impacto_inclusp.Rmd

---
title: "Cotas para escola pública na USP e inclusão racial - Subsídios para discussão"
author: "Paulo Inácio Prado (Depto de Ecologia, IBUSP, prado@ib.usp.br)"
date: "`r format(Sys.time(), '%d de %B de %Y')`"
output:
  html_document:
    fig_width: 12
    fig_height: 6
    toc: true
    theme: united
  pdf_document:
    fig_width: 12
    fig_height: 6
    highlight: zenburn
---


```{r setOptions, include=FALSE, message=FALSE}
library(rmarkdown)
library(knitr)
library(dplyr)
library(tidyr)
library(ggplot2)
library(Hmisc)
```
```{r setup, include=FALSE}
knitr::opts_chunk$set(echo=FALSE)
```

# Contextualização

Este documento é resultado do debate sobre cotas raciais que ocorreu em
minha unidade, no âmbito da greve estudantil de 2016. Sou imensamente
grato aos estudantes e colegas do IB que nesse processo pautaram sua
ação no diálogo, respeito à divergência de ideias e no debate
fundamentado. Foi a atitude universitária dessas pessoas que me
estimulou a contribuir com as análises aqui apresentadas.

A primeira versão do documento é de 22 de junho de 2016. 
Desde então fiz pequenas correções e atualizações dos dados.
Embora algumas análises estejam restritas ao IB,
a maioria é sobre os dados de toda a USP. 
Divulgo-as na expectativa que contribuam para um debate
fundamentado sobre inclusão em nossa universidade. 
Um resumo das conclusões foi publicado em setembro de 2016 no
Jornal da USP [^7].

Desde 2016 as unidades unidades da USP podem destinar até 30% de suas vagas de graduação
para o SiSU – Sistema de Seleção Unificada do Ministério da Educação [^6].
Essas vagas podem ainda ser destinadas integral ou parcialmente a candidatos oriundos de escolas 
públicas e a candidatos que se autodeclaram *pretos, pardos ou indígenas* (PPI).

Uma das pautas da greve estudantil de 2016 foi a criação de cotas raciais no vestibular da USP.
Embora ainda não haja uma política de inclusão racial da USP como um todo, as vagas do SISU
criaram a oportunidade para as unidades promoverem alguma inclusão racial em
seus cursos. 


Em junho de 2016 os estudantes do Instituto de Biociências levaram o debate à Congregação,
que aprovou que
30% das vagas para o vestibular de sua graduação em Ciências Biológicas
seriam preenchidas pelo SISU. Todas as vagas foram destinadas exclusivamente
a candidatos que cursaram o ensino médio em escolas públicas. Além disso,
um terço dessas vagas foram destinadas exclusivamente a candidatos que se
declararem PPI.


# As metas de inclusão da  USP

Em 2013 a USP estabeleceu em seu  Plano Institucional [^1] as seguintes metas para 2018:

>"I- 50% (cinquenta por cento) dos alunos matriculados em cada curso e em cada turno tendo cursado integralmente o ensino médio em escolas públicas;
> 
>II – dentro desses 50% (cinquenta por cento) de matriculados oriundos de escolas públicas, o percentual de pretos, pardos e indígenas deverá atingir aquele verificado pelo último censo demográfico do IBGE."

O Programa de inclusão social da USP (INCLUSP) iniciou-se em 2007, 
concedendo bônus de 3% nas notas das duas fase dos vestibular para candidatos que cursaram todo ensino médio em escolas públicas.
Nos anos seguintes os critérios foram diversificados e valores de bônus foram gradativamente aumentados [^4].

A partir do vestibular de 2014
foi incluído um bônus adicional de 5% aos candidatos de escolas públicas 
que se identificarem como "pretos, pardos ou indígenas" (PPI).

Neste documento usei os dados 
da pesquisa de perfil socioeconômico dos
candidatos inscritos e matriculados pela FUVEST. 
A partir do ano de 2000 a pesquisa
pergunta a raça/cor dos candidatos, com as opções "branca", "preta", "parda", "amarela", "indígena".
Os dados da FUVEST não incluem as inscrições e matrículas pelo Sistema de Seleção Unificada do MEC (SISU),
usado pela USP desde 2016 para uma parcela das vagas. 

