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_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 = dados.get_id_segurados(benef) # ex: CsmUrbH
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 = dados.get_id_segurados(benef) # ex: CsmUrbH
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_prob_aux_LDO2018(segurados, estoques, concessoes, periodo):
probabilidades = {} # Dicionário que salvas as prob. para cada benefício
ano_prob = periodo[0] - 1 # ano utilizado para cálculo
# Cria o objeto dados que possui os IDs das tabelas
dados = LerTabelas()
# 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():
conc = concessoes[beneficio][ano_prob]
id_seg = dados.get_id_segurados(beneficio)
seg_ano_ant = segurados[id_seg][ano_prob - 1]
prob_auxd = conc / (seg_ano_ant + (conc / 2)) # Eq. 18
# Substitui os NaN por zero
prob_auxd.fillna(0, inplace=True)
probabilidades[beneficio] = prob_auxd
# Calcula probabilidades de entrada em auxílios reclusão e acidente
for beneficio in dados.get_id_beneficios(['Auxa', 'Auxr']):
# Verifica se o possui os dados de estoque e concessões do benefício
if beneficio in estoques.keys():
est = estoques[beneficio][ano_prob]
id_seg = dados.get_id_segurados(beneficio)
seg = segurados[id_seg][ano_prob]
# OBS: para o caso do Auxr tem-se muitas divisões por zero, gerando inf
prob_aux_ar = est / seg # Eq. 19
# Substitui os NaN por zero
prob_aux_ar.fillna(0, inplace=True)
probabilidades[beneficio] = prob_aux_ar
return probabilidades
def calc_estoq_salMat(est, pop, seg, periodo):
# Cria o objeto dados que possui os IDs das tabelas
dados = LerTabelas()
# 2014, 2015, ...
anos = [(periodo[0] - 1)] + periodo
for benef in dados.get_id_beneficios('SalMat'):
# Armazena valores do ano
est_acumulado = pd.Series(index=anos)
# Obtem o tipo de segurado a partir do benefício
id_seg = dados.get_id_segurados(benef)
# Os estoques de SalMat são agrupados por ano no modelo (não por idade)
# OBS: O calculo dos estoques de SalMat não dependem da existência de estoques anteriores
# Realiza projeção
for ano in anos:
est_acumulado[ano] = 0 # Cria um novo ano
nascimentos = pop['PopIbgeM'][ano][0] + pop['PopIbgeH'][ano][0]
# Acumula mulheres de 16 a 45 anos
seg_16_45 = 0
pop_16_45 = 0
# O calculo para os rurais usa a População Rural e não os segurados rurais
# OBS: o cálculo para os rurais ainda não bate com os da planilha do MF por causa do
# cálculo da taxa de ruralização ser diferente
if 'Rur' in benef:
for idade in range(16, 46):
seg_16_45 += pop['PopRurM'][ano][idade]
pop_16_45 += pop['PopIbgeM'][ano][idade]
else:
for idade in range(16, 46):
seg_16_45 += seg[id_seg][ano][idade]
pop_16_45 += pop['PopIbgeM'][ano][idade]
# Eq. 20
est_acumulado[ano] = (seg_16_45 / pop_16_45) * nascimentos
# Cria uma nova entrada no dicionário para armazenar os estoques acumulados
est[benef] = est_acumulado
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_prob_apos_LDO2018(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():
# Cria o DataFrame
prob_entrada = pd.DataFrame(0.0,
index=range(0, 91),
columns=([2014] + periodo))
# Eq. 16
# A versão da LDO trabalha com estoques (variável Q), porém o correto seriam os segurados
ano_prob = periodo[0] - 1 # ano utilizado para cálculo (2014)
id_segurado = dados.get_id_segurados(beneficio)
prob_entrada[ano_prob] = concessoes[beneficio][ano_prob] / (
segurados[id_segurado][ano_prob - 1] +
(concessoes[beneficio][ano_prob] / 2))
# Trata divisões por zero
prob_entrada.replace([np.inf, -np.inf], np.nan, inplace=True)
# Repete a última probabilidade(2014) nos anos seguintes(2015-2060)
for ano in periodo:
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_despesas(despesas, estoques, concessoes, valCoBen, salarios,
valMedBenef, probabilidades, nparcelas, resultados,
parametros):
periodo = parametros['periodo']
# Objeto criado para uso das funções da Classe LerTabelas
dados = LerTabelas()
ult_ano_estoq = periodo[0] - 1 # 2014
##### Calcula despesa com o dados conhecidos (2011-2014)
# O valor no banco de dados é mensal
for beneficio in despesas.keys():
# Auxílio doença para os que recebem Acima do Piso
if 'AuxdUrbAcim' in beneficio:
despesas[beneficio] = valCoBen[beneficio] * nparcelas[beneficio]
# Aposentadorias e Pensões para quem recebe acima do piso
elif 'Acim' in beneficio:
desp_dez = despesas[beneficio] # despesas dos mes de dezembro
despesas[beneficio] = desp_dez * nparcelas[beneficio]
# Demais auxílios
elif 'Aux' in beneficio:
qtd_benef = 0
if 'Auxd' in beneficio:
qtd_benef = concessoes[beneficio][ult_ano_estoq]
else:
qtd_benef = estoques[beneficio][ult_ano_estoq]
# OBS: Para o Auxílio-acidente a regra é 50% do valor do “Salário de Benefício”
# fonte: http://www.previdencia.gov.br/servicos-ao-cidadao/informacoes-gerais/valor-beneficios-incapacidade/
if 'Auxa' in beneficio:
valor_benef = salarios['salarioMinimo'][ult_ano_estoq] * 0.5
else:
valor_benef = salarios['salarioMinimo'][ult_ano_estoq]
npar = nparcelas[beneficio][ult_ano_estoq]
