def calc_estoq_apos_acumulado(estoques, periodo):
# Cria o objeto dados que possui os IDs das tabelas
dados = LerTabelas()
ids_apos = ['Apin', 'Atcn', 'Apid', 'Atcp', 'Ainv', 'Atce', 'Atcd']
# Adiciona o ano de 2014 na lista de anos
anos = [2014] + periodo
# Dicionário que armazena o Estoque acumulado
est_acumulado = {}
# As chaves do dicionário são as clientelas
for clientela in ['UrbPiso', 'UrbAcim', 'Rur']:
# Cria o DataFrame
est_acumulado[clientela + 'H'] = pd.DataFrame(0.0,
index=range(0, 91),
columns=anos)
est_acumulado[clientela + 'M'] = pd.DataFrame(0.0,
index=range(0, 91),
columns=anos)
# Obtém todas as aposentadorias e faz o somatório por clientela, sexo e idade
for beneficio in dados.get_id_beneficios(ids_apos):
# Verifica se o estoque para o benefício existe
if beneficio in estoques.keys():
sexo = beneficio[-1]
if dados.get_clientela(beneficio) == clientela:
est_acumulado[clientela + sexo] += estoques[beneficio]
return est_acumulado
def calc_estoq_aux(est, prob, seg, periodo):
# Cria o objeto dados que possui os IDs das tabelas
dados = LerTabelas()
for benef in dados.get_id_beneficios(['Auxd', 'Auxa']):
# Verifica se existe no Estoque
if benef in est:
sexo = benef[-1]
id_seg = 'Ocup' + dados.get_clientela(
benef) + sexo # ex: OcupUrbPisoH ou CaUrbH
# Para os Rurais se utiliza toda a população (Fonte: planilhas do MF)
if 'Rur' in benef:
id_seg = 'PopRur' + sexo
for ano in periodo:
est[benef][ano] = seg[id_seg][ano] * prob[benef][ano] # Eq. 17
for benef in dados.get_id_beneficios(['Auxr']):
# Verifica se existe no Estoque
if benef in est:
sexo = benef[-1]
id_seg = 'Ocup' + dados.get_clientela(
benef) + sexo # ex: OcupUrbPisoH ou CaUrbH
# Para os Rurais se utiliza toda a população (Fonte: planilhas do MF)
if 'Rur' in benef:
id_seg = 'PopRur' + sexo
for ano in periodo:
# Cria uma nova entrada
est[benef][ano] = 0
for idade in range(0, 91):
# Na planilha são aplicados deslocamentos nas idades
deslocamento = 0
if idade < 61 and sexo == 'H':
deslocamento = 25
elif idade < 61 and sexo == 'M':
deslocamento = 18
# Eq. 17
est[benef].loc[idade, ano] = seg[id_seg][ano][
idade + deslocamento] * prob[benef][ano][idade]
# OBS: Nas planilhas o cálculo do deslocamento está errado para as URbAcimM (usa-se 25 ao invés de 18)
return est
def calc_estoq_apos(est, conc, prob, seg, periodo):
# Identificações das aposentadorias
ids_apos = ['Apin', 'Atcn', 'Apid', 'Atcp', 'Ainv', 'Atce', 'Atcd']
# Cria o objeto dados que possui os IDs das tabelas
dados = LerTabelas()
# Obtem as aposentadorias para todas as clientelas e sexos
lista_benef = dados.get_id_beneficios(ids_apos)
for benef in lista_benef:
# Verifica se o beneficio existe no Estoque
if benef in est:
sexo = benef[-1] # Obtém o Sexo
id_prob_morte = 'Mort' + sexo # ex: MortH
id_fam = 'fam' + benef # fator de ajuste de mortalidade
id_seg = 'Ocup' + dados.get_clientela(
benef) + sexo # ex: OcupUrbPisoH ou CsmUrbH
# Para os Rurais se utiliza toda a população (Fonte: planilhas do MF)
if 'Rur' in benef:
id_seg = 'PopRur' + sexo
for ano in periodo:
# Adiciona uma nova coluna (ano) no DataFrame com valores zero
est[benef][ano] = 0
# 1 a 90 anos - Equação 11 da LDO de 2018
for idade in range(1, 91):
