Explorando o Censo Escolar com a BD

Nesse texto, vamos dissecar o conjunto de dados do Censo Escolar, já disponível, tratado e pronto para a análise na BD. Primeiro, vamos introduzir as quatro diferentes tabelas da base, apresentando algumas de suas variáveis. Depois, vamos mostrar alguns pontos de contato interessantes com outras tabelas disponíveis em nosso datalake público e perguntas que podem surgir dessas interações. Acesse essa base por aqui.

O Censo Escolar é uma pesquisa anual, onde cada escola do país responde a diversas perguntas sobre a própria escola, as turmas, os professores e os alunos que ali frequentam. O Censo tem microdados desde 1995 e, em 2007, assumiu um novo formato digital. Há indícios de que a pesquisa ocorre desde a década de 30. Aqui na Base dos Dados, optamos por disponibilizar, inicialmente, valores desde 2009. O período é o mais uniforme da pesquisa e foi quando ela manteve o mesmo formato, o que facilita e corrobora com a compatibilização entre diferentes anos.

A disponibilização dos dados do Censo, assim como de outras bases de educação, vêm do Plano Inep Dados Abertos. Porém, utilizar as bases originais do Censo tem vários obstáculos:

• Você precisa baixar cada ano individualmente em um arquivo compactado, cada um com aproximadamente 10gb
• Cada base tem seu próprio conjunto de variáveis e você terá que consultar os vários dicionários, já que uma mesma variável recebe vários nomes diferentes ao longo do período.
• Os dicionários não são muito claros sobre a constância das variáveis: em muitos casos é necessário abrir a base para verificar a existência de uma dada variável.
• O período de 2009 até 2020 soma mais de 100gb se for aberto inteiro no seu computador.

Ao invés de enfrentar tudo isso, você pode usar nossa versão já limpa e harmonizada, baixando via BigQuery ou abrindo as tabelas direto no R ou no Python.

Com as suas 4 tabelas, o nosso dataset do Censo Escolar replica a arquitetura da base original, disponibilizando diferentes tabelas para diferentes níveis de agregação. Temos uma base a nível de escola, uma a nível de turma, e duas no nível individual: uma para docentes e outra para os alunos.

É importante ressaltar que todas as tabelas do dataset, além de terem identificação de suas observações, identificam sempre a escola a qual pertencem, sempre tendo a variável id_escola. Optamos por deixar essas variáveis para manter o paralelismo da base original e para que possíveis agregações e junções de tabelas fossem mais fáceis.

Além disso, cabe reforçar que não disponibilizamos todas as variáveis que aparecem no Censo. Selecionamos a maioria das variáveis, as que aparecem mais vezes. Pegamos as variáveis que aparecem 8 ou mais vezes ao longo dos 12 anos, além de outras variáveis que julgamos serem cruciais por serem identificadoras importantes. Isso significa que, se a variável só aparece em 2 anos, por exemplo, ela não foi incluída nas nossas tabelas.

A tabela escola tem a granularidade de cada escola por cada ano. A identificação básica de cada unidade é feita pelas variáveis id_escola e ano.

Na tabela, temos três grandes grupos de variáveis: variáveis com características gerais da escola, variáveis que qualificam a infraestrutura de cada instituição e variáveis que identificam quais tipos de aulas ocorrem.

Entre as características gerais, temos a rede a qual a escola está vinculada, o tipo de localização da escola, a dependência administrativa mantida com o poder público, a instituição mantenedora da escola e o seu local de funcionamento.

Nas variáveis de infraestrutura, temos uma ampla caracterização do acesso de cada instituição a serviços básicos, como água, energia e coleta/tratamento de lixo e esgoto. A infraestrutura de ensino também é avaliada: temos variáveis que medem a quantidade de equipamentos, desde equipamentos de som ou DVD até computadores e conexão com a internet, além das variáveis que informam o número de salas, de banheiros, de quadras, de laboratórios, áreas verdes e até de berçários.

Por fim, nas variáveis que identificam o ensino, temos em sua maioria variáveis binárias que identificam se a escola tem aulas para ensino regular, para EJA, em formato EaD, entre outras.

Com uma única entrada no R usando a biblioteca basedosdados, podemos descobrir, por exemplo, quais escolas não têm água potável em Minas Gerais no ano de 2020:

basedosdados::read_sql('
SELECT
  ano,
  id_escola,
  agua_potavel
FROM
  `basedosdados-dev.br_inep_censo_escolar.escola`
WHERE
  agua_potavel = 0
  AND ano = 2020
  AND sigla_uf = "MG"
')

Ou quais escolas funcionavam em unidades prisionais em 2009:

import basedosdados as bd

bd.read_sql(
    query="""
SELECT
  *
FROM
  `basedosdados.br_inep_censo_escolar.turma`
WHERE
  ano = 2010
  AND sigla_uf = 'BA'
""",
    billing_project_id="bd_projeto",
)

A tabela turma tem a granularidade de cada turma por cada ano, isto é, cada observação é identificada por seu id_turmae pelo seu ano.