# Calcula a despesa para cada benefício
despesas[beneficio][ult_ano_estoq] = qtd_benef * valor_benef * npar
# Demais tipos
else:
estoq_total = estoques[beneficio][ult_ano_estoq]
estoq_total_ano_ant = estoques[beneficio][ult_ano_estoq - 1]
valor_benef = salarios['salarioMinimo'][ult_ano_estoq]
npar = nparcelas[beneficio][ult_ano_estoq]
estoq_medio = ((estoq_total + estoq_total_ano_ant) / 2)
# Calcula a despesa para cada benefício (Eq. 44)
despesas[beneficio][
ult_ano_estoq] = estoq_medio * valor_benef * npar
##### Calcula despesas para clientelas Rurais, Urbanas e assistenciais que recebem o Piso (1 SM) #####
for clientela in ['Rur', 'Piso', 'Rmv', 'Loas']:
beneficios = dados.get_id_beneficios(clientela)
for beneficio in beneficios:
# Pula o SalMat pois o calculo é diferente e feito posteriormente
if 'SalMat' in beneficio:
continue
# Verifica se existe estoque para o beneficio
if beneficio in estoques:
for ano in periodo:
# verifica se existe projeção para esse ano
if ano in estoques[beneficio].columns:
# Calculo para Auxílios
if 'Aux' in beneficio:
qtd_benef = estoques[beneficio][ano]
valor_benef = salarios['salarioMinimo'][ano]
# OBS: Para o Auxílio-acidente a regra é 50% do valor do “Salário de Benefício”
# fonte: http://www.previdencia.gov.br/servicos-ao-cidadao/informacoes-gerais/valor-beneficios-incapacidade/
if 'Auxa' in beneficio:
valor_benef = salarios['salarioMinimo'][
ano] * 0.5
npar = nparcelas[beneficio][ano]
# Calcula a despesa para cada benefício
despesas[beneficio][
ano] = qtd_benef * valor_benef * npar
# Cálculo para os demais
else:
# Obtem o estoques do ano e do ano anterior
estoq_total = estoques[beneficio][ano]
estoq_total_ano_ant = estoques[beneficio][ano - 1]
valor_benef = salarios['salarioMinimo'][ano]
npar = nparcelas[beneficio][ano]
# Calcula a despesa para cada benefício (Eq. 44)
despesas[beneficio][ano] = (
(estoq_total + estoq_total_ano_ant) /
2) * valor_benef * npar
##### Calcula despesas para clientela Urbana que recebe acima do Piso #####
for beneficio in dados.get_id_beneficios('Acim'):
# Pula o SalMat pois o calculo é diferente e feito posteriormente
if 'SalMat' in beneficio:
continue
# Verifica se existem estoques
if beneficio in estoques:
sexo = beneficio[-1]
# Caso o benefício seja uma Apos. por Tempo de
# Contribuição Normal, Professor ou Especial
# Eq. 49 e 50
#if ('tcn' in beneficio or 'tce' in beneficio or 'tcp' in beneficio):
#fator_prev = 1
#ajuste = 1
#val_med_novos_ben = fator_prev * ajuste * salarios['SalMedSegUrbAcimPnad'+sexo]
for ano in periodo:
if ano in estoques[
beneficio].columns: # verifica se existe projeção para esse ano
# Cálculo das despesas com os Auxílios
if 'Aux' in beneficio:
est_ano = estoques[beneficio][ano]
vmb = valMedBenef[beneficio][ano]
npar = nparcelas[beneficio][ano]
# Eq. 46
despesas[beneficio][ano] = est_ano * vmb * npar
else:
# Cálculo para Aposentadorias e Pensões
val_med_novos_ben = valMedBenef[beneficio]
# Idade de 1 a 90 anos
for idade in range(1, 91):
# Para a idade de 90 anos
if idade == 90:
desp_anterior = despesas[beneficio][ano - 1][
idade - 1] + despesas[beneficio][ano -
1][idade]
else:
desp_anterior = despesas[beneficio][ano -
1][idade -
1]
conc_anterior = concessoes[beneficio][ano -
1][idade - 1]
# OBS: Acredito que o correto seria usar os segurados e nao a PopOcup
# OBS: O rend_med_ocup_ant já inclui a taxa de reposição da Eq. 45
valor_med_conc_ant = val_med_novos_ben[ano -
1][idade -
1]
npar = nparcelas[beneficio][ano]
npar_ant = nparcelas[beneficio][ano - 1]
prob_morte = probabilidades['Mort' +
sexo][ano][idade]
fam = probabilidades['fam' + beneficio][ano][idade]
# Nas planilhas usa-se o termo Atualização Monetária
reajuste = parametros['tx_reajuste_beneficios'][
ano]
novas_conc = concessoes[beneficio][ano][idade]
valor_med_conc = val_med_novos_ben[ano][idade]
# Eq. 45
part1 = desp_anterior + conc_anterior * valor_med_conc_ant * (
npar_ant / 2)
part2 = (1 - prob_morte * fam) * (1 +
reajuste / 100)
part3 = (novas_conc * valor_med_conc * (npar / 2))
despesas[beneficio].loc[
idade, ano] = part1 * part2 + part3
# Idade zero
novas_conc = concessoes[beneficio][ano][0]
valor_med_conc = val_med_novos_ben[ano][0]
npar = nparcelas[beneficio][ano]
despesas[beneficio].loc[
0, ano] = novas_conc * valor_med_conc * (npar / 2)
##### Calcula despesas para o Salário Maternidade #####
for beneficio in dados.get_id_beneficios('SalMat'):
# 2014-2060
anos = [periodo[0] - 1] + periodo
# Verifica se existe estoque para o beneficio
if beneficio in estoques:
# Objeto do tipo Series que armazena as despesas acumuladas por ano
desp_acumulada = pd.Series(0.0, index=anos)
# Obtem o estoques acumulados do ano atual
for ano in anos:
estoq_total = estoques[beneficio][ano]
# se a clientela for UrbAcim
if 'Acim' in beneficio:
valor_benef = valMedBenef['SalMatUrbAcimM'][ano]
else:
valor_benef = salarios['salarioMinimo'][ano]
npar = nparcelas[beneficio][ano]