est_ano_anterior = est[benef][ano - 1][idade - 1]
prob_sobreviver = 1 - prob[id_prob_morte][ano][
idade] * prob[id_fam][ano][idade]
entradas = seg[id_seg][ano][idade] * prob[benef][ano][idade]
if idade == 90:
est_ano_anterior = est[benef][ano - 1][
idade - 1] + est[benef][ano - 1][idade]
# Eq. 11
est[benef].loc[
idade,
ano] = est_ano_anterior * prob_sobreviver + entradas # Eq. 11
# Salva a quantidade de concessões para uso posterior
conc[benef].loc[idade, ano] = entradas
# Calculo para a idade zero
est[benef].loc[0,
ano] = seg[id_seg][ano][0] * prob[benef][ano][0]
# Salva a quantidade de concessões para uso posterior
conc[benef].loc[0, ano] = est[benef].loc[0, ano]
return est
def calc_prob_apos_MF(segurados, concessoes, periodo):
probabilidades = {} # Dicionário que salvas as prob. para cada benefício
ids_apos = ['Apin', 'Atcn', 'Apid', 'Atcp', 'Ainv', 'Atce', 'Atcd']
# Cria o objeto dados que possui os IDs das tabelas
dados = LerTabelas()
# Obtém a lista de aposentadorias e itera sobre cada tipo
for beneficio in dados.get_id_beneficios(ids_apos):
# Verifica se existem dados de concessões do benefício
if beneficio in concessoes.keys():
sexo = beneficio[-1]
clientela = dados.get_clientela(beneficio)
id_popOcup = 'Ocup' + clientela + sexo
# OBS: Para clientela Rural utiliza-se toda a população
if clientela == 'Rur':
id_popOcup = 'PopRur' + sexo
# OBS: A implementação descritas nas planilhas do DOC110/MF usa uma equação diferente da Eq. 16
# prob_entrada = concessoes/PopOcupada
prob_entrada = concessoes[beneficio] / segurados[id_popOcup]
# Trata divisões por zero
prob_entrada.replace([np.inf, -np.inf], np.nan, inplace=True)
# De acordo com as planilhas do DOC110/MF o valor do ano inicial da projeção (2015), deve ser igual a média dos anos anteriores
prob_entrada[2015] = prob_entrada.loc[:, :2014].mean(axis=1)
# Repete a última probabilidade(2015) nos anos seguintes(2016-2060)
for ano in periodo[1:]:
prob_entrada[ano] = prob_entrada[ano - 1]
# Substitui os NaN (not a number) por zeros
prob_entrada.fillna(0, inplace=True)
# Adiciona no dicionário
probabilidades[beneficio] = prob_entrada
return probabilidades
def calc_concessoes_pensao(populacao, concessoes, estoques, segurados,
probabilidades, periodo):
# Cria o objeto dados que possui os IDs das tabelas
dados = LerTabelas()
# Obtém o conjunto de benefícios do tipo pensão
lista_pensoes = dados.get_id_beneficios('Pe')
# Obtém estoque acumulado de aposentadorias por ano, clientela, idade e sexo
estoq_acum = calc_estoq_apos_acumulado(estoques, periodo)
# Eq. 26
# Hipótese de que o diferencial de idade médio entre cônjuges é de 4 anos (pag. 45 LDO de 2018)
Dit = 4
# Calcula concessões de pensões do tipo B
for benef in lista_pensoes:
sexo = benef[-1] # Obtém o Sexo
sexo_oposto = 'M' if sexo == 'H' else 'H' # Obtém o oposto
id_mort_sex_op = 'Mort' + sexo_oposto # ex: MortM
# Sempre são usados os segurados do sexo masculino
id_seg = dados.get_id_segurados(benef).replace(
sexo, 'H') # Obtem o Id do segurado trocando o sexo
clientela = dados.get_clientela(benef)
id_prob_entr = benef.replace(sexo, sexo_oposto)
for ano in periodo:
# Tipo de Pensão válida a partir de 2015
if ano < 2015:
continue # Pula anos inferiores a 2015
# Cria nova entrada no DataFrame
concessoes[benef][ano] = 0
# Calcula concessões
# Idades de 0 a 90 anos.
for idade in range(0, 91):
# Determina o valor de Dit baseado na idade (relação baseada nas planilhas do MF)
if idade > 20 and idade < 87:
Dit = 4
elif idade == 87:
Dit = 3
elif idade == 88:
Dit = 2
elif idade == 89:
Dit = 1
else:
Dit = 0
# A soma ou subtração depende do sexo
if sexo == 'H':
i_Dit = idade - Dit
else:
i_Dit = idade + Dit
prob_entrada = probabilidades[id_prob_entr][i_Dit]
pmort = probabilidades[id_mort_sex_op][ano][i_Dit]
# Para os urbanos com idade de 15 anos e para os rurais utiliza-se toda a população por clientela simples (Urb ou Rur)
if idade < 16 or clientela == 'Rur':
clientela_simples = clientela[0:3]
potGeradoresPensoes = populacao['Pop' + clientela_simples +
sexo_oposto][ano][i_Dit]
else:
seg = segurados[id_seg][ano][i_Dit]
est_ac = estoq_acum[clientela + sexo_oposto][ano][i_Dit]
potGeradoresPensoes = seg + est_ac
# Eq. 24 e 25
concessoes[benef].loc[
idade, ano] = prob_entrada * potGeradoresPensoes * pmort
return concessoes
def calc_prob_pensao(concessoes, segurados, populacao, estoque, prob_morte,
periodo):
# A LDO de 2018 não descreve como calcular as probabilidades para pensões
# As equações abaixo foram extraídas das planilhas do MF
probabilidades = {} # Dicionário que salvas as prob. para cada benefício
ano_estoque = periodo[0] - 1 # 2014
# Eq. 26: Dit = Idh - Idm
# Hipótese de que o diferencial de idade médio entre cônjuges é de 4 anos (pag. 45 LDO de 2018)
Dit = 4
lista = LerTabelas()
est_apos_acumulado = calc_estoq_apos_acumulado(estoque, periodo)
for beneficio in lista.get_id_beneficios('Pe'):
# Cria Objeto do tipo Serie que armazena as probabilidades
probabilidades[beneficio] = pd.Series(0.0, index=range(0, 91))
sexo = beneficio[-1] # Última letra do benefício
sexo_oposto = 'M' if sexo == 'H' else 'H' # Obtém o oposto
clientela = lista.get_clientela(beneficio)
id_conc = beneficio.replace(sexo,
sexo_oposto) # Troca o sexo do benefício
# OBS: Sempre são usados os segurados do sexo masculino
id_segurados = lista.get_id_segurados(beneficio).replace(sexo, 'H')
# Para cada idade i
for idade in range(0, 91):
if idade > 20 and idade < 87:
Dit = 4
elif idade == 87:
Dit = 3
elif idade == 88:
Dit = 2
elif idade == 89:
Dit = 1
else:
Dit = 0
# A soma ou subtração depende do sexo
if sexo == 'M':
i_Dit = idade + Dit
else:
i_Dit = idade - Dit
# Trata valores negativos e maiores que 90 para i_Dit
if i_Dit < 0:
i_Dit = 0
if i_Dit > 90:
i_Dit = 90
conc = concessoes[id_conc][ano_estoque][i_Dit]
pmorte = prob_morte['Mort' + sexo][ano_estoque][idade]
# Para os urbanos com idade de 15 anos e para os rurais utiliza-se toda a população por clientela simples (Urb ou Rur)
if idade < 16 or clientela == 'Rur':
clientela_simples = clientela[0:3]
potGeradoresPensoes = populacao['Pop' + clientela_simples +
sexo][ano_estoque][idade]
else:
seg = segurados[id_segurados][ano_estoque][idade]
est_ac = est_apos_acumulado[clientela +
sexo][ano_estoque][idade]
potGeradoresPensoes = seg + est_ac
# Evita divisões por zero
if potGeradoresPensoes == 0:
probPensao = 0
else:
# Equação baseada nas Eq. 24 e 25
# OBS: Essa equação gera probabilidades maiores que 1
probPensao = conc / (potGeradoresPensoes * pmorte)
probabilidades[beneficio][idade] = probPensao
return probabilidades
def calc_fat_ajuste_mort(estoques, cessacoes, probMort, periodo):
# ano utilizado para cálculo
ano_prob = periodo[0] - 1 #2014
# Dicionário que armazena as probabilidades
fat_ajuste = {}
# Calculada para aposentadorias, pensões e assistênciais
tags = [
'Apin', 'Atcn', 'Apid', 'Atcp', 'Ainv', 'Atce', 'Atcd', 'Pens',
'LoasDef', 'LoasIdo', 'Rmv'
]
# Cria o objeto dados que possui os IDs das tabelas
dados = LerTabelas()
