = round(x/10^6, 3)) %>%
spread(names, x) %>%
setNames(c("Ano", "Mínimo","1º Quartil","2º Quartil","3º Quartil","Máximo"))
Excluindo as 6 condenações de 2013 e 2014 listadas abaixo, a discrepância entre os totais ressarcidos nos anos fica menor. Entretanto, ainda identifica-se um aumento no terceiro quartil dos anos de 2013 e 2014.
tidy_ressarcimento_pos_cnc_sem_estranhos %>%
select(dt_pena, vl_ressarcimento) %>%
top_n(-(3452-6)) %>%
mutate(ano = year(dt_pena)) %>%
filter(ano >= 2009, ano <= 2015) %>%
group_by(ano) %>%
summarise(ress = sum(vl_ressarcimento)/10^6) %>%
ggplot(aes(x = ano, y = ress)) +
geom_bar(fill = 'royalblue', stat = 'identity', color = 'black') +
theme_bw(15) +
scale_x_continuous(breaks = min(ressarcimentos_por_ano_sem_estranhos$ano):max(ressarcimentos_por_ano_sem_estranhos$ano)) +
ylab("Ressarcimento cadastrado até\no momento (MM R$)") +
xlab("Ano de condenação")
tidy_ressarcimento_pos_cnc_sem_estranhos %>%
select(dt_pena, vl_ressarcimento) %>%
top_n(-(3452-6)) %>%
mutate(ano = year(dt_pena)) %>%
filter(ano >= 2009, ano <= 2015) %>%
group_by(ano) %>%
nest(vl_ressarcimento) %>%
mutate(qtl = map(data,~broom::tidy(quantile(.x$vl_ressarcimento)))) %>%
unnest(qtl) %>%
mutate(names = factor(names,c("0%","25%","50%","75%","100%")),
x = round(x/10^6, 3)) %>%
spread(names, x) %>%
setNames(c("Ano", "Mínimo","1º Quartil","2º Quartil","3º Quartil","Máximo"))
Órgãos
lista_de_regex <- list(regex_vereadores = regex("vereadores|c[aâ]mara", ignore_case = T),
regex_secretaria = regex("secretaria", ignore_case = T),
regex_municipio = regex("munic[íi]pio", ignore_case = T),
regex_prefeitura = regex("prefeit", ignore_case = T),
regex_assembleia_legislativa = regex("assembl[ée]ia legis", ignore_case = T),
regex_policia = regex("pol[íi]cia", ignore_case = T),
regex_poder_executivo = regex("executivo|poder executivo", ignore_case = T),
regex_poder_legislativo = regex("poder legislativo", ignore_case = T),
regex_hospital = regex("hospitais", ignore_case = T),
regex_correios = regex("correio|ect|ebct", ignore_case = T),
regex_caixa = regex("CAIXA ECON[Ôo]MICA FEDERAL|cef", ignore_case = T),
regex_inss = regex("INSTITUTO NACIONAL DO SEGURO|INSS", ignore_case = T))
joga_resto_no_outros <- function(string, N, labell = 'outros'){
d <- data_frame(coluna = string)
left_join(d, y = d %>% count(coluna), by = 'coluna') %>%
mutate(coluna = ifelse(n < N, labell, coluna)) %>%
with(coluna)
}
troca_string_por_regex <- function(vetor, regexes){
map_chr(vetor, function(x){
pareamentos <- map(regexes, str_detect, string = x) %>%
keep(~.x) %>%
names %>%
paste(collapse = ', ')
if(pareamentos == ''){pareamentos <- x}
return(pareamentos)
})
}
tidy_ressarcimento_pos_cnc_sem_estranhos_org <- tidy_ressarcimento_pos_cnc_sem_estranhos %>%
mutate(novo_orgao = troca_string_por_regex(orgao, lista_de_regex),
novo_orgao = joga_resto_no_outros(novo_orgao, 5),
novo_orgao = str_replace_all(novo_orgao,"regex_",""),
novo_orgao = str_replace_all(novo_orgao,"_"," "),
novo_orgao = str_to_title(novo_orgao)) %>%
replace_na(list(novo_orgao = "Não Identificado"))
Os órgãos mais atingidos pelos danos patrimoniais são as prefeituras. Entretanto, o alto número de processos com órgãos mal definidos dificultam uma análise mais detalhada dos casos.
colunas <- c("Órgão", "Ressarcimento em\ncondenações de órgãos\ncolegiados (MM R$)","Ressarcimento em\ncondenações que transitaram\nem julgado (MM R$)")
tidy_ressarcimento_pos_cnc_sem_estranhos_org %>%
group_by(novo_orgao, tipo_pena) %>%
summarise(vl_ressarcimento = sum(vl_ressarcimento)/10^6) %>%
spread(tipo_pena, vl_ressarcimento) %>%
arrange(desc(`Trânsito em julgado`)) %>%
ungroup() %>%
mutate(novo_orgao = str_to_title(str_replace_all(novo_orgao,"[_]"," "))) %>%
setNames(c("X1","X2","X3")) %>%
replace_na(list(X1 = 0, X2 = 0, X3 =0)) %>%
setNames(colunas) %>%
DT::datatable()
Instância
Com relação a instância, os danos patrimoniais dificilmente transitam em julgado vindos da segunda instância. Isso pode indicar que os 159 milhões de reais que ainda não transitaram estão vulneráveis.
tidy_ressarcimento_pos_cnc_sem_estranhos %>%
group_by(instancia, tipo_pena) %>%
summarise(vl_ressarcimento = sum(vl_ressarcimento)/10^6) %>%
spread(tipo_pena, vl_ressarcimento) %>%
ungroup() %>%
mutate(instancia = str_to_title(instancia)) %>%
setNames(c("Instância",colunas[2:3])) %>%
knitr::kable()
Esfera
Com relação às esferas, os danos em sua maior parte vêm da esfera estadual. Entretanto, a proporção de ressarcimentos vinda da esfera federal chega a 37%.