# OBS: A LDO não descreve a equação para o calculo de despesas para o SalMat
desp_acumulada[ano] = estoq_total * valor_benef * npar
# Salva no DataFrame
despesas[beneficio] = desp_acumulada
##### Calcula a despesa total #####
anos = [periodo[0] - 1] + periodo #2014-2060
desp_total = pd.Series(
0.0, index=anos) # Objeto do tipo Serie que armazena a despesa total
for ano in anos:
for beneficio in despesas.keys():
# Verifica se o benefício é do tipo Salário Maternidade
# O objeto que armazena as despesas com Salário Maternidade é diferente
if 'SalMat' in beneficio:
if ano in despesas[
beneficio].index: # verifica se existe projeção para esse ano
desp_total[ano] += despesas[beneficio][ano]
else:
# Calculo para os demais benefícios
if ano in despesas[
beneficio].columns: # verifica se existe projeção para esse ano
desp_total[ano] += despesas[beneficio][ano].sum()
# Calcula a taxa de crescimento da Despesa
tx_cres_desp = pd.Series(0.0, index=periodo)
for ano in periodo: # pula o primeiro ano
tx_cres_desp[ano] = desp_total[ano] / desp_total[ano - 1] - 1
resultados['despesas'] = desp_total
resultados['tx_cres_despesa'] = tx_cres_desp
return resultados
def calc_cessacoes_pensao(cessacoes, concessoes, probabilidades, periodo):
# Cria o objeto dados que possui os IDs das tabelas
dados = LerTabelas()
# Parte da Eq. 27
# OBS: Esses valores são diferentes dos descritos na Lei 13.135/2015
def get_ji(idade):
if idade <= 23:
return 3
elif idade >= 27 and idade <= 32:
return 6
elif idade >= 37 and idade <= 39:
return 10
elif idade >= 45 and idade <= 55:
return 15
elif idade >= 61 and idade <= 63:
return 20
else:
return 0
# Calcula as cessações para cada tipo de pensão
for beneficio in dados.get_id_beneficios(['Pe']):
sexo = beneficio[-1] # Obtém o sexo a partir do nome do benefício
# Verifica se existe dados de concessões do tipo B
if beneficio in concessoes.keys():
for ano in periodo:
# Essa regra só vale a partir de 2015
if ano < 2015:
continue # Pula iteração
# Cria nova entrada no Dataframe
cessacoes[beneficio][ano] = 0
# Cessações são zero para i <= 2, pois (idade - ji) daria negativo
for idade in range(3, 91):
ji = get_ji(idade)
# As pensões do tipo B só existem a partir de 2015 e se Ji igual 0 zero não tem cessações
if (ano - ji) < 2015 or ji == 0:
cessacoes[beneficio].loc[idade, ano] = 0
else:
conc = concessoes[beneficio][ano - ji][idade - ji]
produtorio = 1
k = idade - ji
for i in range(k, idade + 1):
pmorte = probabilidades['Mort' + sexo][ano -
(i - k)][k]
fator = probabilidades['fam' +
beneficio][ano - (i - k)][k]
produtorio *= (1 - pmorte * fator)
# Eq. 27
cessacoes[beneficio].loc[idade,
ano] = conc * produtorio
return cessacoes
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_estoq_pensoes(populacao, est, concessoes, cessacoes, probabilidades,
segurados, 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')
##### Calcula pensões do tipo A
for benef in lista_pensoes:
sexo = benef[-1] # Obtém o Sexo
id_prob_morte = 'Mort' + sexo # ex: MortH
id_fam = 'fam' + benef # fator de ajuste de mortalidade
id_pens = benef + "_tipoA" # Cria um Id para pensão do tipo A
# Copia o Dataframe
est[id_pens] = est[benef]
for ano in periodo:
# Adiciona uma nova coluna (ano) no DataFrame com valores zero
est[id_pens][ano] = 0
# Projeta pensões do tipo A
# Como não se tem novas concessões desse tipo de pensão, calcula-se
# somente nas idades de 1 a 89 anos.
for idade in range(1, 90):
est_ano_anterior = est[id_pens][ano - 1][idade - 1]
probMorte = probabilidades[id_prob_morte][ano][idade]
fam = probabilidades[id_fam][ano][idade]
prob_sobreviver = 1 - (probMorte * fam)
# Eq. 22
est[id_pens].loc[idade,
ano] = est_ano_anterior * prob_sobreviver
# Calculo para idade 90
est_ano_anterior = est[id_pens][ano - 1][89] + est[id_pens][ano -
1][90]
id_prob_morte = 'MortH'
id_fam = ('fam' + benef).replace(sexo, 'H')
# para o primeiro ano de projeção (2015) a probMorte é para 89 anos
if ano == periodo[0]:
probMorte = probabilidades[id_prob_morte][ano][89]
else:
probMorte = probabilidades[id_prob_morte][ano][90]
fam = probabilidades[id_fam][ano][90]
prob_sobreviver = 1 - probMorte * fam
est[id_pens].loc[90, ano] = est_ano_anterior * prob_sobreviver
##### Calcula pensões de tipo B - Equação 23
# Obtém projeções de concessões e cessações do tipo B
concessoes = calc_concessoes_pensao(populacao, concessoes, est, segurados,
probabilidades, periodo)
cessacoes = calc_cessacoes_pensao(cessacoes, concessoes, probabilidades,
periodo)
for benef in lista_pensoes:
sexo = benef[-1] # Obtém o Sexo
id_prob_morte = 'Mort' + sexo # ex: MortH
id_fam = 'fam' + benef # fator de ajuste de mortalidade
id_pens = benef + "_tipoB" # Cria um Id para pensão do tipo B
# Cria DataFrame para armazenar o estoque de Pensões do tipo B
est[id_pens] = pd.DataFrame(0.0,
index=range(0, 91),
columns=[periodo[0] - 2, periodo[0] - 1] +
periodo) # 2013-2060 - REVISAR - refatorar
est[id_pens].index.name = "IDADE"
# Projeta anos seguintes
for ano in periodo:
# Pula anos inferiores a 2015
if ano < 2015:
continue
# Projeta pensões do tipo B
# Idades de 1 a 89 anos.
for idade in range(1, 90):
est_ano_anterior = est[id_pens][ano - 1][idade - 1]
prob_sobreviver = 1 - probabilidades[id_prob_morte][ano][
idade] * probabilidades[id_fam][ano][idade]
conc = concessoes[benef][ano][idade]
cess = cessacoes[benef][ano][idade]
# Eq. 23
est[id_pens].loc[
idade,
ano] = est_ano_anterior * prob_sobreviver + conc - cess
# Idade zero
est[id_pens].loc[
0, ano] = concessoes[benef][ano][0] - cessacoes[benef][ano][0]
# Idade 90
est_ano_ant90 = est[id_pens][ano - 1][89] + est[id_pens][ano -
1][90]
prob_sobr90 = 1 - probabilidades[id_prob_morte][ano][
90] * probabilidades[id_fam][ano][90]
conc90 = concessoes[benef][ano][90]
cess90 = cessacoes[benef][ano][90]
est[id_pens].loc[
90, ano] = est_ano_ant90 * prob_sobr90 + conc90 - cess90
# Calcula total de pensões
for benef in lista_pensoes:
est[benef] = est[benef + "_tipoA"].add(est[benef + "_tipoB"]) # Eq. 21
return est
def calc_resultados(resultados, estoques, segurados, salarios, valMedBenef,
dadosLDO, parametros):
periodo = parametros['periodo']
ano_estoque = periodo[0]
###### Calcula receita e despesa sobre o PIB
rec_pib = resultados['receitas'] / resultados['PIB']
desp_pib = resultados['despesas'] / resultados['PIB']
resultados['receitas_PIB'] = rec_pib * 100
resultados['despesas_PIB'] = desp_pib * 100
###### Cálcula necessidade de Financiamento
necess_fin = resultados['receitas'] - resultados['despesas']
necess_fin_pib = necess_fin / resultados['PIB']
resultados['resultado_financeiro'] = necess_fin
resultados['resultado_financeiro_PIB'] = necess_fin_pib * 100
###### Cálcula contribuintes, beneficiários e razão de dependência
total_contribuintes = segurados['CsmUrbH'].sum() + segurados['CaUrbH'].sum(
) + segurados['CaUrbM'].sum() + segurados['CsmUrbM'].sum()
total_beneficiarios = 0
total_aposentados = 0
# Soma os beneficiários de cada benefício - Todos os benefícios
for b in estoques.keys():
# Pula os benefícios assistenciais e subtipos de pensões (tipo A e B)
if 'Loas' in b or 'tipo' in b:
continue
total_beneficiarios += estoques[b].sum()
# Soma a quantidade de beneficiários de aposentadorias
tabelas = LerTabelas()
# Ids aposentadorias
ids_apos = ['Apin', 'Atcn', 'Apid', 'Atcp', 'Ainv', 'Atce', 'Atcd']
for b in tabelas.get_id_beneficios(ids_apos):
# Verifica se o estoque para o benefício existe
if b in estoques.keys():
total_aposentados += estoques[b].sum()
# Salva a partir de 2014
resultados['contribuintes'] = total_contribuintes.loc[ano_estoque:]
resultados['beneficiarios'] = total_beneficiarios.loc[ano_estoque:]
resultados['aposentados'] = total_aposentados.loc[ano_estoque:]
# Calcula a Razão de dependência previdenciária
# OBS: No livro 2, o RDP considerava somente as aposentadorias
resultados['RDP'] = resultados['aposentados'] / resultados['contribuintes']
###### Cálcula salário médio, valor médio dos benefícios e a taxa de reposição
salario_medio = (salarios['SalMedSegUrbAcimPnadH'].mean() +
salarios['SalMedSegUrbAcimPnadM'].mean() +
salarios['salarioMinimo']) / 3
soma_media_beneficios = 0
qtd_benef = 0
# Calcula a média dos valores dos beneficios
for b in valMedBenef.keys():
# Pula a txReposicao - OBS: tirar essa variável daqui
if 'txRep' in b:
continue
soma_media_beneficios += valMedBenef[b].mean()
qtd_benef += 1
# Soma com o salário mínimo
soma_media_beneficios += salarios['salarioMinimo']
qtd_benef += 1
# Salva a partir de 2014
resultados['salario_medio'] = salario_medio.loc[ano_estoque:]
resultados['valor_medio_beneficios'] = soma_media_beneficios.loc[
ano_estoque:] / qtd_benef
# Calcula a Taxa de Reposição
resultados['taxa_reposicao'] = resultados[
'valor_medio_beneficios'] / resultados['salario_medio']
aliquota = parametros['aliquota_media']
###### Cálcula Indicador sintético da sustentabilidade
resultados['ISS'] = (aliquota / 100) / (resultados['taxa_reposicao'] *
resultados['RDP'])
###### Obtém resultados da LDO de 2018
# Receita, despesa e PIB da LDO
rec_ldo = dadosLDO['Tabela_6.2']['Receita']
desp_ldo = dadosLDO['Tabela_6.2']['Despesa']
pib_ldo = dadosLDO['Tabela_6.2']['PIB']
# Receita e despesa sobre o PIB da LDO
rec_ldo_pib = dadosLDO['Tabela_6.2']['Receita / PIB'] * 100
desp_ldo_pib = dadosLDO['Tabela_6.2']['Despesa / PIB'] * 100
resultados['receitas_PIB_LDO'] = rec_ldo_pib
resultados['despesas_PIB_LDO'] = desp_ldo_pib
###### Calcula variação em relação a LDO de 2018
# Variação na despesa, receita e PIB com relação a LDO de 2018 em %
erro_receita = 100 * (resultados['receitas'] - rec_ldo) / rec_ldo
erro_despesa = 100 * (resultados['despesas'] - desp_ldo) / desp_ldo
erro_pib = 100 * (resultados['PIB'] - pib_ldo) / pib_ldo
# Erro na despesa e receita sobre o PIB
erro_receita_pib = 100 * (resultados['receitas_PIB'] -
rec_ldo_pib) / rec_ldo_pib
