Nascimentos e Óbitos no Brasil

Neste post analiso os dados do mais recente Estatísticas do Registro Civil do IBGE. Esta base de dados estima o número total de nascidos vivos e de óbitos em cada município a cada ano. Os dados são bastante detalhados e permitem diversos tipos de análise.
data-visualization
mapas
ggplot2
brasil
demografia
Author

Vinicius Oike

Published

April 10, 2024

Nascimentos e Óbitos

O IBGE recentemente atualizou as contagens de nascimento e óbitos no Brasil, no estudo períodico Estatísticas do Registro Civil. Esta base de dados estima o número total de nascidos vivos e de óbitos em cada município a cada ano. Os dados são bastante detalhados e permitem diversos tipos de análise. Já usei estes dados em outro post, onde mostrei como as divergências do Censo 2022 eram surpreendentes, visto que houve “houve cerca de 400 mil mortes a mais do que o projetado e 800 mil nascimentos a menos”.

Análise de Dados

library(dplyr)
library(sf)
library(showtext)
library(biscale)
library(gt)
library(gtExtras)
library(ggplot2)
library(patchwork)

records <- qs::qread("...")
rec <- as_tibble(st_drop_geometry(records))

Pode-se importar o shapefile dos estados via geobr.

state_border <- geobr::read_state(showProgress = FALSE)
dim_state <- as_tibble(st_drop_geometry(state_border))

dim_state <- dim_state |> 
  mutate(name_state = stringr::str_replace(
    name_state,
    "Espirito Santo",
    "Espírito Santo")
    )

# Aggregate data by state
state_records <- rec |> 
  summarise(across(population:births, ~sum(.x, na.rm = TRUE)), .by = "abbrev_state") |> 
  mutate(cbr = births / population * 1000, cdr = deaths / population * 1000)

state_pop <- left_join(state_border, state_records, by = "abbrev_state")

Panorama

Quando se olha para a tendência dentro de cada estado, vê-se uma divisão regional. Os estados do Norte têm taxas de natalidade elevadas e taxas de mortalidade baixas. O Centro-Oeste tem TBN e TBM moderadas, com exceção do Distrito Federal, que tem ambas as taxas baixas. Já o litoral do país apresenta taxas de mortalidade moderadas ou elevadas e baixas taxas de natalidade. Isto é particularmente relevante, visto que a maior parte da população brasileira mora nestes estados.

É importante notar também que o Nordeste começa a exibir padrões demográficos similares a do Sul e do Sudeste, apesar de ter um renda per capita significativamente menor. Isto tende a se traduzir em desafios ainda maiores para o desenvolvimento econômico da região.

Code 
rates <- bi_class(state_pop, cdr, cbr, style = "jenks", dim = 3)

pal <- "BlueOr"

p_map <- ggplot(rates) +
  geom_sf(aes(fill = bi_class)) +
  bi_scale_fill(pal = pal, dim = 3) +
  guides(fill = "none") +
  coord_sf(xlim = c(NA, -36.25)) +
  theme_void()

p_legend <- bi_legend(
  pal = pal,
  dim = 3,
  xlab = "Deaths",
  ylab = "Births",
  size = 8)

state_map <- p_map + inset_element(p_legend, 0, 0, 0.4, 0.4)

theme_map <- theme_minimal(base_family = "Lato") +
  theme(
    plot.title = element_text(hjust = 0.5),
    plot.subtitle = element_text(hjust = 0.5)
    )

state_map <- state_map + plot_annotation(
  title = "Nascimentos e Mortes",
  subtitle = "Taxas brutas de nascimento e mortes por mil habitantes",
  theme = theme_map
  )

state_map

De modo geral, a maior parte dos municípios continua apresentando números maiores de nascimentos do que óbitos. Cerca de 84% dos municípios tem taxas brutas de natalidade (TBN) superiores às suas respectivas taxas brutas de mortalidade (TBM). O gráfico abaixo mostra a dispersão entre a taxa bruta de natalidade, por mil habitantes, contra a taxa bruta de mortalidade, por mil habitantes. Outliers são removidos para facilitar a leitura dos dados.