Na tabela, encontramos principalmente variáveis relacionadas a quais dias a turma tem aulas e de quais disciplinas são essas aulas. Em cada um dos casos, tem-se variáveis binárias identificando cada dia da semana e cada matéria.

Temos também variáveis que identificam atividades extracurriculares e quando elas são feitas por cada turma, além das já mencionadas identificações da escola a qual a turma está inserida.

Se quisermos abrir as turmas de 2010 para o estado da Bahia por exemplo, no Python:

bd.read_sql(
  query = "SELECT * FROM `basedosdados.br_inep_censo_escolar.turma` WHERE ano = 2010 and sigla_uf = 'BA'",
  billing_project_id = "bd_projeto"
)

A tabela docente tem a granularidade a nível dos profissionais escolares em sala de aula: professores, auxiliares, tradutores/intérpretes entre outros que atuam pedagogicamente na escola. Cada linha da tabela corresponde a um profissional, por cada ano. Cada um desses profissionais é identificado com um id_docente.

Na tabela temos as mais diversas características de cada docente, representadas por mais de 80 variáveis. Tem-se características pessoais de cada docente, como sua raça/cor, seu sexo, sua idade, sua nacionalidade e até o município de nascimento e o município onde o docente reside. Também temos variáveis que identificam a formação do docente, desde as disciplinas pelo qual ele é responsável, até a sua formação específica como professor.

Se quisermos só os docentes pretos da cidade de Rio Branco por exemplo, poderíamos rodar em Python:

bd.read_sql(
    query = "SELECT * FROM `basedosdados.br_inep_censo_escolar.docente` WHERE id_municipio = '1200401' and raca_cor = '2'",
    billing_project_id = "bd_projeto"
)

Sem dúvida uma das maiores tabelas de todo nosso datalake, a tabela matricula identifica cada aluno brasileiro através da id_aluno. As observações estão no nível de cada aluno e de cada ano.

Entre as variáveis, temos as que caracterizam dados pessoais de cada aluno, paralelo ao feito com cada docente: temos sexo, cor_raca, id_municipio_nascimento, id_municipio_endereco, que, assim como na tabela de docentes, identificam sexo, cor/raça e o município onde nasceu e onde reside o aluno. Temos também variáveis que caracterizam deficiências dos alunos, físicas e intelectuais.

Para além desses casos, temos também um conjunto de dados que identificam relações do aluno com a escola: variáveis que identificam como os alunos se deslocam até a escola e variáveis que identificam como os alunos ingressaram na instituição.

A tabela matricula, especificamente, é muito grande (chega a mais de 90gb), por isso não recomendamos tentar baixá-la ou utilizá-la inteira: a tabela é particionada por ano e por uf de maneira que, ao filtrar por essas variáveis, o resultado é obtido mais rápido e o gasto é bem menor.

Como exemplo, podemos recortá-la para pegar somente os estudantes que vão à escola de transporte público em 2019, no estado de Roraima. No R, ficaria assim:

basedosdados::read_sql("
SELECT
  *
FROM
  `basedosdados.br_inep_censo_escolar.matricula`
WHERE
  sigla_uf = 'RR'
  AND transporte_publico = 1
  AND ano = 2019
")

O censo escolar por si só já disponibiliza uma grande variedade de variáveis. Caso você queira obter ainda mais, com a BD é fácil: como as bases têm os mesmos nomes de variável, podemos rapidamente juntar diferentes informações. A seguir separamos algumas bases já disponíveis na BD que podem complementar bem as tabelas do Censo Escolar:

Os indicadores escolares do INEP: O dataset br_inep_indicadores_educacionais apresenta uma série de medições sobre a qualidade de ensino, em diferentes níveis de agregação. Usando a tabela escola como ponte, podemos juntar média de alunos por turma da escola (proveniente dessa tabela) com número de computadores da escola (vindo do Censo) e construir um mais amplo cenário socioeconômico da escola.

As notas do IDEB: O dataset br_inep_idebnos disponibiliza tabelas de diferentes que identificam as notas dos alunos em avaliações da qualidade do ensino (as provas do SAEB), as taxas de rendimento (aprovação, reprovação, abandono) e o desempenho no IDEB. Junto com as tabelas do Censo, pode-se avaliar, por exemplo, como escolas com mais professores com mestrado vão nessas provas em relação a escolas com professores que não tem pós graduação.

Diferentes tabelas da SEDUC: As tabelas da SEDUC disponibilizam informações sobre o nível educacional e socioeconômico das escolas estaduais de São Paulo. Com elas somadas ao censo, pode se avaliar por exemplo se escolas com melhor infraestrutura tem maior evasão no ensino médio.

As tabelas do Censo também tem identificação do município de cada uma das escolas, das turmas, dos docentes e dos alunos, permitindo vinculá-las com quase todas as tabelas a nível de município disponível no nosso datalake.

Chegamos ao fim da nossa breve apresentação! Os dados da mais importante pesquisa estatística educacional brasileira, o Censo Escolar (e todas suas nuances) agora fazem parte da Base dos Dados!

Texto produzido por Matheus da equipe de Dados, com enorme apoio do pesquisador Adriano Senkevics, um dos especialistas em educação da nossa comunidade 💚