erro_despesa_pib = 100 * (resultados['despesas_PIB'] -
desp_ldo_pib) / desp_ldo_pib
resultados['erro_receitas'] = erro_receita
resultados['erro_despesas'] = erro_despesa
resultados['erro_PIB'] = erro_pib
resultados['erro_receitas_PIB'] = erro_receita_pib
resultados['erro_despesas_PIB'] = erro_despesa_pib
resultados['receitas_LDO'] = rec_ldo
resultados['despesas_LDO'] = desp_ldo
###### Comparação com os dados de 2014 e 2015 do AEPS
tabelas = LerTabelas()
# Calcula o estoque total de aposentadorias e Pensões
est_apos_total = pd.DataFrame(0.0,
columns=estoques['AinvRurH'].columns,
index=estoques['AinvRurH'].index)
est_pens_total = est_apos_total.copy()
# Para todas as aposentadorias
for benef in tabelas.get_id_beneficios(
['Apin', 'Atcn', 'Atce', 'Atcp', 'Ainv']):
if benef in estoques.keys():
est_apos_total += estoques[benef]
# Para todas as Pensoes
for benef in tabelas.get_id_beneficios(['Pens']):
if benef in estoques.keys():
est_pens_total += estoques[benef]
erros_aeps = pd.DataFrame(
index=[2014, 2015],
columns=['Receitas', 'Despesas', 'Aposentadorias', 'Pensões'])
erros_aeps['Aposentadorias'] = (est_apos_total.sum() /
dadosLDO['Aposentadorias AEPS']) - 1
erros_aeps['Pensões'] = (est_pens_total.sum() /
dadosLDO['Pensões AEPS']) - 1
erros_aeps['Receitas'] = (resultados['receitas'] /
dadosLDO['Receitas AEPS']) - 1
erros_aeps['Despesas'] = (resultados['despesas'] /
dadosLDO['Despesas AEPS']) - 1
resultados['erros_AEPS'] = erros_aeps * 100
###### Exporta todos os resultados para um arquivo CSV
# Cria o DataFrame que irá armazena cada resultado em uma coluna
todos_resultados = pd.DataFrame(index=range(ano_estoque, periodo[-1] + 1))
todos_resultados.index.names = ['ANO']
# Cria diretório caso não exista
result_dir = ('resultados')
if not os.path.isdir(result_dir):
os.makedirs(result_dir)
lista_resultados = list(resultados.keys())
lista_resultados.remove(
'erros_AEPS') # Remove o erro_AEPS pois já um DataFrame
lista_resultados.sort() # Ordena a lista
# Salva cada resultado como uma coluna do DataFrame
for r in lista_resultados:
todos_resultados[r] = resultados[r]
# Salva o arquivo em formato CSV
try:
todos_resultados.to_csv((os.path.join(result_dir, 'resultados.csv')),
sep=';',
decimal=',')
except:
print('--> Erro ao salvar arquivo {}'.format(
(os.path.join(result_dir, 'resultados.csv'))))
return resultados
print(' {} = {}'.format(p, copia_parametros[p]))
print('\nLendo arquivo de dados ... \n')
#### Arquivo com os dados da Fazenda
# Dados disponibilizados em: http://legis.senado.leg.br/comissoes/docsRecCPI?codcol=2093
# DOC nº 110 do Ministério da Fazenda do dia 22/06/2017 - Midia 21
arquivo = 'dados/dados_fazenda.xlsx'
# Abri o arquivo
dados = LerTabelas(arquivo)
print('Carregando tabelas ...\n')
# Lista de Ids dos beneficios
ids_estoques = dados.get_id_beneficios([], 'Es')
ids_concessoes = dados.get_id_beneficios([], 'Co')
ids_cessacoes = dados.get_id_beneficios([], 'Ce')
ids_despesas = dados.get_id_beneficios([], 'ValEs')
ids_valConcessoesBen = dados.get_id_beneficios([], 'ValCo')
# Obtem as tabelas e armazena nos dicionários correspondentes
estoques = dados.get_tabelas(ids_estoques, logs, info=True)
concessoes = dados.get_tabelas(ids_concessoes, logs, info=True)
cessacoes = dados.get_tabelas(ids_cessacoes, logs, info=True)
despesas = dados.get_tabelas(ids_despesas, logs)
populacao = dados.get_tabelas(dados.ids_pop_ibge, logs)
populacao_pnad = dados.get_tabelas(dados.ids_pop_pnad, logs)
salarios = dados.get_tabelas(dados.ids_salarios, logs)
valCoBen = dados.get_tabelas(ids_valConcessoesBen, logs)
def calc_resultados(resultados, despesas, estoques, segurados, salarios, valMedBenef, dadosLDO, parametros, mostrar=False):
periodo = parametros['periodo']
ano_estoque = periodo[0]
###### Calcula receita e despesa sobre o PIB
rec_pib = resultados['receitas'] / resultados['PIB']
desp_pib = resultados['despesas'] / resultados['PIB']
resultados['receitas_PIB'] = rec_pib * 100
resultados['despesas_PIB'] = desp_pib * 100
###### Cálcula necessidade de Financiamento
necess_fin = resultados['receitas'] - resultados['despesas']
necess_fin_pib = necess_fin / resultados['PIB']
resultados['resultado_financeiro'] = necess_fin
resultados['resultado_financeiro_PIB'] = necess_fin_pib * 100
###### Cálcula contribuintes, beneficiários e razão de dependência
total_contribuintes = segurados['CsmUrbH'].sum() + segurados['CaUrbH'].sum() + segurados['CaUrbM'].sum() + segurados['CsmUrbM'].sum()
total_beneficiarios = 0
total_beneficiarios_urb = 0
total_beneficiarios_rur = 0
total_aposentados = 0
# Soma os beneficiários de cada benefício - Todos os benefícios
for b in estoques.keys():
# Pula os benefícios assistenciais e subtipos de pensões (tipo A e B)
if 'Loas' in b or 'tipo' in b:
continue
elif 'Urb' in b:
total_beneficiarios_urb += estoques[b].sum()
else:
total_beneficiarios_rur += estoques[b].sum()
total_beneficiarios = total_beneficiarios_urb + total_beneficiarios_rur
# Soma a quantidade de beneficiários de aposentadorias
tabelas = LerTabelas()
# Ids aposentadorias
ids_apos= ['Apin', 'Atcn', 'Apid', 'Atcp', 'Ainv', 'Atce', 'Atcd']
for b in tabelas.get_id_beneficios(ids_apos):
# Verifica se o estoque para o benefício existe
if b in estoques.keys():
total_aposentados += estoques[b].sum()
# Salva a partir de 2014
resultados['contribuintes'] = total_contribuintes.loc[ano_estoque:]
resultados['beneficiarios'] = total_beneficiarios.loc[ano_estoque:]
resultados['beneficiarios_urb'] = total_beneficiarios_urb.loc[ano_estoque:]
resultados['beneficiarios_rur'] = total_beneficiarios_rur.loc[ano_estoque:]
resultados['aposentados'] = total_aposentados.loc[ano_estoque:]
# Calcula a Razão de dependência previdenciária
# OBS: No livro 2, o RDP considerava somente as aposentadorias
resultados['RDP'] = resultados['aposentados']/resultados['contribuintes']
###### Cálcula salário médio, valor médio dos benefícios e a taxa de reposição
salario_medio = (salarios['SalMedSegUrbAcimPnadH'].mean() + salarios['SalMedSegUrbAcimPnadM'].mean() + salarios['salarioMinimo'])/3
soma_media_beneficios = 0
qtd_benef = 0
# Calcula a média dos valores dos beneficios
for b in valMedBenef.keys():
# Pula a txReposicao - OBS: tirar essa variável daqui
if 'txRep' in b:
continue
soma_media_beneficios += valMedBenef[b].mean()
qtd_benef += 1
# Soma com o salário mínimo
soma_media_beneficios += salarios['salarioMinimo']
qtd_benef += 1
# Salva a partir de 2014
resultados['salario_medio'] = salario_medio.loc[ano_estoque:]
resultados['valor_medio_beneficios'] = soma_media_beneficios.loc[ano_estoque:]/qtd_benef
# Calcula a Taxa de Reposição
resultados['taxa_reposicao'] = resultados['valor_medio_beneficios']/resultados['salario_medio']
aliquota = parametros['aliquota_media']
###### Cálcula Indicador sintético da sustentabilidade
resultados['ISS'] = (aliquota/100)/(resultados['taxa_reposicao'] * resultados['RDP'])
###### Obtém resultados da LDO de 2018
# Receita, despesa e PIB da LDO
rec_ldo = dadosLDO['Tabela_6.2']['Receita']
desp_ldo = dadosLDO['Tabela_6.2']['Despesa']
pib_ldo = dadosLDO['Tabela_6.2']['PIB']
# Receita e despesa sobre o PIB da LDO
rec_ldo_pib = dadosLDO['Tabela_6.2']['Receita / PIB'] * 100
desp_ldo_pib = dadosLDO['Tabela_6.2']['Despesa / PIB'] * 100
resultados['receitas_PIB_LDO'] = rec_ldo_pib
resultados['despesas_PIB_LDO'] = desp_ldo_pib
###### Calcula variação em relação a LDO de 2018
# Variação na despesa, receita e PIB com relação a LDO de 2018 em %
erro_receita = 100 * (resultados['receitas'] - rec_ldo) / rec_ldo
erro_despesa = 100 * (resultados['despesas'] - desp_ldo) / desp_ldo
erro_pib = 100 * (resultados['PIB'] - pib_ldo) / pib_ldo
# Diferença na despesa e receita sobre o PIB
erro_receita_pib = resultados['receitas_PIB'] - rec_ldo_pib
erro_despesa_pib = resultados['despesas_PIB'] - desp_ldo_pib
resultados['erro_receitas'] = erro_receita
resultados['erro_despesas'] = erro_despesa
resultados['erro_PIB'] = erro_pib
resultados['erro_receitas_PIB'] = erro_receita_pib
resultados['erro_despesas_PIB'] = erro_despesa_pib
resultados['receitas_LDO'] = rec_ldo
resultados['despesas_LDO'] = desp_ldo
###### Comparação com os dados de 2014 e 2015 do AEPS
tabelas = LerTabelas()
# Calcula o estoque total de aposentadorias e Pensões
est_apos_total = pd.DataFrame(0.0, columns=estoques['AinvRurH'].columns,index=estoques['AinvRurH'].index)
est_pens_total = est_apos_total.copy()
# Para todas as aposentadorias
for benef in tabelas.get_id_beneficios(['Apin', 'Atcn', 'Atce', 'Atcp', 'Ainv']):
if benef in estoques.keys():
est_apos_total += estoques[benef]
# Para todas as Pensoes
for benef in tabelas.get_id_beneficios(['Pens']):
if benef in estoques.keys():
est_pens_total += estoques[benef]
erros_aeps = pd.DataFrame(index=[2014,2015], columns=['Receitas', 'Despesas', 'Aposentadorias', 'Pensões'])
erros_aeps['Aposentadorias'] = (est_apos_total.sum() / dadosLDO['Aposentadorias AEPS']) - 1
erros_aeps['Pensões'] = (est_pens_total.sum() / dadosLDO['Pensões AEPS']) - 1
erros_aeps['Receitas'] = (resultados['receitas'] / dadosLDO['Receitas AEPS']) - 1
erros_aeps['Despesas'] = (resultados['despesas'] / dadosLDO['Despesas AEPS']) - 1
resultados['erros_AEPS'] = erros_aeps * 100
# Salva os resultados em arquivos CSV
save_results(resultados, despesas, estoques, segurados, salarios, valMedBenef, parametros)
# Se mostrar = True os resultados serão exibidos no Prompt
if mostrar:
print('RESULTADOS DA PROJEÇÃO: \n')
print('Receita em 2018 = {}'.format(resultados['receitas'][2018]))
print('Receita em 2060 = {}'.format(resultados['receitas'][2060]))
