Estimativas populacionais por sexo e faixa etária para os municípios brasileiros, 1980

library(csapAIH)
library(dplyr) 
library(Rcoisas) 
library(ggplot2)
library(knitr)

O Departamento de Informática do SUS (DATASUS) distribuía as estimativas e contagens populacionais por sexo e faixa etária quinquenal para os municípios brasileiros em arquivos separados por ano, desde 1980 até 2012. Após ficarmos um período sem estimativas para os anos seguintes, foi publicado no aplicativo on-line de tabulação de dados do DATASUS, o TABNET, o Estudo de estimativas populacionais para os municípios brasileiros, desagregadas por sexo e idade, 2000-2021, cujos resultados ainda podem ser tabulados nessa página, agora com o aviso de “população não mais em uso”, porque o Censo 2022 mostrou que os cálculos foram superestimados. Entretanto, os arquivos-fonte não eram disponibilizados, o que levou à criação do pacote brpop e, posteriormente, da função popbr2000_2021().

Com a atualização das estimativas populacionais após o Censo 2022, o DATASUS voltou a disponibilizar arquivos com as contagens e estimativas da população por sexo e idade para os municípios brasileiros. Assim, além das tabulações no TABNET, podemos novamente baixar os arquivos na página de transferência de arquivos ou no site FTP do DATASUS, em ftp://ftp.datasus.gov.br/dissemin/publicos/IBGE/POP/ e ftp://ftp.datasus.gov.br/dissemin/publicos/IBGE/POPSVS/. (Nota técnica)

Portanto, a função popbr2000_2021() não é mais necessária, salvo para a reprodução de resultados anteriores e eventual comparação com as estimativas atualizadas, razão pela qual é mantida no pacote. As estimativas atualizadas são lidas pela função ler_popbr(), que anteriormente lia os arquivos de 1980 a 2012 (página de tabulação) e agora lê as novas estimativas e medidas, disponíveis nos arquivos de 2013 a 2024 (página de tabulação).

Os arquivos de população no DATASUS

Os arquivos são disponibilizados com registros para todos os municípios brasileiros, com estrutura um pouco diferente entre os períodos 1980-2012 e 2013-2024.

No período 1980 a 2012, a estrutura é a seguinte (veja que é a mesma estrutura para os dois anos selecionados):

br1980 <- ler_popbr(1980)
all.equal( str(br1980), str(ler_popbr(2012)) )
'data.frame':   524171 obs. of  7 variables:
 $ munic_res: chr  "110002" "110002" "110002" "110002" ...
  ..- attr(*, "label")= chr "Codigo IBGE do municipio"
 $ ano      : Factor w/ 1 level "1980": 1 1 1 1 1 1 1 1 1 1 ...
 $ sexo     : Factor w/ 2 levels "masc","fem": 1 1 1 1 1 1 1 1 1 1 ...
 $ situacao : Factor w/ 2 levels "urbana","rural": 1 1 1 1 1 1 1 1 1 1 ...
 $ fxetaria : Factor w/ 34 levels "0000","0101",..: 1 2 3 4 5 6 7 8 9 10 ...
  ..- attr(*, "label")= chr "Faixa etaria detalhada"
 $ populacao: int  402 318 303 387 347 318 280 306 284 301 ...
 $ fxetar5  : Factor w/ 17 levels "0-4","5-9","10-14",..: 1 1 1 1 1 2 2 2 2 2 ...
  ..- attr(*, "label")= chr "Faixa etaria quinquenal"
 - attr(*, "data_types")= chr [1:6] "C" "C" "C" "C" ...
'data.frame':   367290 obs. of  7 variables:
 $ munic_res: chr  "110001" "110001" "110001" "110001" ...
  ..- attr(*, "label")= chr "Codigo IBGE do municipio"
 $ ano      : Factor w/ 1 level "2012": 1 1 1 1 1 1 1 1 1 1 ...
 $ sexo     : Factor w/ 2 levels "masc","fem": 1 1 1 1 1 1 1 1 1 1 ...
 $ situacao : Factor w/ 2 levels "urbana","rural": 1 1 1 1 1 1 1 1 1 1 ...
 $ fxetaria : Factor w/ 33 levels "0000","0101",..: 1 2 3 4 5 6 7 8 9 10 ...
  ..- attr(*, "label")= chr "Faixa etaria detalhada"
 $ populacao: int  187 186 187 190 193 198 204 211 219 226 ...
 $ fxetar5  : Factor w/ 17 levels "0-4","5-9","10-14",..: 1 1 1 1 1 2 2 2 2 2 ...
  ..- attr(*, "label")= chr "Faixa etaria quinquenal"
 - attr(*, "data_types")= chr [1:6] "C" "C" "C" "C" ...
[1] TRUE