tidy_ressarcimento_pos_cnc_sem_estranhos %>%
group_by(esfera_processo, tipo_pena) %>%
summarise(vl_ressarcimento = sum(vl_ressarcimento)/10^6) %>%
spread(tipo_pena, vl_ressarcimento) %>%
ungroup() %>%
mutate(esfera_processo = str_to_title(esfera_processo)) %>%
setNames(c("Esfera",colunas[2:3])) %>%
knitr::kable()
Tipos de pessoa
Com relação aos tipos de pessoa, o ressarcimento médio é maior para pessoas jurídicas. De toda forma, o ressarcimento cobrado nesses casos é de apenas 18%.
tidy_cnc_ressarcimento_pos_cnc_sem_estranhos_org %>%
group_by(tipo_pessoa) %>%
summarise(vl_ressarcimento = sum(vl_ressarcimento)/10^6,
total = n()) %>%
arrange(desc(vl_ressarcimento)) %>%
mutate(tipo_pessoa = str_to_title(tipo_pessoa),
media = vl_ressarcimento/total) %>%
setNames(c("Tipo de Pessoa", "Ressarcimento (MM R$)","Número de Condenados","Média (MM R$)")) %>%
knitr::kable(digits = 2)
Distribuição geográfica
A distribuição geográfica dos dados patrimoniais cresce do norte para o sul, bem como o PIB. Essa conclusão é válida se considerarmos ou não os processos que transitaram em julgado. Entretanto, essa tendência geral tem duas exceções: (i) a soma das condenações de ressarcimento em Roraima é comparável à cifra de São Paulo e (ii) Rondônia, Acre e Tocantins.
N <- 12
# cortes <- c(0, rep(c(1,5), N)*rep(10^(1:N), each = 2))
cortes <- c(0, 10^(1:7),5*10^7,10^(8:N))
brks <- cut(c(cortes), breaks = c(cortes))
lbs <- c("0","<10","10<100","100<1M",
"1M<10M","10M<100M","100M<1MM","1MM<10MM",
"10MM<50MM","50MM<100MM","100MM<1Bi","1Bi<10Bi", "10Bi<100Bi",
"100Bi<1Tri")
tidy_ressarcimento_pos_cnc_sem_estranhos %>%
mutate(id = uf_processo) %>%
group_by(id, tipo_pena) %>%
summarise(vl_ressarcimento = sum(vl_ressarcimento)) %>%
ungroup() %>%
complete(id, tipo_pena, fill = list(vl_ressarcimento = 0)) %>%
mutate(vl_ressarcimento = cut(vl_ressarcimento, cortes)) %>%
inner_join(br_uf_map) %>% {
ggplot(.) +
geom_map(aes(x = long, y = lat, map_id = id, fill = vl_ressarcimento), color = 'gray30', map = ., data = .) +
scale_fill_brewer(palette = 'PuRd', breaks = brks, labels = lbs, name = 'Valor do ressarcimento') +
coord_equal() +
theme_void() +
facet_wrap(~tipo_pena)
}
A tabela com os valores ressarcidos e os respectivos números de processos segue abaixo. Note que não foi possível identificar a unidade da federação em 1850 processos, ou o equivalente a 350 milhões de reais.
tidy_ressarcimento_pos_cnc_sem_estranhos %>%
mutate(id = uf_processo) %>%
group_by(id) %>%
summarise(vl_ressarcimento = sum(vl_ressarcimento),
total = n())
Quando tomamos a distribuição per capita dos ressarcimentos, a distribuição geográfica tem novos polos. No Acre e em Roraima a taxa de ressarcimento por habitante chega a R$20,00.
cortes_tx <- c(0,0.1,0.25,0.5,1,2.5,5,10,15,20)
brks_tx <- cut(c(cortes_tx), breaks = c(cortes_tx))
lbs_tx <- brks_tx
tidy_cnc_ressarcimento_pos_cnc_processos %>%
mutate(id = uf_processo) %>%
group_by(id, tipo_pena) %>%
summarise(vl_ressarcimento = sum(vl_ressarcimento)) %>%
inner_join(pnud_uf, 'id') %>%
mutate(vl_ressarcimento = vl_ressarcimento / popt) %>%
ungroup() %>%
complete(id, tipo_pena, fill = list(vl_ressarcimento = 0)) %>%
mutate(vl_ressarcimento = cut(vl_ressarcimento, cortes_tx)) %>%
inner_join(br_uf_map) %>% {
ggplot(.) +
geom_map(aes(x = long, y = lat, map_id = id, fill = vl_ressarcimento), color = 'gray30', map = ., data = .) +
scale_fill_brewer(palette = 'PuRd', breaks = brks_tx, labels = lbs_tx, name = 'Ressarcimento per capita \n (R$\\habitante)') +
coord_equal() +
theme_void() +
facet_wrap(~tipo_pena)
}
Condenações Criminais
Tendência no tempo
O número de condenações criminais no CNIA é muito maior do que o número de condenações cíveis, principalmente após 2013. Nesse ano, a proporção condenações cíveis da base caiu dos 75% do ano anterior para 40%. Em 2015, 90% das condenações do CNIA eram condenações criminais.
