Código para análises da notícia

reeleicao_desertos_noticia.R

##################################################
##################################################
##################################################
#####
##### REELEICAO EM DESERTOS DE NOTICIA
#####
#####

# Lucas Gelape
# lucas@voltdata.info

# Pacotes
library(cepespR)
library(newsatlasbr)
library(dplyr)
library(readxl)
library(stringr)
library(tidyr)
library(ggplot2)
library(forcats)
library(stringi)

# Registrar no Atlas
atlas_signin("exemplo@exemplo.com", "senha")

# Funcoes
percentual_arredondar <- function(x){round(x*100, digits = 2)}

tema_base <- function(banco){
  
  banco %>%
    ggplot() +
    theme_minimal() +
    theme(legend.position = "bottom", 
          legend.direction = "horizontal",
          plot.title = element_text(hjust = 0.5, size = 10),
          axis.text.x = element_text(size = 8),
          axis.text.y = element_text(size = 8),
          plot.caption = element_text(hjust = 0.5))
  
}

###################################################################################################

##### ABRE BANCOS QUE SERAO UTILIZADOS

### CANDIDATURAS:
#   Candidaturas de 2012, 2016 e 2020;
#   Corrigindo inconsistencias em siglas e CPFs;
#   Retirando candidaturas não-deferidas ou sob recurso na Justica Eleitoral.

## 2012
prefeitos2012  <- cepespR::get_candidates(2012, "Prefeito") %>%
  filter(COD_SIT_TOT_TURNO != "5")

## 2016
prefeitos2016  <- cepespR::get_candidates(2016, "Prefeito") %>%
  filter(COD_SIT_TOT_TURNO != "5")

vereadores2016  <- cepespR::get_candidates(2016, "Vereador")

## 2020
candidatos2020 <- read.csv2("consulta_cand_2020_BRASIL.csv", 
                            stringsAsFactors = F, fileEncoding = "latin1") %>%
  mutate(SG_UE = str_pad(SG_UE, 5,  side = "left", pad = "0"),
         NR_CPF_CANDIDATO  = str_pad(NR_CPF_CANDIDATO, 11,  side = "left", pad = "0"),
         NM_CANDIDATO      = tolower(stri_trans_general(NM_CANDIDATO, "Latin-ASCII"))) %>%
  # Identifiquei um prefeito eleito em 2016 que estava com o CPF errado em 2020
  mutate(NR_CPF_CANDIDATO = ifelse(NM_CANDIDATO == "adriano rodrigues de moraes", "85003581149", NR_CPF_CANDIDATO))

prefeitos2020   <- candidatos2020 %>%
  filter(DS_DETALHE_SITUACAO_CAND != "RENÚNCIA" | DS_DETALHE_SITUACAO_CAND != "CANCELADO" | 
           DS_DETALHE_SITUACAO_CAND != "CASSADO" | DS_DETALHE_SITUACAO_CAND != "FALECIDO" | 
           DS_DETALHE_SITUACAO_CAND != "INDEFERIDO" | DS_DETALHE_SITUACAO_CAND != "PEDIDO NÃO CONHECIDO", 
         CD_CARGO == 11)
vereadores2020  <- candidatos2020 %>%
  filter(DS_DETALHE_SITUACAO_CAND != "RENÚNCIA" | DS_DETALHE_SITUACAO_CAND != "CANCELADO" | 
           DS_DETALHE_SITUACAO_CAND != "CASSADO" | DS_DETALHE_SITUACAO_CAND != "FALECIDO" | 
           DS_DETALHE_SITUACAO_CAND != "INDEFERIDO" | DS_DETALHE_SITUACAO_CAND != "PEDIDO NÃO CONHECIDO",
         CD_CARGO == 13)

### CODIGOS IBGE E TSE
#   Para unir os bancos do Atlas e TSE
ibge_tse <- read_excel("/Users/lucasgelape/Google Drive (USP)/Bancos/Munic2016_IBGE_TSE.xlsx") %>%
  select(`COD MUNIC 7_IBGE`, TSECod_5) %>%
  rename(codmun_ibge = `COD MUNIC 7_IBGE`, codmun_tse = TSECod_5)