Os municípios abaixo da linha laranja apresentam TBM maior do que TBN, isto é, são municípios onde se registram mais óbitos do que nascimentos. O contrário é válido para os municípios acima da linha: nos municípios acima da linha laranja há mais nascimentos do que óbitos. Isto, de fato, reflete o acelerado envelhecimento da população, como mostrei em outro post.

Code 
sub <- rec |> 
  filter(cdr <= 20, cbr <= 30)

plot_scatter <- ggplot(sub, aes(cdr, cbr)) +
  geom_point(
    aes(size = sqrt(population)),
    alpha = 0.5,
    shape = 21,
    color = "#023047"
    ) +
  geom_abline(slope = 1, intercept = 0, lwd = 1, color = "#fb8500") +
  geom_hline(yintercept = 0) +
  geom_vline(xintercept = 0) +
  geom_text(
    data = tibble(x = 17.5, y = 3, label = "Mais Óbitos\ndo que\nNascimentos"),
    aes(x, y, label = label),
    family = "Lato",
    size = 3
  ) +
  geom_text(
    data = tibble(x = 17.5, y = 25.25, label = "Mais Nasc.\ndo que\nÓbitos"),
    aes(x, y, label = label),
    family = "Lato",
    size = 3
  ) +
  guides(size = "none") +
  labs(
    title = "Nascimentos e Óbitos",
    subtitle = stringr::str_wrap("Taxa Bruta de Nascimentos e Óbitos por mil habitantes por município no Brasil (2022). Tamanho do círculo proporcional à população do município.", 86),
    x = "Óbitos (p/ 1.000 habitantes)",
    y = "Nascimentos (p/ 1.000 habitantes)"
  ) +
  theme_minimal(base_family = "Lato")

plot_scatter

A tabela abaixo apresenta os principais municípios com baixas taxas de natalidade e altas taxas de mortalidade. Vê-se que municípios de médio porte, do interior do Rio Grande do Sul, predominam na lista. É o caso de cidade como São Borja, São Gabriel, Bagé e Vacaria.

Nome UF Taxa por mil Absoluto População
Nascimentos Óbitos Nascimentos Óbitos
Cachoeira do Sul RS 11,02 12,71 882 1.018 80.070
Petrópolis RJ 11,28 11,68 3.146 3.258 278.881
São Gabriel RS 11,93 11,61 698 679 58.487
Santos SP 9,09 11,56 3.807 4.838 418.608
Rio Grande RS 10,79 11,43 2.070 2.194 191.900
São Borja RS 11,16 11,43 666 682 59.676
Tupã SP 9,21 11,42 589 730 63.928
Penápolis SP 10,96 11,30 676 697 61.679
Valença RJ 10,43 11,26 710 767 68.088
Vacaria RS 13,89 11,06 892 710 64.197
Bagé RS 11,22 11,00 1.323 1.297 117.938
Camaquã RS 12,09 10,95 752 681 62.200
Alegrete RS 10,26 10,92 743 791 72.409
Peruíbe SP 13,56 10,91 927 746 68.352
Cataguases MG 9,34 10,90 619 722 66.261

A taxa bruta de natalidade é uma boa proxy para a taxa de fecundidade e a sua redução, de fato, indica menor crescimento demográfico. A tabela abaixo mostra os principais municípios com TBN elevada. Todos os municípios listados estão na região Norte e os estados do Pará e, sobretudo, do Amazonas predominam na lista.

Nome UF Taxa por mil Absoluto População
Nascimentos Óbitos Nascimentos Óbitos
São Gabriel da Cachoeira AM 31,43 4,13 1.628 214 51.795
Portel PA 31,13 2,14 1.946 134 62.503
Breves PA 27,34 2,52 2.924 270 106.968
Tabatinga AM 25,57 4,46 1.707 298 66.764
Maués AM 24,97 4,02 1.528 246 61.204
Coari AM 23,52 4,84 1.661 342 70.616
Tomé-Açu PA 23,26 3,79 1.572 256 67.585
Santana AP 23,11 4,00 2.487 431 107.618
Juruti PA 22,64 3,38 1.152 172 50.881
Tefé AM 21,79 3,24 1.605 239 73.669
Buriticupu MA 21,55 3,77 1.196 209 55.499
Oriximiná PA 21,30 4,61 1.455 315 68.294
Tailândia PA 21,12 4,39 1.531 318 72.493
Grajaú MA 21,12 5,21 1.560 385 73.872
Parintins AM 21,06 4,70 2.030 453 96.372