print('Receita/PIB em 2060 = {}'.format(resultados['receitas_PIB'][2060]))
print()
print('Despesa em 2018 = {}'.format(resultados['despesas'][2018]))
print('Despesa em 2060 = {}'.format(resultados['despesas'][2060]))
print('Despesa/PIB em 2060 = {}'.format(resultados['despesas_PIB'][2060]))
print()
print('Resultado Financeiro em 2018 = {}'.format(resultados['resultado_financeiro'][2018]))
print('Resultado Financeiro em 2060 = {}'.format(resultados['resultado_financeiro'][2060]))
print('Resultado Financeiro/PIB em 2060 = {}'.format(resultados['resultado_financeiro_PIB'][2060]))
print("\nVARIAÇÕES EM RELAÇÃO A LDO DE 2018:")
print('Variação da Despesa em 2018 (%) = {}'.format(round(resultados['erro_despesas'][2018], 2)))
print('Variação da Despesa em 2060 (%) = {}'.format(round(resultados['erro_despesas'][2060], 2)))
print()
print('Variação da Receita em 2018 (%) = {}'.format(round(resultados['erro_receitas'][2018], 2)))
print('Variação da Receita em 2060 (%) = {}'.format(round(resultados['erro_receitas'][2060], 2)))
print()
print('Variação no PIB em 2018 (%) = {}'.format(round(resultados['erro_PIB'][2018], 2)))
print('Variação no PIB em 2060 (%) = {}'.format(round(resultados['erro_PIB'][2060], 2)))
print()
print('Diferença na Receita/PIB em 2018 = {}'.format(resultados['erro_receitas_PIB'][2018]))
print('Diferença na Receita/PIB em 2060 = {}'.format(resultados['erro_receitas_PIB'][2060]))
print()
print('Diferença na Despesa/PIB em 2018 = {}'.format(resultados['erro_despesas_PIB'][2018]))
print('Diferença na Despesa/PIB em 2060 = {}'.format(resultados['erro_despesas_PIB'][2060]))
print('\n')
return resultados
def calc_fat_ajuste_mort_LDO2018(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():
fat_ajuste['fam' + beneficio] = pd.DataFrame(1.0,
index=range(0, 91),
columns=([2014] +
periodo))
for idade in range(1, 91):
ces_ano_atual = cessacoes[beneficio][ano_prob][idade]
est_ano_ant = estoques[beneficio][ano_prob - 1][idade]
# OBS: Gera fam acima de 100 para alguns beneficios em idades baixas.
# Isso ocorre devido a pmorte ser muito baixa e os estoques serem muito
# pequenos ou zero.Ver pag. 18 do doc da fazenda
# Taxa de cessações - Eq. 15
# Não existem dados de cessação para t > 2015, sendo assim, não faz
# sentido ter o índice t nas Eq. 14 e 15. Diante disso, foi considerado
# um t fixo em 2014 para toda a projeção.
if ces_ano_atual == 0:
tx_ces = 0
else:
tx_ces = ces_ano_atual / (est_ano_ant +
(ces_ano_atual / 2))
# Probabilidade de morte
mort = probMort['Mort' + sexo][ano_prob][idade]
# Salva a Série no dicionário - Eq. 14
fat_ajuste['fam' + beneficio][ano_prob][idade] = tx_ces / mort
# Repete a última probabilidade(2014) nos anos seguintes(2015-2060)
for ano in periodo:
fat_ajuste['fam' +
beneficio][ano] = fat_ajuste['fam' +
beneficio][ano - 1]
# Substitui os NaN por 1.0
fat_ajuste['fam' + beneficio].fillna(1.0, inplace=True)
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_n_parcelas(estoques, despesa, valMedBenef, periodo):
# ano_estoq = periodo[0]-1 # 2014
dados = LerTabelas()
# Dicionário que armazena o número médio de parcelas para tipo de beneficio
n_parcelas = {}
# 2014
ano_estoque = periodo[0] - 1
# 2014-2060
anos = [ano_estoque] + periodo
# Aposentadorias Idade Normal
for benef in dados.get_id_beneficios('Apin'):
# Rurais e Urbanos tem valores diferentes
if 'Rur' in benef:
n_parcelas[benef] = pd.Series(13.0, index=anos)
n_parcelas[benef].loc[periodo[0]] = 12.95 # 2015
n_parcelas[benef].loc[periodo[1]:] = 12.82 # 2016-2060
else:
n_parcelas[benef] = pd.Series(13.0, index=anos)
n_parcelas[benef].loc[periodo[0]] = 12.7 # 2014-2015
n_parcelas[benef].loc[periodo[1]:] = 12.95 # 2016-2060
# Aposentadorias TC Normal
for benef in dados.get_id_beneficios('Atcn'):
# Rurais e Urbanos tem valores diferentes
if 'Rur' in benef:
n_parcelas[benef] = pd.Series(13.0, index=anos)
n_parcelas[benef].loc[periodo[0]:] = 12.92 # 2015-2060
else:
n_parcelas[benef] = pd.Series(13.0, index=anos)
n_parcelas[benef].loc[periodo[0]] = 11.7 # 2015
n_parcelas[benef].loc[periodo[1]:] = 12.0 # 2016-2060
# Aposentadorias Idade Deficiente
for benef in dados.get_id_beneficios('Apid'):
n_parcelas[benef] = pd.Series(13.0, index=anos) # 2014-2060
# Aposentadorias TC Professor
for benef in dados.get_id_beneficios('Atcp'):
# Rurais e Urbanos tem valores diferentes
if 'Rur' in benef:
n_parcelas[benef] = pd.Series(13.0, index=anos) # 2014-2060
else:
n_parcelas[benef] = pd.Series(13.0, index=anos)
n_parcelas[benef].loc[periodo[0]] = 13.46 # 2015
n_parcelas[benef].loc[periodo[1]:] = 14.5 # 2016-2060
# Aposentadorias Invalidez
for benef in dados.get_id_beneficios('Ainv'):
# Rurais e Urbanos tem valores diferentes
if 'Rur' in benef:
n_parcelas[benef] = pd.Series(13.0, index=anos)
n_parcelas[benef].loc[periodo[0]] = 13.09 # 2015