# Progresso das metas

## Proporção de oriundos de escolas públicas

O gráfico abaixo mostra a proporção dos matriculados após a última chamada de cada vestibular
que cursaram o ensino médio integralmente no ensino público (EP), segundo os dados da FUVEST.
São mostrados dados até 2015, quando a única via de ingresso era a FUVEST [^5].
De 2000 a 2015 a proporção de EP na USP passou de `r round(epf$p.publ[epf$ano==2000&epf$fase=="matriculado"]*100,0)`% para 
`r round(epf$p.publ[epf$ano==2015&epf$fase=="matriculado"]*100,0)`%. 
O IB teve uma proporção abaixo da observada na USP, mas
alcançou a média da universidade em 2014.
Para cumprir a meta seria preciso aumentar a proporção de EP em  
`r 50 - round(epf$p.publ[epf$ano==2015&epf$fase=="matriculado"]*100,0)`
pontos percentuais até 2018, sendo que foram necessários 15 anos para se avançar
`r round(epf$p.publ[epf$ano==2015&epf$fase=="matriculado"]*100,0) - round(epf$p.publ[epf$ano==2000&epf$fase=="matriculado"]*100,0)`
pontos.

```{r evolucao ep}
## Na USP
################################################################################
## Código para usar dados do anuario
## Os dados de 2014 e 2015 estao repetidos no anuario
## Por enquanto usei os dados da FUVEST, que ate 2015 expressam o total de matriculas
## NOTE QUE A PARTIR DE 2016 OS DADOS FUVEST NAO TÊM O TOTAL DE MATRICULAS DEVIDO AO SISU
## leitura dos dados
## ep <- read.csv2("ensino_medio.csv", as.is=TRUE)
## epf <- filter(ep, ano>1999 & fase=="matriculado") %>%
##     mutate(medio=ifelse(ensino.medio=="publica","Escola Pública", "Escola Particular"))%>%
##     group_by(ano, medio) %>%
##     summarise(matr=sum(n.anuario)) %>%
##     spread(medio, matr) %>%
##     as.data.frame()
## epf$p.publ <- epf[,3]/(epf[,2]+epf[,3])
################################################################################
## codigo para usar dados fuvest (substituir pelo acima quando anuario for corrigido
## leitura dos dados
epf <- read.csv2("ensino_medio_fuvest.csv", as.is=TRUE)
## Calculo das proporcoes
epf$p.publ <- epf$n.publica/epf$total.resp
## No IB
epIB <- read.csv2("ensin_medioIB.csv")
## Calculo proporcoes
epIB$p.publ <- epIB$n.publica/epIB$total.resp
```

```{r plot evolucao EP, fig.width=6.5, fig.height=5.5}
## Grafico
par(lwd=2)
plot(p.publ ~ ano, ylim=c(0,.55), data=epf, subset=fase=="matriculado"&ano<2016,
     type="l",
     xlab = "Ano", ylab="Proporção do total de matrículas", col="blue",
     main="Proporção de oriundos de EP entre matriculados")
lines(p.publ ~ ano, data=epIB, subset=fase=="matriculado"&ano<2016)
abline(h=0.5, lty=2, col="red")
legend("bottomright", c("USP", "IB", "Meta"), col=c("blue","black", "red"), lty=c(1,1,2), bty="n")
```

## Proporção de PPI entre oriundos de escola pública

O gráfico a seguir mostra a proporção de PPI entre os matriculados após a última chamada,
oriundos do INCLUSP. Esta proporção é a melhor aproximação da proporção de PPI entre os oriundos de
escola pública que podemos obter com os dados da FUVEST até 2015 [^2]. 
No primeiro vestibular com o programa INCLUSP, 
`r round(incl2$prop.ppi[incl2$ano==2007&incl2$fase=="matriculado"]*100,0)`% 
dos matriculados
que aderiram ao programa declararam-se PPI. Este indicador subiu 
`r round(incl2$prop.ppi[incl2$ano==2015&incl2$fase=="matriculado"]*100,0) - round(incl2$prop.ppi[incl2$ano==2007&incl2$fase=="matriculado"]*100,0)`
pontos percentuais até 2015, 
dos quais 
`r round(incl2$prop.ppi[incl2$ano==2015&incl2$fase=="matriculado"]*100,0) - round(incl2$prop.ppi[incl2$ano==2014&incl2$fase=="matriculado"]*100,0)`
pontos foram após o bônus racial (a partir de 2014). 
Para alcançar a meta no âmbito da USP será preciso subir mais 
`r 36.7 - round(incl2$prop.ppi[incl2$ano==2015&incl2$fase=="matriculado"]*100,1)`
pontos percentuais até 2018 [^3].
Note-se que isso implica em alcançar a meta na média geral da USP, mas não necessariamente em todos os cursos.