Mapas

Como visto, a dinâmica populacional varia de região para região e até de estado para estado. O mapa abaixo normaliza a taxa de crescimento natural para o Rio Grande do Sul. Aqui, define-se que a TCN é a diferença entre a TBN e a TBM, isto é

\[ \text{TCN} = \text{TBN} - \text{TBM} = \frac{N}{P}\times1.000 - \frac{O}{P}\times1.000 = 1.000 (\frac{N - O}{P}) \] onde \(N\) é o número total de nascidos vivos no ano, \(O\) é o número total de óbitos registrados no ano e \(P\) é a contagem total da população no ano.

O gráfico abaixo mostra a distribuição da TCN entre os municípios do Rio Grande do Sul em contraste com os demais municípios do Brasil. Nota-se que o formato da distribuição é relativamente similar; contudo, a distribuição da TCN está deslocada à esquerda no gráfico, indicando que os municípios gaúchos tem TCN menores.

O mapa abaixo mostra a distribuição espacial da TCN no Rio Grande do Sul. Os dados são normalizados e as cores destacam os municípios que estão “nas pontas” da distribuição. A distância é mensurada em termos de desvios-padrão.

Os municípios em cinza apresentam TCN próximas à média do estado; já os municípios em vermelho apresentam TCN abaixo da média. Nota-se que o Centro-Sul do estado possui praticamente nenhum município com TCN acima da média. A região metropolitana de Porto Alegre e boa parte das regiões Norte e Nordeste do estado apresentam vários municípios em azul, indicando TCN positivas.

Pode-se olhar também para a distribuição simulatânea da TBN e da TBM no estado. A função abaixo implementa uma maneira fácil de montar esta visualização para qualquer estado do Brasil.

Code 
available_states <- unique(dim_state$abbrev_state)
available_states <- available_states[order(available_states)]
available_states <- paste(available_states, collapse = ", ")

theme_map <- theme_minimal(base_family = "Lato") +
  theme(
    plot.title = element_text(hjust = 0.5),
    plot.subtitle = element_text(hjust = 0.5)
    )

plot_biscale <- function(
    state,
    t = 0.35,
    r = 0.35,
    b = 0,
    l = 0,
    pal = "BlueOr",
    theme = theme_map
    ) {
  
  if (is.numeric(state) && nchar(state) == 2) {
    state <- dplyr::filter(records, code_state == state)$abbrev_state
  }
  
  if (length(state) == 0) {
    stop("Argument `state` must be one of: ", available_states, ".")
  }
  
  sub <- dplyr::filter(records, abbrev_state == state)
  rates <- bi_class(sub, cdr, cbr, style = "jenks", dim = 3)

  p_map <- ggplot(rates) +
    geom_sf(aes(fill = bi_class)) +
    bi_scale_fill(pal = pal, dim = 3) +
    guides(fill = "none") +
    theme_void()

  p_legend <- bi_legend(
    pal = pal,
    dim = 3,
    xlab = "Deaths",
    ylab = "Births",
    size = 8)

  p_map <- p_map + inset_element(p_legend, left = l, bottom = b, right = r, top = t)
  
  p_map <- p_map + plot_annotation(
    title = stringr::str_glue("Nascimentos e Mortes ({state})"),
    subtitle = "Taxas brutas de nascimento e mortes por mil habitantes",
    theme = theme_map
    )
  
  return(p_map)
  
}

Rio Grande do Sul

Olhando para o mapa, vê-se que a região Centro-Sul do estado apresenta taxas de mortalidade moderadas ou elevadas. Aqui, os municípios em laranja são os mais preocupantes, por apresentar simultaneamente mortalidade elevada e natalidade baixa. A região metropolitana de Porto Alegre e boa parte das regiões Norte e Nordeste do estado apresentam vários municípios em azul claro e azul escuro, indicando TBN moderada ou elevada e TBM baixa.

Santa Catarina

Minas Gerais

Posts relacionados