Primeiros e últimos registros:

br1980 |> head()
  munic_res  ano sexo situacao fxetaria populacao fxetar5
1    110002 1980 masc   urbana     0000       402     0-4
2    110002 1980 masc   urbana     0101       318     0-4
3    110002 1980 masc   urbana     0202       303     0-4
4    110002 1980 masc   urbana     0303       387     0-4
5    110002 1980 masc   urbana     0404       347     0-4
6    110002 1980 masc   urbana     0505       318     5-9
br1980 |> tail()
       munic_res  ano sexo situacao fxetaria populacao fxetar5
524166    530010 1980  fem    rural     6064       210   60-64
524167    530010 1980  fem    rural     6569       187   65-69
524168    530010 1980  fem    rural     7074        99   70-74
524169    530010 1980  fem    rural     7579        51   75-79
524170    530010 1980  fem    rural     8099        47    80 +
524171    530010 1980  fem    rural     I000         7    <NA>

Já de 2013 a 2024, a estrutura é a seguinte (veja que também é a mesma estrutura para os dois anos selecionados):

br2024 <- ler_popbr(2024)
all.equal( str(ler_popbr(2013)), str(br2024) )
'data.frame':   902340 obs. of  6 variables:
 $ munic_res: chr  "110001" "110001" "110001" "110001" ...
  ..- attr(*, "label")= chr "Codigo IBGE do municipio"
 $ ano      : Factor w/ 1 level "2013": 1 1 1 1 1 1 1 1 1 1 ...
 $ sexo     : Factor w/ 2 levels "masc","fem": 1 1 1 1 1 1 1 1 1 1 ...
 $ fxetaria : Factor w/ 81 levels "000","001","002",..: 1 2 3 4 5 6 7 8 9 10 ...
  ..- attr(*, "label")= chr "Faixa etaria detalhada"
 $ populacao: int  201 204 202 198 197 195 201 210 220 226 ...
 $ fxetar5  : Factor w/ 17 levels "0-4","5-9","10-14",..: 1 1 1 1 1 2 2 2 2 2 ...
  ..- attr(*, "label")= chr "Faixa etaria quinquenal"
 - attr(*, "data_types")= chr [1:5] "C" "C" "C" "C" ...
'data.frame':   902340 obs. of  6 variables:
 $ munic_res: chr  "110001" "110001" "110001" "110001" ...
  ..- attr(*, "label")= chr "Codigo IBGE do municipio"
 $ ano      : Factor w/ 1 level "2024": 1 1 1 1 1 1 1 1 1 1 ...
 $ sexo     : Factor w/ 2 levels "masc","fem": 1 1 1 1 1 1 1 1 1 1 ...
 $ fxetaria : Factor w/ 81 levels "000","001","002",..: 1 2 3 4 5 6 7 8 9 10 ...
  ..- attr(*, "label")= chr "Faixa etaria detalhada"
 $ populacao: int  158 159 161 163 168 176 176 172 174 178 ...
 $ fxetar5  : Factor w/ 17 levels "0-4","5-9","10-14",..: 1 1 1 1 1 2 2 2 2 2 ...
  ..- attr(*, "label")= chr "Faixa etaria quinquenal"
 - attr(*, "data_types")= chr [1:5] "C" "C" "C" "C" ...
[1] TRUE

Primeiros e últimos registros:

br2024 |> head()
  munic_res  ano sexo fxetaria populacao fxetar5
1    110001 2024 masc      000       158     0-4
2    110001 2024 masc      001       159     0-4
3    110001 2024 masc      002       161     0-4
4    110001 2024 masc      003       163     0-4
5    110001 2024 masc      004       168     0-4
6    110001 2024 masc      005       176     5-9
br2024 |> tail()
       munic_res  ano sexo fxetaria populacao fxetar5
902335    530010 2024  fem      075      6962   75-79
902336    530010 2024  fem      076      6392   75-79
902337    530010 2024  fem      077      5889   75-79
902338    530010 2024  fem      078      5392   75-79
902339    530010 2024  fem      079      4904   75-79
902340    530010 2024  fem      080     33813    80 +