tidy_cnc %>%
distinct(n_processo, .keep_all = T) %>%
filter(dt_pena > min(dt_cadastro)) %>%
mutate(ano = year(dt_pena)) %>%
group_by(ano) %>%
count(assunto_penal_any) %>%
ggplot(aes(x = ano, y = n)) +
geom_bar(aes(fill = assunto_penal_any), stat = 'identity', position = 'dodge') +
theme_bw(15) +
theme(legend.position = 'bottom') +
scale_x_continuous(breaks = 2007:2015) +
xlab("")
tidy_cnc %>%
distinct(n_processo, .keep_all = T) %>%
filter(dt_pena > min(dt_cadastro)) %>%
mutate(ano = year(dt_pena)) %>%
group_by(ano) %>%
count(assunto_penal_any) %>%
mutate(prop = n/sum(n)) %>%
ggplot(aes(x = ano, y = prop)) +
geom_bar(aes(fill = assunto_penal_any), stat = 'identity', position = 'dodge') +
theme_bw(15) +
theme(legend.position = 'bottom') +
scale_y_continuous(labels = scales::percent) +
scale_x_continuous(breaks = 2007:2015) +
xlab("")
Volume do dano
joga_resto_no_outros <- function(string, N, labell = 'outros'){
d <- data_frame(coluna = string)
left_join(d, y = d %>% count(coluna), by = 'coluna') %>%
mutate(coluna = ifelse(n < N, labell, coluna)) %>%
with(coluna)
}
lista_de_regex <- list(regex_roubo = regex("roubo", ignore_case = T),
regex_homicidio = regex("homic[íi]dio|Crimes conta a vida", ignore_case = T),
regex_estupro = regex("estupro|dignidade sexual", ignore_case = T),
regex_trafico = regex("tr[áa]fico", ignore_case = T),
regex_quadrila = regex("quadrilha", ignore_case = T),
regex_chaci = regex("Adulteração de Sinal Identificador de Veículo", ignore_case = T),
regex_receptacao = regex("Receptação", ignore_case = T),
regex_furto = regex("Furto", ignore_case = T),
regex_patrimonio = regex("Crimes contra o Patrimônio|Crimes contra a Ordem Tributária|Crimes Praticados por Particular Contra a Administração em Geral|Crimes Praticados por Funcionários Públicos Contra a Administração em Geral|Crimes Praticados por Particular Contra a Administração Pública Estrangeira|Crimes contra a Economia Popular|Crimes Contra as Finanças Públicas|Crimes previstos na legislação extravagante", ignore_case = T))
troca_string_por_regex <- function(vetor, regexes){
map_chr(vetor, function(x){
pareamentos <- map(regexes, str_detect, string = x) %>%
keep(~.x) %>%
names %>%
paste(collapse = ', ')
if(pareamentos == ''){pareamentos <- x}
return(pareamentos)
})}
tidy_crimes <- tidy_cnc %>%
filter(assunto_penal_any) %>%
gather(nm_ass, assunto, dplyr::contains("assunto_nm")) %>%
filter(!is.na(assunto)) %>%
group_by(arq) %>%
mutate(assunto_paste = paste(assunto, collapse = ' ')) %>%
distinct(arq, .keep_all = T) %>%
ungroup() %>%
#mutate(assunto_nm_1 = str_extract(assunto_nm_1, regex("^[a-zçãéíéóúâêúá]+", ignore_case = T))) %>%
mutate(assunto_reclass = troca_string_por_regex(assunto_paste, lista_de_regex),
assunto_reclass = joga_resto_no_outros(assunto_reclass, 400),
assunto_reclass = str_to_title(str_replace(assunto_reclass, "regex_","")),
assunto_reclass = fct_relevel(assunto_reclass,
'Outros',
'Direito Penal',
'Patrimonio',
'Receptacao',
'Estelionato',
'Roubo',
'Trafico',
'Estupro',
'Homicidio'))
Tráfico é o crime mais cadastro no CNIA. Ele é seguido pelos crimes de Roubo e Crimes contra o Patrimônio em geral.
tidy_crimes %>%
count(assunto_reclass) %>%
arrange(desc(n)) %>%
set_names(c("Crime","Frequência"))
Órgãos
lista_de_regex <- list(regex_vereadores = regex("vereadores|c[aâ]mara", ignore_case = T),
regex_secretaria = regex("secretaria", ignore_case = T),
regex_municipio = regex("munic[íi]pio", ignore_case = T),
regex_prefeitura = regex("prefeit", ignore_case = T),
regex_assembleia_legislativa = regex("assembl[ée]ia legis", ignore_case = T),
regex_policia = regex("pol[íi]cia", ignore_case = T),
regex_poder_executivo = regex("executivo|poder executivo", ignore_case = T),
regex_poder_legislativo = regex("poder legislativo", ignore_case = T),
regex_hospital = regex("hospitais", ignore_case = T),
regex_correios = regex("correio|ect|ebct", ignore_case = T),
regex_caixa = regex("CAIXA ECON[Ôo]MICA FEDERAL|cef", ignore_case = T),
regex_inss = regex("INSTITUTO NACIONAL DO SEGURO|INSS", ignore_case = T))
joga_resto_no_outros <- function(string, N, labell = 'outros'){
d <- data_frame(coluna = string)
left_join(d, y = d %>% count(coluna), by = 'coluna') %>%
mutate(coluna = ifelse(n < N, labell, coluna)) %>%
with(coluna)
}
troca_string_por_regex <- function(vetor, regexes){
map_chr(vetor, function(x){
pareamentos <- map(regexes, str_detect, string = x) %>%
keep(~.x) %>%
names %>%
paste(collapse = ', ')
if(pareamentos == ''){pareamentos <- x}
return(pareamentos)
})
}
tidy_crimes_org <- tidy_crimes %>%
mutate(novo_orgao = troca_string_por_regex(orgao, lista_de_regex),
novo_orgao = joga_resto_no_outros(novo_orgao, 5),
novo_orgao = str_replace_all(novo_orgao,"regex_",""),
novo_orgao = str_replace_all(novo_orgao,"_"," "),
novo_orgao = str_to_title(novo_orgao)) %>%
replace_na(list(novo_orgao = "Não Identificado"))
Ao contrário do ocorrido com as condenações cíveis, as condenações criminais não concentram-se nos prefeitos e prefeituras. A maior parte dessas condenações recai sobre indíviduos sem identificação de órgão estatal ou cargo.
tidy_crimes_org %>%
count(novo_orgao)
Instância
Analisando a instância das condenações penais, verificamos que o número de condenações criminais aqui é menor do que nas condenações cíveis. Entretanto, mantém-se baixo o número de processos que transitaram em julgado diretamente da segunda instância.
tidy_crimes %>%
filter(esfera_processo %in% c("Estadual","Federal")) %>%
count(instancia, tipo_pena) %>%
spread(tipo_pena,n)
Esfera
Ao contrário do que ocorreu nas condenações cíveis, nas condenações criminais quase a totalidade das condenações ocorre na esfera Estadual.
tidy_crimes %>%
filter(esfera_processo %in% c("Estadual","Federal")) %>%
count(esfera_processo)
Tipo de Pessoa
Existem apenas 6 pessoas jurídicas envolvidas em condenações criminais.
tidy_crimes %>%
count(tipo_pessoa)
Distribuição geográfica
No CNIA, não constam condenações criminais fora do eixo Sul-Sudeste.