### ATLAS DA NOTICIA
##  N. de veiculos de imprensa por municipio
#   Categoriza os municipios em deserto, quase deserto e nao deserto;
#   Categoriza por porte populacional
municipios_atlas <- newsatlasbr::get_municipalities()  %>%
  mutate(categorias = case_when(qtd_veiculos == 0 ~ "deserto",
                                qtd_veiculos > 0 & qtd_veiculos < 3 ~ "quase deserto",
                                qtd_veiculos > 2 ~ "nao deserto")) %>%
  left_join(ibge_tse, by = c("codmun" = "codmun_ibge")) %>%
  mutate(tamanho_mun = case_when(populacao < 10000 ~ "ate 10k",
                                 populacao > 10000 & populacao <= 20000    ~ "10-20k",
                                 populacao > 20000 & populacao <= 50000    ~ "20-50k",
                                 populacao > 50000 & populacao <= 100000   ~ "50-100k",
                                 populacao > 100000 & populacao <= 200000  ~ "100-200k",
                                 populacao > 200000 & populacao <= 500000  ~ "200-500k",
                                 populacao > 500000 & populacao <= 1000000 ~ "500-1000k",
                                 populacao > 1000000 ~ "1mi+"),
         tamanho_mun = factor(tamanho_mun, 
                              levels = c("ate 10k", "10-20k", "20-50k","50-100k", 
                                         "100-200k", "200-500k", "500-1000k", "1mi+"),
                              labels = c("Até 10 mil", "Entre 10\ne 20 mil", "Entre 20\ne 50 mil",
                                         "Entre 50\ne 100 mil", "Entre 100\ne 200 mil",
                                         "Entre 200\ne 500 mil", "Entre\n500 mil e 1mi",
                                         "Mais de 1mi")),
         categorias = factor(categorias,
                             levels = c("deserto", "quase deserto", "nao deserto"),
                             labels = c("Deserto", "Quase deserto", "Não deserto")))

###################################################################################################
###################################################################################################
###################################################################################################

##### CANDIDATOS A REELEICAO - VEREADORES

#### PREPARANDO OS BANCOS

### CICLO ELEITORAL 2016-2020
# Puxa os vereadores eleitos em 2016
vereadores_eleitos_2016 <- vereadores2016 %>%
  filter(DESC_SIT_TOT_TURNO == "ELEITO POR MEDIA" | DESC_SIT_TOT_TURNO == "ELEITO POR QP",
         DESCRICAO_ELEICAO == "Eleições Municipais 2016") %>%
  select(ANO_ELEICAO, CPF_CANDIDATO, SIGLA_UE, CODIGO_CARGO, SIGLA_PARTIDO) %>%
  distinct() 

# Puxa o n. de cadeiras de 2016
cadeiras2016 <- electionsBR::seats_local(2016) %>%
  filter(CODIGO_CARGO == 13) %>%
  select(SIGLA_UE, QTDE_VAGAS)

# Abre os candidatos a prefeito 2020 (deferidos)
vereadores_candidatos_2020 <- vereadores2020 %>%
  select(NR_CPF_CANDIDATO, SG_UE, CD_CARGO, SG_PARTIDO) %>%
  mutate(NR_CPF_CANDIDATO = as.character(NR_CPF_CANDIDATO),
         SG_UE = as.character(SG_UE))
names(vereadores_candidatos_2020) <- c("CPF_CANDIDATO", "SIGLA_UE", "CODIGO_CARGO", "SIGLA_PARTIDO")
names(vereadores_candidatos_2020) <- paste0(names(vereadores_candidatos_2020), "_2020")

# Junta os bancos pelo CPF dos candidatos e codigo do IBGE
vereadores_eleitos_2016 <- left_join(vereadores_eleitos_2016, vereadores_candidatos_2020, 
                                     by = c("CPF_CANDIDATO" = "CPF_CANDIDATO_2020", 
                                            "SIGLA_UE" = "SIGLA_UE_2020")) %>%
  distinct() %>%
  mutate(duplicado = duplicated(CPF_CANDIDATO)) %>%
  left_join(ibge_tse, by = c("SIGLA_UE" = "codmun_tse")) %>%
  left_join(municipios_atlas, by = c("codmun_ibge" = "codmun")) %>%
  mutate(reeleicao = ifelse(is.na(CODIGO_CARGO_2020), "nao", "sim")) %>%
  left_join(cadeiras2016, by = "SIGLA_UE")

# Calcula o numero e o percentual de vereadores que disputam a reeleicao em cada municipio
reeleicao_vereadores_2016 <- vereadores_eleitos_2016 %>%
  group_by(SIGLA_UE) %>%
  mutate(eleitos = n(),
         reeleicao_n = sum(reeleicao == "sim"),
         reeleicao_p = percentual_arredondar(reeleicao_n/QTDE_VAGAS)) %>%
  ungroup() %>%
  select(ANO_ELEICAO, SIGLA_UE, codmun_ibge, municipio, 
         populacao, tamanho_mun, categorias, IDHM, 
         QTDE_VAGAS, eleitos, reeleicao_n, reeleicao_p) %>%
  group_by(tamanho_mun, categorias) %>%
  mutate(media_reeleicao = mean(reeleicao_p)) %>%
  ungroup() %>%
  distinct()

###################################################################################################