No primeiro período os bancos têm sete variáveis, já de 2013 em diante apenas seis, porque estes últimos não contêm a variável situacao (urbana ou rural). Além disso, a variável fxetaria, que tem o mesmo nome e rótulo nos dois períodos (Faixa etaria detalhada, e Faixa etaria detalhada) tampouco tem a mesma estrutura nos dois períodos. De 1980 a 2012 a “Faixa etária detalhada” se refere a essa classificação em algumas tabulações do DATASUS, em que a idade é definida anualmente até os 19 anos de idade e em faixas quinquenais até 80 anos ou mais (e mais uma categoria para ignorados, com um total de 34 categorias), enquanto nas estimativas atualizadas a “Faixa etária detalhada” é a idade em anos até 80 ou mais (81 categorias).

Vejamos novamente a variável fxetaria:

em 1980

str(br1980$fxetaria)
 Factor w/ 34 levels "0000","0101",..: 1 2 3 4 5 6 7 8 9 10 ...
 - attr(*, "label")= chr "Faixa etaria detalhada"
br1980$fxetaria |> unique()
 [1] 0000 0101 0202 0303 0404 0505 0606 0707 0808 0909 1010 1111 1212 1313 1414
[16] 1515 1616 1717 1818 1919 2024 2529 3034 3539 4044 4549 5054 5559 6064 6569
[31] 7074 7579 8099 I000
34 Levels: 0000 0101 0202 0303 0404 0505 0606 0707 0808 0909 1010 1111 ... I000

em 2024

str(br2024$fxetaria)
 Factor w/ 81 levels "000","001","002",..: 1 2 3 4 5 6 7 8 9 10 ...
 - attr(*, "label")= chr "Faixa etaria detalhada"
br2024$fxetaria |> unique()
 [1] 000 001 002 003 004 005 006 007 008 009 010 011 012 013 014 015 016 017 018
[20] 019 020 021 022 023 024 025 026 027 028 029 030 031 032 033 034 035 036 037
[39] 038 039 040 041 042 043 044 045 046 047 048 049 050 051 052 053 054 055 056
[58] 057 058 059 060 061 062 063 064 065 066 067 068 069 070 071 072 073 074 075
[77] 076 077 078 079 080
81 Levels: 000 001 002 003 004 005 006 007 008 009 010 011 012 013 014 ... 080

Isto é, para criar um banco com as estimativas para vários anos, há que se levar em conta se o período desejado inclui arquivos com diferente estrutura e em tal caso retirar a variável situacao e as linhas de idade ignorada (registro I000) das estimativas até 2012 e retirar a variável fxetaria de todos os bancos. Em qualquer caso, ao se trabalhar com faixas etárias quinquenais (fxetar5) a população estimada para cada fxetaria deve ser agregada (somada) nas categorias de fxetar5.

Montando um banco na sessão de trabalho

Assim podemos, por exemplo, criar um banco com as estimativas por sexo e faixa etária quinquenal para os municípios brasileiros nos anos 1980, 1991, 2010, 2013, 2022 e 2024 da seguinte forma:

br <- rbind(rbind(br1980, ler_popbr(1991), ler_popbr(2010)) %>%
              filter(fxetaria != "I000") %>% 
              select(-situacao),
            rbind(ler_popbr(2013), ler_popbr(2022), br2024)
            ) %>% 
  arrange(munic_res) %>% 
  group_by(munic_res, ano, sexo, fxetar5) %>% 
  reframe(populacao = sum(populacao))

str(br)
tibble [1,045,291 × 5] (S3: tbl_df/tbl/data.frame)
 $ munic_res: chr [1:1045291] "110001" "110001" "110001" "110001" ...
  ..- attr(*, "label")= chr "Codigo IBGE do municipio"
 $ ano      : Factor w/ 6 levels "1980","1991",..: 2 2 2 2 2 2 2 2 2 2 ...
 $ sexo     : Factor w/ 2 levels "masc","fem": 1 1 1 1 1 1 1 1 1 1 ...
 $ fxetar5  : Factor w/ 17 levels "0-4","5-9","10-14",..: 1 2 3 4 5 6 7 8 9 10 ...
 $ populacao: int [1:1045291] 2328 2139 2202 1984 1677 1532 1216 932 742 641 ...
summary(br)
  munic_res           ano           sexo           fxetar5      
 Length:1045291     1980:135251   masc:522658   0-4    : 61514  
 Class :character   1991:152690   fem :522633   5-9    : 61514  
 Mode  :character   2010:189210                 10-14  : 61514  
                    2013:189380                 15-19  : 61514  
                    2022:189380                 20-24  : 61514  
                    2024:189380                 25-29  : 61514  
                                                (Other):676207  
   populacao     
 Min.   :     1  
 1st Qu.:   128  
 Median :   287  
 Mean   :  1032  
 3rd Qu.:   696  
 Max.   :567340