# cortes <- c(0, rep(c(1,5), N)*rep(10^(1:N), each = 2))
cortes <- c(0, 250, 500, 750, 1000, 1250, 1500, 1750, 2000)
brks <- cut(c(cortes), breaks = c(cortes))
lbs <- c("0","0<250","250<500","500<750","750<1000","1000<1250","1250<1500","1500<1750","1750<2000")
estados <- tidy_cnc$uf_processo %>% unique
tidy_crimes %>%
mutate(uf_processo = factor(uf_processo, estados)) %>%
mutate(id = uf_processo,
assunto_reclass = as.character(assunto_reclass)) %>%
count(id, assunto_reclass) %>%
complete(id, assunto_reclass, fill = list(n = 0)) %>%
ungroup() %>%
mutate(n = cut(n, cortes),
id = as.character(id)) %>%
inner_join(br_uf_map) %>%
ungroup() %>% {
ggplot(.) +
geom_map(aes(x = long, y = lat, map_id = id, fill = n), color = 'gray30', map = ., data = .) +
scale_fill_brewer(palette = 'PuRd', breaks = brks, labels = lbs, name = 'Valor do ressarcimento') +
coord_equal() +
theme_void() +
facet_wrap(~assunto_reclass, ncol = 3)
}
abjur/inacBook documentation built on May 10, 2019, 4:12 a.m.
R Package Documentation
Browse R Packages
We want your feedback!
Note that we can't provide technical support on individual packages. You should contact the package authors for that.
Danos
Estrutura de análise
Neste capítulo, vamos investigar os danos que as condutas dos condenados cadastrados no CNIA causaram ao Estado. Vamos admitir que os danos registrados no CNIA são (i) danos patrimoniais, que são medidos em valores monetários nas sentenças em que o réu foi condenado ao ressarcimento integral do dano causado ou (ii) danos morais, que são medidos através do assunto da condenação penal.
Em vários momentos a análise separará os casos em que a condenação foi proferida por um órgão colegiado ou se o processo já transitou em julgado. Essa separação é importante por dois motivos: (i) sentenças que transitaram em julgado são mais "definitivas", uma vez que não podem ser anuladas em recurso, e (ii) sentenças que transitaram em julgado provavelmente foram, serão ou estão sendo cumpridas.
Os dois tipos de dano mencionados acima serão tratadas separadamente nas duas subseções que seguem. Os tópicos dentro das subseções respondem aos eixos investigativos conforme levantados no capítulo anterior.
Danos patrimoniais
library(scales) tidy_cnc_civel <- tidy_cnc %>% filter(!assunto_penal_any) total_civeis <- nrow(tidy_cnc_civel) total_civeis_ressarcimento <- nrow(filter(tidy_cnc_civel, teve_ressarcimento)) prop_civeis <- percent(total_civeis_ressarcimento/total_civeis) total <- nrow(tidy_cnc) total_ressarcimento <- nrow(filter(tidy_cnc, teve_ressarcimento)) prop_total <- percent(total_ressarcimento/total) prop_criminal <- percent((total_ressarcimento-total_civeis_ressarcimento)/(total-total_civeis)) crimes_com_ressarcimento <- tidy_cnc %>% filter(assunto_penal_all) %>% filter(teve_ressarcimento) %>% with(assunto_nm_1) %>% unique tabela_de_crimes <- tidy_cnc %>% filter(assunto_nm_1 %in% crimes_com_ressarcimento) %>% group_by(assunto_nm_1) %>% summarise(prop_ress = sum(teve_ressarcimento)/n(), freq = n()) prop_arrumada <- tidy_cnc %>% filter(assunto_nm_1 %in% crimes_com_ressarcimento | !assunto_penal_all) %>% summarise(total = sum(teve_ressarcimento)/n()) %>% with(total) %>% percent
Volume das perdas
tidy_ressarcimento <- tidy_cnc %>% ungroup() %>% filter(teve_ressarcimento) #%>% # distinct(n_processo, .keep_all = T) tidy_ressarcimento_pos_cnc <- tidy_ressarcimento %>% filter(dt_pena > min(dt_cadastro)) tidy_ressarcimento_pos_cnc_sem_estranhos <- tidy_ressarcimento_pos_cnc %>% filter(vl_ressarcimento <= 5.877361e+07) ressarcimentos_por_ano <- tidy_ressarcimento_pos_cnc %>% mutate(ano = year(dt_pena)) %>% filter(ano <= 2015) %>% group_by(ano) %>% summarise(ress = sum(vl_ressarcimento)/10^6) ressarcimentos_por_ano_sem_estranhos <- tidy_ressarcimento_pos_cnc_sem_estranhos %>% mutate(ano = year(dt_pena)) %>% filter(ano <= 2015) %>% group_by(ano) %>% summarise(ress = sum(vl_ressarcimento)/10^6) cadastrados_por_ano_ultimos_6_meses <- tidy_ressarcimento_pos_cnc_sem_estranhos %>% filter(dt_cadastro > max(dt_cadastro)%m-%months(6)) %>% mutate(ano = year(dt_pena)) %>% group_by(ano) %>% summarise(freq = n(), ress = format(sum(vl_ressarcimento)/freq/10^6, digits = 4)) soma <- ressarcimentos_por_ano %>% with(sum(ress)) soma_sem_estranhos <- ressarcimentos_por_ano_sem_estranhos %>% with(sum(ress)) ressarcimentos_bizarros <- tidy_ressarcimento_pos_cnc %>% filter(vl_ressarcimento >= 5.877361e+07)
Considerando r nrow(tidy_ressarcimento_pos_cnc) condenações registradas após a criação do cadastro, em 2008, o dano total estimado é de r soma milhões de reais. Entretanto, existem alguns registros com cifras grandes demais (listados em \@ref(tab: ressarcimentos_bizarros). Excluindo esses casos, a estimativa do dano cai para r soma_sem_estranhos milhões de reais.