#### GERANDO OS RESULTADOS DE VEREADORES

# Percentual de candidatos a reeleicao por municipio em cada faixa populacional e categoria do Atlas
# (restrito a municipios com menos de 100k/hab)
reeleicao_2016 <- reeleicao_vereadores_2016 %>%
  filter(populacao < 100000) %>%
  group_by(tamanho_mun, categorias) %>%
  summarise(media_reeleicao = round(mean(reeleicao_p), digits = 1), 
            numero_cidades = n()) %>%
  ungroup()

# Grafico do % de candidatos a reeleicao por municipio, faixa populacional e categoria
reeleicao_vereadores_2016 %>%
  filter(populacao < 50000) %>%
  group_by(tamanho_mun, categorias) %>%
  summarise(media_reeleicao = mean(reeleicao_p)) %>%
  ungroup() %>%
  mutate(categorias = fct_rev(categorias)) %>%
  mutate(tamanho_mun = fct_rev(tamanho_mun)) %>%
  tema_base() +
  geom_col(aes(x = tamanho_mun, y = media_reeleicao, fill = categorias), position = "dodge") +
  labs(x = "", y = "Candidatos a reeleição (em %)") +
  scale_fill_grey(start = 0.8, end = 0.2) +
  guides(fill = guide_legend(title = "Reeleição")) +
  coord_flip()

# Municipios em que todos os vereadores disputam a reeleicao
municipios_100 <- filter(reeleicao_vereadores_2016, reeleicao_p == 100)
prop.table(table(municipios_100$categorias))*100

###################################################################################################
###################################################################################################
###################################################################################################

##### CANDIDATOS A REELEICAO PREFEITOS

### CICLO ELEITORAL 2016-2020

## Primeiro, precisamos identificar os prefeitos eleitos em 2016 que nao sao reelegiveis.
#  Assim, temos que buscar quais deles foram eleitos em 2012 (ou em eleicoes suplementares
#  antes de 2016).

# Puxa os prefeitos eleitos em 2012 (base)
prefeitos_eleitos_em2012 <- prefeitos2012 %>%
  filter(DESC_SIT_TOT_TURNO == "ELEITO",
         DESCRICAO_ELEICAO == "ELEIÇÃO MUNICIPAL 2012") %>%
  select(ANO_ELEICAO, SIGLA_UE, CODIGO_CARGO, CPF_CANDIDATO, SIGLA_PARTIDO) %>%
  distinct() %>%
  mutate(momento = "eleicao")

# Eleicoes suplementares
prefeitos_eleitos_2012_suplementares <- prefeitos2012 %>%
  filter(DESC_SIT_TOT_TURNO == "ELEITO",
         DESCRICAO_ELEICAO != "ELEIÇÃO MUNICIPAL 2012") %>%
  select(ANO_ELEICAO, SIGLA_UE, CODIGO_CARGO, CPF_CANDIDATO, SIGLA_PARTIDO) %>%
  distinct() %>%
  mutate(momento = "eleicao suplementar",
         momento = ifelse(CPF_CANDIDATO == "42305730225", "eleicao suplementar 2", momento))

# Empilha e remove as duplicacoes (municipios que tiveram eleicoes suplementares)
prefeitos_eleitos_2012 <- bind_rows(prefeitos_eleitos_em2012, prefeitos_eleitos_2012_suplementares) %>%
  arrange(desc(momento)) %>%
  mutate(duplicado = duplicated(SIGLA_UE)) %>%
  filter(duplicado == F) %>%
  select(-c(duplicado, momento))

# Puxa os candidatos a prefeito em 2016
prefeitos_candidatos_2016 <- prefeitos2016 %>%
  filter(DESCRICAO_ELEICAO == "Eleições Municipais 2016") %>%
  select(CPF_CANDIDATO, SIGLA_UE, CODIGO_CARGO, SIGLA_PARTIDO, DESC_SIT_TOT_TURNO) %>%
  distinct() 
names(prefeitos_candidatos_2016) <- paste0(names(prefeitos_candidatos_2016), "_2016")

# Junta os dois bancos pelo CPF dos candidatos
prefeitos_eleitos_2012 <- left_join(prefeitos_eleitos_2012, prefeitos_candidatos_2016, 
                                    by = c("CPF_CANDIDATO" = "CPF_CANDIDATO_2016")) %>%
  left_join(ibge_tse, by = c("SIGLA_UE" = "codmun_tse")) %>%
  left_join(municipios_atlas, by = c("codmun_ibge" = "codmun")) %>%
  group_by(SIGLA_UE) %>%
  mutate(soma = n()) %>%
  ungroup()

# Seleciona o CPF dos prefeitos de 2012 nao reelegiveis em 2016 
# para retira-los da conta da reeleicao de 2016-2020
nao_reelegiveis <- prefeitos_eleitos_2012 %>%
  filter(DESC_SIT_TOT_TURNO_2016 == "ELEITO") %>%
  .$CPF_CANDIDATO

