Demografia na prática: o que todo mundo ignora
A demografia é basicamente o estudo dos números de uma população. Nascimentos, mortes, migrações, idade, sexo, distribuição geográfica. Parece simples até você abrir uma planilha com dados reais do IBGE e perceber que nada está organizado como deveria. O que a demografia estuda, na verdade, é muito mais do que contagem. É entender padrões comportamentais em larga escala, fazer projeções que vão de cinco a cinquenta anos, e construir modelos que precisam ser úteis para tomadores de decisão que não têm paciência para nuances estatísticas.
O que a demografia estuda de verdade
Na prática, um demógrafo trabalha com taxas brutas e específicas. Taxa bruta de mortalidade, taxa específica de mortalidade por faixa etária, índice sintético de fecundidade, esperança de vida ao nascer. São métricas que parecem secas mas carregam informação suficiente para dimensionar um sistema de saúde inteiro. O componente mais subestimado é a migração. Dados de natalidade e mortalidade vêm de registros civis relativamente consistentes no Brasil. Migração interna é outro patamar. O Censo 2010 mostrou que o fluxo Sul-Sudeste estava começando a frear, e muita gente na época ainda escrevia relatórios como se o êxodo nordestino fosse inevitável e infinito. Não era.
Um problema real que eu tive
Trabalhei num projeto de projeção populacional municipal há alguns anos. O município tinha cerca de 87 mil habitantes e o plano diretor precisava de estimativas para 2040. Os dados do Censo 2010 eram confiáveis, mas a cidade tinha crescido de forma desordenada nos bairros periféricos e o censo praticamente não captava essa dinâmica. A taxa de crescimento que o IBGE registrava para a zona urbana era cerca de 1,8% ao ano, mas os dados de ligação de energia elétrica da concessionária mostravam um aumento de 34% na quantidade de unidades consumidoras entre 2012 e 2016, sugerindo algo bem diferente. A solução que funcionou foi cruzar os dados do cadastro imobiliário do prefeitura com as bases do IBGE, usar a razão domicílios/pessoas por setor censitário como fator de conversão, e aplicar um modelo de cohort-componente com ajustes manuais nas faixas etárias de 20 a 35 anos, que eram onde a discrepância era maior. Levou duas semanas a mais do que o previsto, mas o resultado final batia dentro de menos de 5% da realidade observada no recenseamento seguinte.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Sobre métodos e escolhas
O método cohort-componente é o padrão da indústria há décadas. Você pega a população por idade e sexo, aplica taxas de fecundidade específicas por idade, taxas de mortalidade específicas por idade e sexo, e saldo migratório. Repete o processo ano a ano. Funciona bem quando os dados de entrada são bons. Funciona mal quando não são. Uma coisa que pouca gente ensina: a escolha da faixa etária para desagregação altera drasticamente o resultado das projeções. Usar intervalos de cinco anos é o padrão, mas em populações pequenas ou com dinâmica migratória forte, intervalos de dez anos podem mascarar picos que realmente importam. Por exemplo, uma cohorte de jovens adultos de 20 a 29 anos que sai de uma cidade por emprego não aparece como problema se você agrupar tudo em 20-39. O pico de saída se dissolve e a projeção fica otimista demais para aquela faixa.
Pegadinhas comuns
A primeira é confiar cegamente na taxa de crescimento média. Se uma população cresceu 2% ao ano nos últimos dez anos, projetar 2% ao ano para os próximos vinte é uma armadilha. A transição demográfica não para no meio do caminho por consenso. Fecundidade brasileira caiu de 6,7 filhos por mulher em 1960 para 1,6 em 2022. Isso é um dato estrutural, não cyclical. A segunda pegada é ignorar a estrutura etária existente. Uma população com muitos idosos vai ter crescimento natural negativo mesmo que a fecundidade se mantenha. O Japão é o exemplo clássico, mas cidades do interior do Paraná e de Minas Gerais já estão nesse cenário sem chamar atenção.
Onde a demografia falha
Ela falha quando tenta prever eventos que não têm precedentes históricos. Uma pandemia, uma crise econômica súbita que gera migração em massa, uma mudança drástica na política de imigração. Modelos demográficos são inerentemente retrógrados porque usam dados passados para projetar o futuro. Se o passado deixa de ser relevante, o modelo entra em colapso e ninguém avisa. Para cenários assim, o mais honesto é apresentar múltiplas projeções com variáveis altas, médias e baixas, e deixar claro que a margem de erro explode a partir de quinze ou vinte anos. Projeções para dez anos adiante costumam ter margem de 3 a 8%. Para trinta anos, sai facilmente da casa dos 15 a 20%. Dados muito ruins podem elevar isso para 30% ou mais, especialmente em municípios pequenos.
Ferramentas que eu uso
Para análise séria, R com o pacote demography e a função poppr é o que dá mais controle. Planilhas do Excel servem para apresentações e cálculos rápidos, mas quebram com milhares de linhas de cohortes. Python também funciona bem, especialmente se você já tem um pipeline de processamento de dados existente. O software POPCOM do IBGE é útil para quem precisa de rapidez e não quer programar, mas limita bastante a customização. Oque a demografia estuda, no final das contas, é a dinâmica de populações humanas com rigor matemático. O que diferencia um trabalho bom de um ruim não é a complexidade do modelo, mas a qualidade dos dados de entrada e a honestidade sobre as limitações do que foi produzido.