ressarcimentos_bizarros %>% select(dt_pena, vl_ressarcimento, nm_pessoa) %>% DT::datatable()
É importante ressaltar que essa quantidade deve ser interpretada como um limite inferior para o dano efetivamente causado, pois novas condenações são registradas no CNIA todos os dias, conforme indica a tabela \@ref(tab: cadastros_novos). Além disso, também é importante considerar que as nossas estimativas subestimam o dano causado por que estamos medindo o tamanho do ressarcimento em processos com esse tipo de pena, deixando de fora os casos que ainda não foram à justiça ou que não resultaram em penas desse tipo.
cadastrados_por_ano_ultimos_6_meses %>% setNames(c("Ano da condenação", "Frequência", "Ressarcimento médio (MM R$)")) %>% knitr::kable(caption = "Anos de condenação das condenações com ressarcimento cadastradas nos últimos 6 meses.")
ressarcimentos_por_ano_sem_estranhos <- tidy_ressarcimento_pos_cnc_sem_estranhos %>% mutate(ano = year(dt_pena)) %>% filter(ano <= 2015, tipo_pena == "Trânsito em julgado") %>% group_by(ano) %>% summarise(ress = sum(vl_ressarcimento)/10^6) soma_sem_estranhos_em_transito_em_julgado <- ressarcimentos_por_ano_sem_estranhos %>% with(sum(ress))
É possível utilizar apenas as sentenças que transitaram em julgado para calcular uma cota inferior ainda mais confiável. Considerando apenas essas sentenças, a justiça brasileira exigiu o ressarcimento de r soma_sem_estranhos_em_transito_em_julgado milhões de reais. A diferença de r soma_em_estranhos - soma_sem_estranhos_em_transito_em_julgado milhões ainda pode ser discutia em eventuais recusos à instâncias superiores.
Tendência
Os r soma_sem_estranhos milhões de reais ressarcidos distribuem-se ao longo dos anos de condenação com uma tendência de crescimento. Essa tendência pode indicar uma maior eficácia no combate à improbidade administrativa, mas também pode indicar uma melhora no cadastramento de informações no CNIA.
ressarcimentos_por_ano_sem_estranhos %>% filter(ano >= 2009) %>% ggplot(aes(x = ano, y = ress)) + geom_bar(fill = 'royalblue', stat = 'identity', color = 'black') + theme_bw(15) + scale_x_continuous(breaks = min(ressarcimentos_por_ano_sem_estranhos$ano):max(ressarcimentos_por_ano_sem_estranhos$ano)) + ylab("Ressarcimento cadastrado até\no momento (MM R$)") + xlab("Ano de condenação")
Uma terceira hipótese para o aumento nos anos de 2013 e 2014 está nos altíssimos valores de ressarcimento observados nesses anos. Os máximos em 2013 e 2014 correspondem respectivamente a 35 milhões e 58 milhões reais, sendo que os máximo dos anos anteriores no máximo bateram os 22 milhões de reais.
tidy_ressarcimento_pos_cnc_sem_estranhos %>% mutate(ano = year(dt_pena)) %>% group_by(ano) %>% do(qtl = quantile(.$vl_ressarcimento) %>% broom::tidy()) %>% unnest(qtl) %>% mutate(names = factor(names,c("0%","25%","50%","75%","100%")), x = round(x/10^6, 3)) %>% spread(names, x) %>% setNames(c("Ano", "Mínimo","1º Quartil","2º Quartil","3º Quartil","Máximo"))
Excluindo as 6 condenações de 2013 e 2014 listadas abaixo, a discrepância entre os totais ressarcidos nos anos fica menor. Entretanto, ainda identifica-se um aumento no terceiro quartil dos anos de 2013 e 2014.