Criando uma tabela

Uma tabela com a população por sexo e faixa etária para um ano determinado pode ser conseguida da seguinte forma:

tab81 <- ler_popbr(1981) %>% 
  group_by(sexo, fxetar5) %>% 
  mutate(sexo = case_match(sexo, "masc" ~ "Masculino", "fem" ~ "Feminino")) %>% 
  reframe(populacao = sum(populacao)) %>% 
  tidyr::pivot_wider(names_from = sexo, values_from = populacao) %>% 
  relocate(Masculino, .before = Feminino) %>% 
  mutate(Total = Masculino + Feminino) %>% 
  adissoma()

A tabela pode ser exportada para um arquivo .csv (veja ?write.csv) ou impressa:

knitr::kable(tab81, format.args = list(big.mark = "."))

fxetar5	Masculino	Feminino	Total
0-4	8.269.866	8.071.642	16.341.508
5-9	7.576.670	7.388.199	14.964.869
10-14	7.271.064	7.206.021	14.477.085
15-19	6.766.039	6.912.903	13.678.942
20-24	5.768.802	5.919.669	11.688.471
25-29	4.782.179	4.945.365	9.727.544
30-34	3.942.249	4.038.940	7.981.189
35-39	3.254.178	3.366.290	6.620.468
40-44	2.940.172	2.964.125	5.904.297
45-49	2.363.808	2.421.955	4.785.763
50-54	2.080.665	2.123.882	4.204.547
55-59	1.602.999	1.638.967	3.241.966
60-64	1.237.981	1.317.013	2.554.994
65-69	1.011.719	1.082.389	2.094.108
70-74	648.369	720.509	1.368.878
75-79	397.214	478.080	875.294
80 +	262.323	381.913	644.236
Total	60.176.297	60.977.862	121.154.159

As funções plot_pir e ggplot_pir, do pacote Rcoisas, ajudam na visualização dos câmbios na estrutura demográfica brasileira ao longo desses anos:

par(mfrow = c(1,2))
plot_pir(br1980, local = "Brasil", fontsize = .8)
plot_pir(br2024, local = "Brasil", fontsize = .8)

Pirâmide populacional com a função plot_pir

ggplot_pir(br, "fxetar5", "sexo", "populacao", nsize = 0) +
  facet_wrap(vars(ano)) + 
  theme_classic() +
  theme(axis.text.y = element_text(size = 6),
        legend.position = "bottom",
        legend.key.size = unit(3, 'mm'),
        legend.key.width = unit(1, 'cm'))

Pirâmide populacional com a função ggplot_pir

Validando os resultados

Se quisermos uma tabulação da população brasileira por sexo e faixa etária quinquenal no período de 1980 a 2012, devemos pedir no TABNET uma tabulação por “faixa etária detalhada”.¹ Para 1981, temos a seguinte tabela:

knitr::include_graphics("figuras/tabnetpop81.png")

População por sexo e faixa etária. Brasil, 1981. Tabulação no TABNET, 25/02/2025.

Vamos ler essa tabela, salva como arquivo .CSV através do botão “Copia para .csv”, no TABNET.

tab81tabnet <- read.csv2("../../data-raw/ibge_cnv_popbr1981.csv", skip = 3, nrows = 18, encoding = "latin1")
tab81tabnet |> kable(format.args = list(big.mark = "."))

Faixa.Etária.detalhada	Masculino	Feminino	Total
0 a 4 anos não detalhado	8.269.866	8.071.642	16.341.508
5 a 9 anos não detalhado	7.576.670	7.388.199	14.964.869
10 a 14 anos não detalhado	7.271.064	7.206.021	14.477.085
15 a 19 anos não detalhado	6.766.039	6.912.903	13.678.942
20 a 24 anos	5.768.802	5.919.669	11.688.471
25 a 29 anos	4.782.179	4.945.365	9.727.544
30 a 34 anos	3.942.249	4.038.940	7.981.189
35 a 39 anos	3.254.178	3.366.290	6.620.468
40 a 44 anos	2.940.172	2.964.125	5.904.297
45 a 49 anos	2.363.808	2.421.955	4.785.763
50 a 54 anos	2.080.665	2.123.882	4.204.547
55 a 59 anos	1.602.999	1.638.967	3.241.966
60 a 64 anos	1.237.981	1.317.013	2.554.994
65 a 69 anos	1.011.719	1.082.389	2.094.108
70 a 74 anos	648.369	720.509	1.368.878
75 a 79 anos	397.214	478.080	875.294
80 anos e mais	262.323	381.913	644.236
Total	60.176.297	60.977.862	121.154.159

