Continuando a série de posts sobre o pacote microdatasus em meus posts Baixando dados do Datasus no R e Proporção de Partos Vaginais e Cesáreos na População Brasileira, dessa vez irei utilizar o Sistema de Informações sobre Nascidos Vivos (SINASC) para determinar se nasceram mais meninos ou meninas no Brasil entre os anos 1996 e 2020.
Novamente, o primeiro passo é baixar os dados para os anos e sistema de informação que me interessam. Nesse caso, estou baixando os dados de todo o período disponível:
library(microdatasus)
datasus <-
fetch_datasus(year_start = 1996,
year_end = 2020,
information_system = "SINASC")
Com os dados baixados, eu contei a quantidade de nascimentos de cada sexo por ano. Note que foi preciso converter a variável ANO para formato de data, para assim extrair o valor do ano de forma mais simples:
# criar tabela com proporcao de partos por ano
library(tidyverse)
theme_set(theme_bw())
tabela <-
datasus |>
select(SEXO, DTNASC) |>
drop_na() |>
mutate(SEXO = case_when(
SEXO == 0 ~ "Ignorado",
SEXO == 1 ~ "Masculino",
SEXO == 2 ~ "Feminino"
)) |>
filter(SEXO != "Ignorado") |>
mutate(DTNASC = as.character(DTNASC)) |>
mutate(DTNASC = dmy(DTNASC)) |>
mutate(ANO = year(DTNASC)) |>
group_by(ANO) |>
count(SEXO) |>
ungroup() |>
group_by(ANO) |>
mutate(prop = n/sum(n)*100) |>
mutate(SEXO = factor(SEXO, levels = c("Masculino", "Feminino"))) |>
drop_na()
Com a tabela pronta, bastou criar o gráfico de área com a informação que eu desejava:
ggplot(tabela, aes(x = ANO, y = prop, fill = SEXO)) +
geom_area() +
labs(x = "Ano", y = "Taxa Acumulada de Partos", title = "Taxas Históricas de Sexo nos Nascimentos no Brasil", fill = "Sexo", caption = "marcusnunes.me") +
scale_y_continuous(breaks = seq(0, 100, 10)) +
scale_fill_manual(values = c("#449A44", "#F9E14B")) +
theme_bw()
Como é possível ver, em geral, nascem mais homens do que mulheres no país. Considerando todos os anos, são 36.239.670 nascimentos de homens para 34.488.386 nascimentos de mulheres no período, uma proporção de 1,05 nascimentos de meninos para cada nascimento de menina.
A tabela completa, com as taxas exatas por ano, está abaixo:
tabela |>
print(n = Inf)
## # A tibble: 48 × 4
## # Groups: ANO [24]
## ANO SEXO n prop
## <dbl> <fct> <int> <dbl>
## 1 1996 Feminino 1122301 48.7
## 2 1996 Masculino 1182074 51.3
## 3 1997 Feminino 1473525 48.8
## 4 1997 Masculino 1547975 51.2
## 5 1998 Feminino 1534565 48.8
## 6 1998 Masculino 1611279 51.2
## 7 1999 Feminino 1581033 48.7
## 8 1999 Masculino 1668551 51.3
## 9 2000 Feminino 1559918 48.7
## 10 2000 Masculino 1640144 51.3
## 11 2001 Feminino 1516398 48.8
## 12 2001 Masculino 1593616 51.2
## 13 2002 Feminino 1487582 48.7
## 14 2002 Masculino 1567409 51.3
## 15 2003 Feminino 1479019 48.7
## 16 2003 Masculino 1554918 51.3
## 17 2004 Feminino 1473595 48.8
## 18 2004 Masculino 1548911 51.2
## 19 2005 Feminino 1479872 48.8
## 20 2005 Masculino 1551805 51.2
## 21 2006 Feminino 1435438 48.8
## 22 2006 Masculino 1508567 51.2
## 23 2007 Feminino 1408447 48.7
## 24 2007 Masculino 1482360 51.3
## 25 2008 Feminino 1430680 48.8
## 26 2008 Masculino 1503748 51.2
## 27 2009 Feminino 1405083 48.8
## 28 2009 Masculino 1476036 51.2
## 29 2010 Feminino 1394473 48.7
## 30 2010 Masculino 1466953 51.3
## 31 2011 Feminino 1420668 48.8
## 32 2011 Masculino 1492056 51.2
## 33 2012 Feminino 1419332 48.9
## 34 2012 Masculino 1485992 51.1
## 35 2013 Feminino 1416490 48.8
## 36 2013 Masculino 1487006 51.2
## 37 2015 Feminino 1472436 48.8
## 38 2015 Masculino 1544692 51.2
## 39 2016 Feminino 1394023 48.8
## 40 2016 Masculino 1463231 51.2
## 41 2017 Feminino 1424524 48.7
## 42 2017 Masculino 1498483 51.3
## 43 2018 Feminino 1435840 48.8
## 44 2018 Masculino 1508595 51.2
## 45 2019 Feminino 1391486 48.8
## 46 2019 Masculino 1457226 51.2
## 47 2020 Feminino 1331658 48.8
## 48 2020 Masculino 1398043 51.2