tidy_ressarcimento_pos_cnc_sem_estranhos %>% select(dt_pena, vl_ressarcimento) %>% top_n(-(3452-6)) %>% mutate(ano = year(dt_pena)) %>% filter(ano >= 2009, ano <= 2015) %>% group_by(ano) %>% summarise(ress = sum(vl_ressarcimento)/10^6) %>% ggplot(aes(x = ano, y = ress)) + geom_bar(fill = 'royalblue', stat = 'identity', color = 'black') + theme_bw(15) + scale_x_continuous(breaks = min(ressarcimentos_por_ano_sem_estranhos$ano):max(ressarcimentos_por_ano_sem_estranhos$ano)) + ylab("Ressarcimento cadastrado até\no momento (MM R$)") + xlab("Ano de condenação")
tidy_ressarcimento_pos_cnc_sem_estranhos %>% select(dt_pena, vl_ressarcimento) %>% top_n(-(3452-6)) %>% mutate(ano = year(dt_pena)) %>% filter(ano >= 2009, ano <= 2015) %>% group_by(ano) %>% nest(vl_ressarcimento) %>% mutate(qtl = map(data,~broom::tidy(quantile(.x$vl_ressarcimento)))) %>% unnest(qtl) %>% mutate(names = factor(names,c("0%","25%","50%","75%","100%")), x = round(x/10^6, 3)) %>% spread(names, x) %>% setNames(c("Ano", "Mínimo","1º Quartil","2º Quartil","3º Quartil","Máximo"))
Órgãos
lista_de_regex <- list(regex_vereadores = regex("vereadores|c[aâ]mara", ignore_case = T), regex_secretaria = regex("secretaria", ignore_case = T), regex_municipio = regex("munic[íi]pio", ignore_case = T), regex_prefeitura = regex("prefeit", ignore_case = T), regex_assembleia_legislativa = regex("assembl[ée]ia legis", ignore_case = T), regex_policia = regex("pol[íi]cia", ignore_case = T), regex_poder_executivo = regex("executivo|poder executivo", ignore_case = T), regex_poder_legislativo = regex("poder legislativo", ignore_case = T), regex_hospital = regex("hospitais", ignore_case = T), regex_correios = regex("correio|ect|ebct", ignore_case = T), regex_caixa = regex("CAIXA ECON[Ôo]MICA FEDERAL|cef", ignore_case = T), regex_inss = regex("INSTITUTO NACIONAL DO SEGURO|INSS", ignore_case = T)) joga_resto_no_outros <- function(string, N, labell = 'outros'){ d <- data_frame(coluna = string) left_join(d, y = d %>% count(coluna), by = 'coluna') %>% mutate(coluna = ifelse(n < N, labell, coluna)) %>% with(coluna) } troca_string_por_regex <- function(vetor, regexes){ map_chr(vetor, function(x){ pareamentos <- map(regexes, str_detect, string = x) %>% keep(~.x) %>% names %>% paste(collapse = ', ') if(pareamentos == ''){pareamentos <- x} return(pareamentos) }) } tidy_ressarcimento_pos_cnc_sem_estranhos_org <- tidy_ressarcimento_pos_cnc_sem_estranhos %>% mutate(novo_orgao = troca_string_por_regex(orgao, lista_de_regex), novo_orgao = joga_resto_no_outros(novo_orgao, 5), novo_orgao = str_replace_all(novo_orgao,"regex_",""), novo_orgao = str_replace_all(novo_orgao,"_"," "), novo_orgao = str_to_title(novo_orgao)) %>% replace_na(list(novo_orgao = "Não Identificado"))
Os órgãos mais atingidos pelos danos patrimoniais são as prefeituras. Entretanto, o alto número de processos com órgãos mal definidos dificultam uma análise mais detalhada dos casos.
colunas <- c("Órgão", "Ressarcimento em\ncondenações de órgãos\ncolegiados (MM R$)","Ressarcimento em\ncondenações que transitaram\nem julgado (MM R$)") tidy_ressarcimento_pos_cnc_sem_estranhos_org %>% group_by(novo_orgao, tipo_pena) %>% summarise(vl_ressarcimento = sum(vl_ressarcimento)/10^6) %>% spread(tipo_pena, vl_ressarcimento) %>% arrange(desc(`Trânsito em julgado`)) %>% ungroup() %>% mutate(novo_orgao = str_to_title(str_replace_all(novo_orgao,"[_]"," "))) %>% setNames(c("X1","X2","X3")) %>% replace_na(list(X1 = 0, X2 = 0, X3 =0)) %>% setNames(colunas) %>% DT::datatable()
Instância
Com relação a instância, os danos patrimoniais dificilmente transitam em julgado vindos da segunda instância. Isso pode indicar que os 159 milhões de reais que ainda não transitaram estão vulneráveis.
tidy_ressarcimento_pos_cnc_sem_estranhos %>% group_by(instancia, tipo_pena) %>% summarise(vl_ressarcimento = sum(vl_ressarcimento)/10^6) %>% spread(tipo_pena, vl_ressarcimento) %>% ungroup() %>% mutate(instancia = str_to_title(instancia)) %>% setNames(c("Instância",colunas[2:3])) %>% knitr::kable()
Esfera
Com relação às esferas, os danos em sua maior parte vêm da esfera estadual. Entretanto, a proporção de ressarcimentos vinda da esfera federal chega a 37%.
tidy_ressarcimento_pos_cnc_sem_estranhos %>% group_by(esfera_processo, tipo_pena) %>% summarise(vl_ressarcimento = sum(vl_ressarcimento)/10^6) %>% spread(tipo_pena, vl_ressarcimento) %>% ungroup() %>% mutate(esfera_processo = str_to_title(esfera_processo)) %>% setNames(c("Esfera",colunas[2:3])) %>% knitr::kable()
Tipos de pessoa
Com relação aos tipos de pessoa, o ressarcimento médio é maior para pessoas jurídicas. De toda forma, o ressarcimento cobrado nesses casos é de apenas 18%.
tidy_cnc_ressarcimento_pos_cnc_sem_estranhos_org %>% group_by(tipo_pessoa) %>% summarise(vl_ressarcimento = sum(vl_ressarcimento)/10^6, total = n()) %>% arrange(desc(vl_ressarcimento)) %>% mutate(tipo_pessoa = str_to_title(tipo_pessoa), media = vl_ressarcimento/total) %>% setNames(c("Tipo de Pessoa", "Ressarcimento (MM R$)","Número de Condenados","Média (MM R$)")) %>% knitr::kable(digits = 2)
Distribuição geográfica
A distribuição geográfica dos dados patrimoniais cresce do norte para o sul, bem como o PIB. Essa conclusão é válida se considerarmos ou não os processos que transitaram em julgado. Entretanto, essa tendência geral tem duas exceções: (i) a soma das condenações de ressarcimento em Roraima é comparável à cifra de São Paulo e (ii) Rondônia, Acre e Tocantins.