# Calcula o fator de ajuste para cada tipo de aposentadoria
for beneficio in dados.get_id_beneficios(tags):
sexo = beneficio[-1]
# Verifica se existem dados de estoque e cessações do benefício
if beneficio in estoques.keys() and beneficio in cessacoes.keys():
# A Equação utilizada nas planilhas do MF é diferente da descrita na LDO de 2018 (Eq. 14 e 15)
# fam = 1, se Cessações = 0
# fam = (Cessações/Estoque)/txMort
txCes = cessacoes[beneficio] / estoques[beneficio]
fam = txCes / probMort['Mort' + sexo]
# Elimina colunas com dados ausentes
fam.dropna(how='all', axis=1, inplace=True)
# Elimina o ano de 2010 (não é utilizado nas planilhas)
if 2010 in fam.columns:
fam.drop(2010, axis=1, inplace=True)
# Trata divisões por zero (gera o valo inf)
fam.replace([np.inf, -np.inf], np.nan, inplace=True)
# Garante que não existe valor zero
fam.replace(0, 1.0, inplace=True)
# Substitui os NaN por 1.0
fam.fillna(1.0, inplace=True)
# Para o primeiro ano de projeção (2015), o FAM é igual a média dos anos anteriores
# Exceto para os Rurais e assistenciais, onde o FAM é igual ao do ano anterior
if dados.get_clientela(beneficio) == 'Rur' or 'Loas' in beneficio:
fam[ano_prob + 1] = fam[ano_prob]
else:
fam[ano_prob + 1] = fam.loc[:, :ano_prob].mean(axis=1)
# Para os anos seguintes o FAM é constante
for ano in periodo[1:]:
fam[ano] = fam[ano - 1]
# Lógica usada nas planilhas do MF para as Pensões
# Garante que o beneficiário pare de receber pensão aos 21 anos
# fam = 1/ProbMorte
if 'Pens' in beneficio:
for ano in periodo:
fam.loc[21, ano] = 1 / probMort['Mort' + sexo].loc[21, ano]
# Salva no dicionário
fat_ajuste['fam' + beneficio] = fam
return fat_ajuste
def calc_prob_pensao_LDO2018(concessoes, segurados, estoque, prob_morte,
periodo):
# A LDO de 2018 não descreve como calcular as probabilidades para pensões
# As equações abaixo são resultado de manipulações das Equações 24 e 25 da LDO
# Onde-se isolou-se a variável v para se chegar na equação de calculo das probabilidades
probabilidades = {} # Dicionário que salvas as prob. para cada benefício
ano_estoque = periodo[0] - 1 # 2014
# Eq. 26: Dit = Idh - Idm
# Hipótese de que o diferencial de idade médio entre cônjuges é de 4 anos (pag. 45 LDO de 2018)
Dit = 4
lista = LerTabelas()
est_apos_acumulado = calc_estoq_apos_acumulado(estoque, periodo)
for beneficio in lista.get_id_beneficios('Pe'):
# Cria Objeto do tipo Serie que armazena as probabilidades
probabilidades[beneficio] = pd.Series(0.0, index=range(0, 91))
sexo = beneficio[-1] # Última letra do benefício
sexo_oposto = 'M' if sexo == 'H' else 'H' # Obtém o oposto
clientela = lista.get_clientela(beneficio)
id_conc = beneficio.replace(sexo,
sexo_oposto) # Troca o sexo do benefício
id_segurados = lista.get_id_segurados(beneficio)
# Para cada idade i
for idade in range(0, 91):
# A soma ou subtração depende do sexo
if sexo == 'M':
i_Dit = idade - Dit
else:
i_Dit = idade + Dit
# Trata valores negativos e maiores que 90 para i_Dit
if i_Dit < 0:
i_Dit = 0
if i_Dit > 90:
i_Dit = 90
conc = concessoes[id_conc][ano_estoque][idade]
seg = segurados[id_segurados][ano_estoque][i_Dit]
est_ac = est_apos_acumulado[clientela + sexo][ano_estoque][i_Dit]
pmorte = prob_morte['Mort' + sexo][ano_estoque][i_Dit]
# Se a quantidade de segurados e estoque for zero a prob daria infinito
if seg == 0 and est_ac == 0:
probPensao = 0
else:
# Equação baseada nas Eq. 24 e 25
# OBS: Essa equação pode gerar probabilidades maiores que 1 para idades menores que 20
probPensao = conc / ((seg + est_ac) * pmorte)
probabilidades[beneficio][i_Dit] = probPensao
return probabilidades
def calc_prob_aux_MF(segurados, estoques, concessoes, periodo):
probabilidades = {} # Dicionário que salvas as prob. para cada benefício
ano_prob = periodo[0] - 1 # ano utilizado para cálculo (2014)
# Cria o objeto dados que possui os IDs das tabelas
dados = LerTabelas()