Os valores são iguais aos que obtivemos acima na criação do objeto tab81:

all.equal(tab81[2:4], tab81tabnet[2:4], check.attributes = FALSE)
[1] TRUE

Para 2024, temos a seguinte tabela, e um resultado análogo:

knitr::include_graphics("figuras/tabnetpop24.png")

População por sexo e faixa etária. Brasil, 2024. Tabulação no TABNET, 25/02/2025.

tab24tabnet <- read.csv2("../../data-raw/ibge_cnv_popbr2024.csv", skip = 3, nrows = 18, encoding = "latin1")
tab24tabnet |> kable(format.args = list(big.mark = "."))

Faixa.Etária.2	Masculino	Feminino	Total
De 0 a 4 anos	6.661.380	6.356.612	13.017.992
De 5 a 9 anos	7.439.000	7.092.027	14.531.027
De 10 a 14 anos	7.429.136	7.076.552	14.505.688
De 15 a 19 anos	7.651.069	7.320.566	14.971.635
De 20 a 24 anos	8.044.783	7.821.129	15.865.912
De 25 a 29 anos	8.193.616	8.219.079	16.412.695
De 30 a 34 anos	7.992.515	8.181.015	16.173.530
De 35 a 39 anos	8.115.656	8.419.414	16.535.070
De 40 a 44 anos	8.073.611	8.525.842	16.599.453
De 45 a 49 anos	7.171.760	7.693.627	14.865.387
De 50 a 54 anos	6.215.140	6.798.626	13.013.766
De 55 a 59 anos	5.603.775	6.318.206	11.921.981
De 60 a 64 anos	4.833.395	5.622.638	10.456.033
De 65 a 69 anos	3.806.961	4.582.309	8.389.270
De 70 a 74 anos	2.768.674	3.500.843	6.269.517
De 75 a 79 anos	1.840.490	2.463.099	4.303.589
De 80 anos ou mais	1.821.325	2.929.880	4.751.205
Total	103.662.286	108.921.464	212.583.750

tab24 <- ler_popbr(2024) %>% 
  group_by(sexo, fxetar5) %>% 
  mutate(sexo = case_match(sexo, "masc" ~ "Masculino", "fem" ~ "Feminino")) %>% 
  reframe(populacao = sum(populacao)) %>% 
  tidyr::pivot_wider(names_from = sexo, values_from = populacao) %>% 
  relocate(Masculino, .before = Feminino) %>% 
  mutate(Total = Masculino + Feminino) %>% 
  adissoma()
knitr::kable(tab24, format.args = list(big.mark = "."))

fxetar5	Masculino	Feminino	Total
0-4	6.661.380	6.356.612	13.017.992
5-9	7.439.000	7.092.027	14.531.027
10-14	7.429.136	7.076.552	14.505.688
15-19	7.651.069	7.320.566	14.971.635
20-24	8.044.783	7.821.129	15.865.912
25-29	8.193.616	8.219.079	16.412.695
30-34	7.992.515	8.181.015	16.173.530
35-39	8.115.656	8.419.414	16.535.070
40-44	8.073.611	8.525.842	16.599.453
45-49	7.171.760	7.693.627	14.865.387
50-54	6.215.140	6.798.626	13.013.766
55-59	5.603.775	6.318.206	11.921.981
60-64	4.833.395	5.622.638	10.456.033
65-69	3.806.961	4.582.309	8.389.270
70-74	2.768.674	3.500.843	6.269.517
75-79	1.840.490	2.463.099	4.303.589
80 +	1.821.325	2.929.880	4.751.205
Total	103.662.286	108.921.464	212.583.750

Os valores são os mesmos em ambos casos:

all.equal(tab24[2:4], tab24tabnet[2:4], check.attributes = FALSE)
[1] TRUE

Estimativas populacionais por sexo e faixa etária para os municípios brasileiros, 1980 - 2024.

06 de April de 2025

Os arquivos de população no DATASUS

Montando um banco na sessão de trabalho

Criando uma tabela

Validando os resultados