n_parcelas[benef].loc[periodo[1]:] = 12.96 # 2016-2060
else:
n_parcelas[benef] = pd.Series(13.0, index=anos)
n_parcelas[benef].loc[periodo[0]] = 12.3 # 2015
n_parcelas[benef].loc[periodo[1]:] = 11.9 # 2016-2060
# Aposentadorias TC especial
for benef in dados.get_id_beneficios('Atce'):
# Rurais e Urbanos tem valores diferentes
if 'Rur' in benef:
n_parcelas[benef] = pd.Series(13.0, index=anos) # 2014-2060
else:
n_parcelas[benef] = pd.Series(13.0, index=anos)
n_parcelas[benef].loc[periodo[0]] = 12.5 # 2015
n_parcelas[benef].loc[periodo[1]:] = 13.6 # 2016-2060
# Aposentadorias TC Deficiente
for benef in dados.get_id_beneficios('Atcd'):
n_parcelas[benef] = pd.Series(13.0, index=anos) # 2014-2060
# Pensões
for benef in dados.get_id_beneficios('Pe'):
# Rurais e Urbanos tem valores diferentes
if 'Rur' in benef:
n_parcelas[benef] = pd.Series(13.0, index=anos)
n_parcelas[benef].loc[periodo[0]] = 12.97 # 2015
n_parcelas[benef].loc[periodo[1]:] = 12.89 # 2016-2060
else:
n_parcelas[benef] = pd.Series(13.0, index=anos)
n_parcelas[benef].loc[periodo[0]] = 12.70 # 2015
n_parcelas[benef].loc[periodo[1]:] = 13.10 # 2016-2060
# Auxilios Doença
for benef in dados.get_id_beneficios('Auxd'):
# Rurais e Urbanos tem valores diferentes
if 'Rur' in benef:
n_parcelas[benef] = pd.Series(12.0, index=anos)
n_parcelas[benef].loc[periodo[0]] = 11.83 # 2015-2015
n_parcelas[benef].loc[periodo[1]:] = 13.32 # 2016-2060
else:
n_parcelas[benef] = pd.Series(12.0, index=anos)
n_parcelas[benef].loc[periodo[0]] = 8.33 # 2015
n_parcelas[benef].loc[periodo[1]:] = 9.01 # 2016-2060
# Auxilios Acidente
for benef in dados.get_id_beneficios('Auxa'):
# Rurais e Urbanos tem valores diferentes
if 'Rur' in benef:
n_parcelas[benef] = pd.Series(12.0, index=anos)
n_parcelas[benef].loc[periodo[0]] = 12.99 # 2015
n_parcelas[benef].loc[periodo[1]:] = 13.46 # 2016-2060
else:
n_parcelas[benef] = pd.Series(12.0, index=anos)
n_parcelas[benef].loc[periodo[0]] = 12.43 # 2015
n_parcelas[benef].loc[periodo[1]:] = 12.56 # 2016-2060
# Auxilios Reclusão
for benef in dados.get_id_beneficios('Auxr'):
# Rurais e Urbanos tem valores diferentes
if 'Rur' in benef:
n_parcelas[benef] = pd.Series(12.0, index=anos)
n_parcelas[benef].loc[periodo[0]] = 12.06 # 2015
n_parcelas[benef].loc[periodo[1]:] = 12.18 # 2016-2060
else:
n_parcelas[benef] = pd.Series(12.0, index=anos)
n_parcelas[benef].loc[periodo[0]] = 12.31 # 2015
n_parcelas[benef].loc[periodo[1]:] = 14.03 # 2016-2060
# Salario Maternidade
for benef in dados.get_id_beneficios('SalMat'):
n_parcelas[benef] = pd.Series(4.0, index=anos) # 2014-2060
# Assistenciais LoasDef
for benef in dados.get_id_beneficios('LoasDef'):
n_parcelas[benef] = pd.Series(12.0, index=anos)
n_parcelas[benef].loc[periodo[0]] = 12.05 # 2015
n_parcelas[benef].loc[periodo[1]:] = 12.00 # 2016-2060
# Assistenciais LoasIdo
for benef in dados.get_id_beneficios('LoasIdo'):
n_parcelas[benef] = pd.Series(12.0, index=anos)
n_parcelas[benef].loc[periodo[0]] = 11.96 # 2015
n_parcelas[benef].loc[periodo[1]:] = 11.73 # 2016-2060
# Assistenciais RMV
for benef in dados.get_id_beneficios('Rmv'):
n_parcelas[benef] = pd.Series(12.0, index=anos)
n_parcelas[benef].loc[periodo[0]] = 12.09 # 2015
n_parcelas[benef].loc[periodo[1]:] = 12.06 # 2016-2060
# for beneficio in estoques.keys():
# # Verifica se existe dados de despesa para o beneficio
# if beneficio in despesa.keys():
# desp = despesa[beneficio][ano_estoq].sum()
# est = estoques[beneficio][ano_estoq].sum()
# vm = valMedBenef[beneficio][ano_estoq].mean()
# n_parcelas[beneficio] = Dt/(vm*est)
return n_parcelas
def calc_prob_aux(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():
id_seg = dados.get_id_segurados(beneficio) # ex: CsmUrbH
# concessões conhecidas dos últimos 4 anos (2011-2014)
conc = concessoes[beneficio].loc[:, (ano_prob - 3):]
seg = segurados[id_seg].loc[:, (ano_prob - 3):]
prob_auxd = conc / seg
# 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():
id_seg = dados.get_id_segurados(beneficio) # ex: CsmUrbH
# estoques conhecidos dos últimos 4 anos (2011-2014)
est = estoques[beneficio].loc[:, (ano_prob - 3):]
seg = segurados[id_seg].loc[:, (ano_prob - 3):]
prob_auxa = est / seg
# 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]
id_seg = dados.get_id_segurados(beneficio) # ex: CsmUrbH
# 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
id_seg = dados.get_id_segurados(beneficio) # ex: CsmUrbH
# OBS: para o AuxReclusao o sexo utilizado na popOcup é sempre masculino
if 'Rur' in id_seg:
id_seg = 'RurH'
seg = segurados[id_seg][ano_prob][idade + deslocamento]
if seg == 0:
prob_auxr[ano_prob][idade] = 0
else:
prob_auxr[ano_prob][idade] = est / seg
# 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
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