# De acordo com as planilhas do DOC110/MF
# ProbAuxDoenca = Concedidos/popOcupada
# ProbAuxAcidente = Estoque/popOcupada
# ProbAuxReclusão = Estoque/popOcupada(somando a idade com 25)
# O cálculo do Auxílio doença e diferente dos demais auxílios
for beneficio in dados.get_id_beneficios(['Auxd']):
# Verifica se o possui os dados de estoque e concessões do benefício
if beneficio in estoques.keys() and beneficio in concessoes.keys():
sexo = beneficio[-1]
clientela = dados.get_clientela(beneficio)
# concessões conhecidas dos últimos 4 anos (2011-2014)
conc = concessoes[beneficio].loc[:, (ano_prob - 3):]
# OBS: Para clientela Rural utiliza-se toda a população
if clientela == 'Rur':
# dados de população dos últimos 4 anos
popOcup = segurados['PopRur' + sexo].loc[:, (ano_prob - 3):]
else:
popOcup = segurados['Ocup' + clientela +
sexo].loc[:, (ano_prob - 3):]
prob_auxd = conc / popOcup
# Substitui os NaN por zero
prob_auxd.replace([np.inf, -np.inf], np.nan, inplace=True)
prob_auxd.fillna(0, inplace=True)
# Remove colunas com todos os valores iguais a zero
prob_auxd = prob_auxd.loc[:, (prob_auxd != 0).any(axis=0)]
# Repete a última probabilidade(2014) nos anos seguintes(2015-2060)
for ano in periodo:
prob_auxd[ano] = prob_auxd[ano - 1]
probabilidades[beneficio] = prob_auxd
# Calcula probabilidades de entrada em auxílio acidente
for beneficio in dados.get_id_beneficios(['Auxa']):
# Verifica se o possui os dados de estoque e concessões do benefício
if beneficio in estoques.keys():
sexo = beneficio[-1]
clientela = dados.get_clientela(beneficio)
# estoques conhecidos dos últimos 4 anos (2011-2014)
est = estoques[beneficio].loc[:, (ano_prob - 3):]
# OBS: Para clientela Rural utiliza-se toda a população
if clientela == 'Rur':
# dados de população dos últimos 4 anos
popOcup = segurados['PopRur' + sexo].loc[:, (ano_prob - 3):]
else:
popOcup = segurados['Ocup' + clientela +
sexo].loc[:, (ano_prob - 3):]
prob_auxa = est / popOcup
# Substitui os inf e NaN por zero
prob_auxa.replace([np.inf, -np.inf], np.nan, inplace=True)
prob_auxa.fillna(0, inplace=True)
# Remove colunas com todos os valores iguais a zero
prob_auxa = prob_auxa.loc[:, (prob_auxa != 0).any(axis=0)]
# para o ano seguinte ao do estoque (2015) a probabilidade é a média dos anos anteriores
# OBS: Para algumas clientelas as Planilhas repetem o último ano
prob_auxa[2015] = prob_auxa.loc[:, :2014].mean(axis=1)
# Repete a última probabilidade(2015) nos anos seguintes(2016-2060)
for ano in periodo[1:]:
prob_auxa[ano] = prob_auxa[ano - 1]
probabilidades[beneficio] = prob_auxa
# Calcula probabilidades de entrada em auxílio reclusão
for beneficio in dados.get_id_beneficios(['Auxr']):
# Verifica se o possui os dados de estoque e concessões do benefício
if beneficio in estoques.keys():
sexo = beneficio[-1]
clientela = dados.get_clientela(beneficio)
# Cria objeto do tipo DataFrame
prob_auxr = pd.DataFrame(0.0,
index=range(0, 91),
columns=[ano_prob] + periodo)
deslocamento = 0
for idade in range(0, 91):
est = estoques[beneficio][ano_prob][idade]
# Na planilha são aplicados deslocamentos nas idades
if idade < 61 and sexo == 'H':
deslocamento = 25
elif idade < 61 and sexo == 'M':
deslocamento = 18
else:
deslocamento = 0
# OBS: para o AuxReclusao o sexo utilizado na popOcup é sempre masculino
if clientela == 'Rur':
id_popOcup = 'PopRurH'
else:
id_popOcup = 'Ocup' + clientela + 'H'
popOcup = segurados[id_popOcup][ano_prob][idade + deslocamento]
if popOcup == 0:
prob_auxr[ano_prob][idade] = 0
else:
prob_auxr[ano_prob][idade] = est / popOcup
# Substitui os NaN por zero
prob_auxr.replace([np.inf, -np.inf], np.nan, inplace=True)
prob_auxr.fillna(0, inplace=True)
# Repete a última probabilidade(2014) nos anos seguintes(2015-2060)
for ano in periodo:
prob_auxr[ano] = prob_auxr[ano - 1]
probabilidades[beneficio] = prob_auxr
return probabilidades