# Elimina objetos que nao serao mais usados
rm(list = c("prefeitos_eleitos_em2012", "prefeitos_eleitos_2012_suplementares", "prefeitos_candidatos_2016"))

# Puxa os prefeitos eleitos em 2016 (base)
prefeitos_eleitos_em2016 <- prefeitos2016 %>%
  filter(DESCRICAO_ELEICAO == "Eleições Municipais 2016",
         DESC_SIT_TOT_TURNO == "ELEITO") %>%
  select(CPF_CANDIDATO, SIGLA_UE, CODIGO_CARGO, SIGLA_PARTIDO) %>%
  distinct() %>%
  mutate(momento = "eleicao") %>%
  mutate(reelegivel = ifelse(CPF_CANDIDATO %in% nao_reelegiveis, "nao", "sim"))

# Eleicoes suplementares 2016
prefeitos_eleitos_2016_suplementares <- prefeitos2016 %>%
  filter(DESC_SIT_TOT_TURNO == "ELEITO",
         DESCRICAO_ELEICAO != "Eleições Municipais 2016") %>%
  select(ANO_ELEICAO, SIGLA_UE, CODIGO_CARGO, CPF_CANDIDATO, SIGLA_PARTIDO) %>%
  distinct() %>%
  mutate(momento = "eleicao suplementar")

# Identifica os "atuais" mandatarios
prefeitos_eleitos_2016 <- bind_rows(prefeitos_eleitos_em2016, prefeitos_eleitos_2016_suplementares) %>%
  arrange(desc(momento)) %>%
  mutate(duplicado = duplicated(SIGLA_UE)) %>%
  filter(duplicado == F) %>%
  select(-c(duplicado, momento)) %>%
  mutate(reelegivel = ifelse(is.na(reelegivel), "sim", reelegivel))

# Abre os candidatos a prefeito 2020 (deferidos)
prefeitos_candidatos_2020 <- prefeitos2020 %>%
  select(NR_CPF_CANDIDATO, SG_UE, CD_CARGO, SG_PARTIDO) %>%
  mutate(NR_CPF_CANDIDATO = as.character(NR_CPF_CANDIDATO),
         SG_UE = as.character(SG_UE))
names(prefeitos_candidatos_2020) <- c("CPF_CANDIDATO", "SIGLA_UE", "CODIGO_CARGO", "SIGLA_PARTIDO")
names(prefeitos_candidatos_2020) <- paste0(names(prefeitos_candidatos_2020), "_2020")

# Junta os bancos pelo CPF dos candidatos e codigo do IBGE
prefeitos_eleitos_2016 <- left_join(prefeitos_eleitos_2016, prefeitos_candidatos_2020, 
                                    by = c("CPF_CANDIDATO" = "CPF_CANDIDATO_2020", 
                                           "SIGLA_UE" = "SIGLA_UE_2020")) %>%
  distinct() %>%
  mutate(duplicado = duplicated(CPF_CANDIDATO)) %>%
  left_join(ibge_tse, by = c("SIGLA_UE" = "codmun_tse")) %>%
  left_join(municipios_atlas, by = c("codmun_ibge" = "codmun")) %>%
  mutate(reeleicao = ifelse(is.na(CODIGO_CARGO_2020), "nao", "sim"))

###################################################################################################

#### GERA OS RESULTADOS - REELEICAO DE PREFEITOS

# Faz o calculo do n. de prefeitos candidatos a reeleicao, por categoria e possibilidade de reeleicao
reeleicao_prefeitos <- prefeitos_eleitos_2016 %>%
  group_by(reelegivel, reeleicao, categorias) %>%
  summarise(numero = n()) %>%
  ungroup() %>%
  group_by(reelegivel, categorias) %>%
  mutate(percentual = percentual_arredondar(numero/sum(numero))) %>%
  ungroup() 

# Grafico: categorias de municipio x concorreu a reeleicao
prefeitos_eleitos_2016 %>%
  filter(reelegivel == "sim",
         !is.na(categorias)) %>%
  mutate(categorias = fct_rev(categorias)) %>%
  group_by(reeleicao, categorias) %>%
  summarise(numero = n()) %>%
  ungroup() %>%
  group_by(categorias) %>%
  mutate(total_categoria = sum(numero)) %>%
  ungroup() %>%
  mutate(percentual = percentual_arredondar(numero/total_categoria)) %>%
  arrange(categorias) %>%
  tema_base() +
  geom_col(aes(x = categorias, y = percentual, fill = reeleicao), position = "dodge") +
  labs(x = "", y = "Candidatos a reeleição (em %)") +
  scale_y_continuous(limits = c(0,100), breaks = seq(0,100,25)) +
  scale_fill_grey(start = 0.8, end = 0.2) +
  guides(fill = guide_legend(title = "Reeleição"))