N <- 12 # cortes <- c(0, rep(c(1,5), N)*rep(10^(1:N), each = 2)) cortes <- c(0, 10^(1:7),5*10^7,10^(8:N)) brks <- cut(c(cortes), breaks = c(cortes)) lbs <- c("0","<10","10<100","100<1M", "1M<10M","10M<100M","100M<1MM","1MM<10MM", "10MM<50MM","50MM<100MM","100MM<1Bi","1Bi<10Bi", "10Bi<100Bi", "100Bi<1Tri") tidy_ressarcimento_pos_cnc_sem_estranhos %>% mutate(id = uf_processo) %>% group_by(id, tipo_pena) %>% summarise(vl_ressarcimento = sum(vl_ressarcimento)) %>% ungroup() %>% complete(id, tipo_pena, fill = list(vl_ressarcimento = 0)) %>% mutate(vl_ressarcimento = cut(vl_ressarcimento, cortes)) %>% inner_join(br_uf_map) %>% { ggplot(.) + geom_map(aes(x = long, y = lat, map_id = id, fill = vl_ressarcimento), color = 'gray30', map = ., data = .) + scale_fill_brewer(palette = 'PuRd', breaks = brks, labels = lbs, name = 'Valor do ressarcimento') + coord_equal() + theme_void() + facet_wrap(~tipo_pena) }
A tabela com os valores ressarcidos e os respectivos números de processos segue abaixo. Note que não foi possível identificar a unidade da federação em 1850 processos, ou o equivalente a 350 milhões de reais.
tidy_ressarcimento_pos_cnc_sem_estranhos %>% mutate(id = uf_processo) %>% group_by(id) %>% summarise(vl_ressarcimento = sum(vl_ressarcimento), total = n())
Quando tomamos a distribuição per capita dos ressarcimentos, a distribuição geográfica tem novos polos. No Acre e em Roraima a taxa de ressarcimento por habitante chega a R$20,00.
cortes_tx <- c(0,0.1,0.25,0.5,1,2.5,5,10,15,20) brks_tx <- cut(c(cortes_tx), breaks = c(cortes_tx)) lbs_tx <- brks_tx tidy_cnc_ressarcimento_pos_cnc_processos %>% mutate(id = uf_processo) %>% group_by(id, tipo_pena) %>% summarise(vl_ressarcimento = sum(vl_ressarcimento)) %>% inner_join(pnud_uf, 'id') %>% mutate(vl_ressarcimento = vl_ressarcimento / popt) %>% ungroup() %>% complete(id, tipo_pena, fill = list(vl_ressarcimento = 0)) %>% mutate(vl_ressarcimento = cut(vl_ressarcimento, cortes_tx)) %>% inner_join(br_uf_map) %>% { ggplot(.) + geom_map(aes(x = long, y = lat, map_id = id, fill = vl_ressarcimento), color = 'gray30', map = ., data = .) + scale_fill_brewer(palette = 'PuRd', breaks = brks_tx, labels = lbs_tx, name = 'Ressarcimento per capita \n (R$\\habitante)') + coord_equal() + theme_void() + facet_wrap(~tipo_pena) }
Condenações Criminais
Tendência no tempo
O número de condenações criminais no CNIA é muito maior do que o número de condenações cíveis, principalmente após 2013. Nesse ano, a proporção condenações cíveis da base caiu dos 75% do ano anterior para 40%. Em 2015, 90% das condenações do CNIA eram condenações criminais.
tidy_cnc %>% distinct(n_processo, .keep_all = T) %>% filter(dt_pena > min(dt_cadastro)) %>% mutate(ano = year(dt_pena)) %>% group_by(ano) %>% count(assunto_penal_any) %>% ggplot(aes(x = ano, y = n)) + geom_bar(aes(fill = assunto_penal_any), stat = 'identity', position = 'dodge') + theme_bw(15) + theme(legend.position = 'bottom') + scale_x_continuous(breaks = 2007:2015) + xlab("")
tidy_cnc %>% distinct(n_processo, .keep_all = T) %>% filter(dt_pena > min(dt_cadastro)) %>% mutate(ano = year(dt_pena)) %>% group_by(ano) %>% count(assunto_penal_any) %>% mutate(prop = n/sum(n)) %>% ggplot(aes(x = ano, y = prop)) + geom_bar(aes(fill = assunto_penal_any), stat = 'identity', position = 'dodge') + theme_bw(15) + theme(legend.position = 'bottom') + scale_y_continuous(labels = scales::percent) + scale_x_continuous(breaks = 2007:2015) + xlab("")
Volume do dano
joga_resto_no_outros <- function(string, N, labell = 'outros'){ d <- data_frame(coluna = string) left_join(d, y = d %>% count(coluna), by = 'coluna') %>% mutate(coluna = ifelse(n < N, labell, coluna)) %>% with(coluna) } lista_de_regex <- list(regex_roubo = regex("roubo", ignore_case = T), regex_homicidio = regex("homic[íi]dio|Crimes conta a vida", ignore_case = T), regex_estupro = regex("estupro|dignidade sexual", ignore_case = T), regex_trafico = regex("tr[áa]fico", ignore_case = T), regex_quadrila = regex("quadrilha", ignore_case = T), regex_chaci = regex("Adulteração de Sinal Identificador de Veículo", ignore_case = T), regex_receptacao = regex("Receptação", ignore_case = T), regex_furto = regex("Furto", ignore_case = T), regex_patrimonio = regex("Crimes contra o Patrimônio|Crimes contra a Ordem Tributária|Crimes Praticados por Particular Contra a Administração em Geral|Crimes Praticados por Funcionários Públicos Contra a Administração em Geral|Crimes Praticados por Particular Contra a Administração Pública Estrangeira|Crimes contra a Economia Popular|Crimes Contra as Finanças Públicas|Crimes previstos na legislação extravagante", ignore_case = T)) troca_string_por_regex <- function(vetor, regexes){ map_chr(vetor, function(x){ pareamentos <- map(regexes, str_detect, string = x) %>% keep(~.x) %>% names %>% paste(collapse = ', ') if(pareamentos == ''){pareamentos <- x} return(pareamentos) })} tidy_crimes <- tidy_cnc %>% filter(assunto_penal_any) %>% gather(nm_ass, assunto, dplyr::contains("assunto_nm")) %>% filter(!is.na(assunto)) %>% group_by(arq) %>% mutate(assunto_paste = paste(assunto, collapse = ' ')) %>% distinct(arq, .keep_all = T) %>% ungroup() %>% #mutate(assunto_nm_1 = str_extract(assunto_nm_1, regex("^[a-zçãéíéóúâêúá]+", ignore_case = T))) %>% mutate(assunto_reclass = troca_string_por_regex(assunto_paste, lista_de_regex), assunto_reclass = joga_resto_no_outros(assunto_reclass, 400), assunto_reclass = str_to_title(str_replace(assunto_reclass, "regex_","")), assunto_reclass = fct_relevel(assunto_reclass, 'Outros', 'Direito Penal', 'Patrimonio', 'Receptacao', 'Estelionato', 'Roubo', 'Trafico', 'Estupro', 'Homicidio'))
Tráfico é o crime mais cadastro no CNIA. Ele é seguido pelos crimes de Roubo e Crimes contra o Patrimônio em geral.
tidy_crimes %>% count(assunto_reclass) %>% arrange(desc(n)) %>% set_names(c("Crime","Frequência"))
Órgãos
lista_de_regex <- list(regex_vereadores = regex("vereadores|c[aâ]mara", ignore_case = T), regex_secretaria = regex("secretaria", ignore_case = T), regex_municipio = regex("munic[íi]pio", ignore_case = T), regex_prefeitura = regex("prefeit", ignore_case = T), regex_assembleia_legislativa = regex("assembl[ée]ia legis", ignore_case = T), regex_policia = regex("pol[íi]cia", ignore_case = T), regex_poder_executivo = regex("executivo|poder executivo", ignore_case = T), regex_poder_legislativo = regex("poder legislativo", ignore_case = T), regex_hospital = regex("hospitais", ignore_case = T), regex_correios = regex("correio|ect|ebct", ignore_case = T), regex_caixa = regex("CAIXA ECON[Ôo]MICA FEDERAL|cef", ignore_case = T), regex_inss = regex("INSTITUTO NACIONAL DO SEGURO|INSS", ignore_case = T)) joga_resto_no_outros <- function(string, N, labell = 'outros'){ d <- data_frame(coluna = string) left_join(d, y = d %>% count(coluna), by = 'coluna') %>% mutate(coluna = ifelse(n < N, labell, coluna)) %>% with(coluna) } troca_string_por_regex <- function(vetor, regexes){ map_chr(vetor, function(x){ pareamentos <- map(regexes, str_detect, string = x) %>% keep(~.x) %>% names %>% paste(collapse = ', ') if(pareamentos == ''){pareamentos <- x} return(pareamentos) }) } tidy_crimes_org <- tidy_crimes %>% mutate(novo_orgao = troca_string_por_regex(orgao, lista_de_regex), novo_orgao = joga_resto_no_outros(novo_orgao, 5), novo_orgao = str_replace_all(novo_orgao,"regex_",""), novo_orgao = str_replace_all(novo_orgao,"_"," "), novo_orgao = str_to_title(novo_orgao)) %>% replace_na(list(novo_orgao = "Não Identificado"))
Ao contrário do ocorrido com as condenações cíveis, as condenações criminais não concentram-se nos prefeitos e prefeituras. A maior parte dessas condenações recai sobre indíviduos sem identificação de órgão estatal ou cargo.
tidy_crimes_org %>% count(novo_orgao)
Instância
Analisando a instância das condenações penais, verificamos que o número de condenações criminais aqui é menor do que nas condenações cíveis. Entretanto, mantém-se baixo o número de processos que transitaram em julgado diretamente da segunda instância.
tidy_crimes %>% filter(esfera_processo %in% c("Estadual","Federal")) %>% count(instancia, tipo_pena) %>% spread(tipo_pena,n)
Esfera
Ao contrário do que ocorreu nas condenações cíveis, nas condenações criminais quase a totalidade das condenações ocorre na esfera Estadual.
tidy_crimes %>% filter(esfera_processo %in% c("Estadual","Federal")) %>% count(esfera_processo)
Tipo de Pessoa
Existem apenas 6 pessoas jurídicas envolvidas em condenações criminais.
tidy_crimes %>% count(tipo_pessoa)
Distribuição geográfica
No CNIA, não constam condenações criminais fora do eixo Sul-Sudeste.
# cortes <- c(0, rep(c(1,5), N)*rep(10^(1:N), each = 2)) cortes <- c(0, 250, 500, 750, 1000, 1250, 1500, 1750, 2000) brks <- cut(c(cortes), breaks = c(cortes)) lbs <- c("0","0<250","250<500","500<750","750<1000","1000<1250","1250<1500","1500<1750","1750<2000") estados <- tidy_cnc$uf_processo %>% unique tidy_crimes %>% mutate(uf_processo = factor(uf_processo, estados)) %>% mutate(id = uf_processo, assunto_reclass = as.character(assunto_reclass)) %>% count(id, assunto_reclass) %>% complete(id, assunto_reclass, fill = list(n = 0)) %>% ungroup() %>% mutate(n = cut(n, cortes), id = as.character(id)) %>% inner_join(br_uf_map) %>% ungroup() %>% { ggplot(.) + geom_map(aes(x = long, y = lat, map_id = id, fill = n), color = 'gray30', map = ., data = .) + scale_fill_brewer(palette = 'PuRd', breaks = brks, labels = lbs, name = 'Valor do ressarcimento') + coord_equal() + theme_void() + facet_wrap(~assunto_reclass, ncol = 3) }
R Package Documentation
Browse R Packages
We want your feedback!
Note that we can't provide technical support on individual packages. You should contact the package authors for that.
Embedding an R snippet on your website
Add the following code to your website.
For more information on customizing the embed code, read Embedding Snippets.