Não foi possível obter a proporção de PPI entre os matriculados INCLUSP do IB do site da FUVEST.
Para dar alguma referência, o gráfico mostra também a proporção de PPI no total de matriculados, 
na USP e no IB. Com a exceção de 2011, a proporção de PPI matriculados no IB esteve abaixo da observada
na USP.


```{r evolucao ppi}
## Cor entre todos da USP
## Leitura dos dados
cor <- read.csv2("cor.csv", as.is=TRUE)
cor$cor <- factor(cor$cor, levels=c("preta", "parda", "indígena", "amarela", "branca", "NR" ))
crit <- cor$cor=="preta"|cor$cor=="parda"|cor$cor=="indígena"
cor$ppi <- NA
cor$ppi[crit] <- "ppi"
cor$ppi[!crit] <- "no.ppi"
## proporcoes ppi
cor2 <- filter(cor, fase!="convocado") %>%
    group_by(ano, fase, ppi) %>%
    summarise(n.fuvest=sum(n.fuvest)) %>%
    spread(ppi, n.fuvest) %>%
    mutate(total=no.ppi+ppi, prop.ppi=ppi/total)
cor2$ic.low <- binconf(cor2$ppi, cor2$total, method="exact")[,2]
cor2$ic.up <- binconf(cor2$ppi, cor2$total, method="exact")[,3]

## Cor entre Inclusp na USP
##leitura dos dados
incl <- read.csv2("inclusp.csv", as.is=TRUE)
incl$cor <- factor(incl$cor, levels=c("preta", "parda", "indígena", "amarela", "branca", "NR" ))
incl$inclusp <- factor(incl$inclusp, levels=c("Inclusp", "Não Inclusp" ))
crit <- incl$cor=="preta"|incl$cor=="parda"|incl$cor=="indígena"
incl$ppi <- NA
incl$ppi[crit] <- "ppi"
incl$ppi[!crit] <- "no.ppi"
## proporcoes ppi
incl2 <- filter(incl, inclusp=="Inclusp") %>%
    group_by(ano, fase, ppi) %>%
    summarise(n.fuvest=sum(N)) %>%
    spread(ppi, n.fuvest) %>%
    mutate(total=no.ppi+ppi, prop.ppi=ppi/total)
incl2$ic.low <- binconf(incl2$ppi, incl2$total, method="exact")[,2]
incl2$ic.up <- binconf(incl2$ppi, incl2$total, method="exact")[,3]

## Cor no IB
corIB <- read.csv2("corIB.csv", as.is=TRUE)    
corIB$cor <- factor(corIB$cor, levels=c("preta", "parda", "indígena", "amarela", "branca", "NR" ))
crit <- corIB$cor=="preta"|corIB$cor=="parda"|corIB$cor=="indígena"
corIB$ppi <- NA
corIB$ppi[crit] <- "ppi"
corIB$ppi[!crit] <- "no.ppi"
## Proporcao por ano
corIB2 <- group_by(corIB, ano, fase, ppi) %>%
    summarise(n.fuvest=sum(n.fuvest)) %>%
    spread(ppi, n.fuvest) %>%
    mutate(total=no.ppi+ppi, prop.ppi=ppi/total)
corIB2$ic.low <- binconf(corIB2$ppi, corIB2$total, method="exact")[,2]
corIB2$ic.up <- binconf(corIB2$ppi, corIB2$total, method="exact")[,3]
```

```{r plot evolucao ppi, fig.width=6.5, fig.height=5.5}
## Grafico
par(lwd=2)
plot(prop.ppi ~ ano, ylim=c(0,.5), data=cor2, subset=fase=="matriculado"&ano<2016, type="l",
     xlab = "Ano", ylab="Proporção do total de matrículas", col="blue",
     main="Proporção de PPI entre matriculados")
lines(prop.ppi ~ ano, data=incl2, subset=fase=="matriculado"&ano<2015, col="green")
lines(prop.ppi ~ ano, data=corIB2, subset=fase=="matriculado"&ano<2016)
abline(h=0.367, lty=2, col="red")
legend("topleft", c("USP", "INCLUSP", "IB", "Meta"), col=c("blue","green", "black", "red"), lty=c(1,1,1,2), bty="n")
```


# Probabilidade de ingresso na USP

Os gráficos a seguir comparam a proporção de matriculados após a última chamada
em relação ao número de inscritos na FUVEST, separados por origem escolar e raça.
Os dados estão agregados em três períodos:

* Antes da criação do INCLUSP: 2000-2006
* Antes inclusão de bônus racial no INCLUSP: 2007-2013
* Após inclusão de bônus racial no INCLUSP: 2014-`r max(epf$ano)`

## Probabilidade de ingresso de oriundos da escola particular e pública

O gráfico a seguir mostra a proporção matriculados/inscritos para candidatos que cursaram
o ensino médio integralmente em escola pública ou não, em cada período. 
As barras são intervalos de confiança. Os traços pretos indicam a relação
candidato/vaga dos vestibulares em cada período.  Se houvesse igualdade de condições 
todas as proporções deveriam convergir para os valores da razão candidato/vaga. 

```{r escola publica x privada}
################################################################################
## Codigos que usam os dados do anuario
## usar apenas apos USP corrigir dados dos anuarios 2014-2015
## Relacao candidato/vaga
## ep <- read.csv2("ensino_medio.csv", as.is=TRUE)
## ep.cv <- filter(ep, ano>1999) %>%
##     spread(fase, n.anuario) %>%
##     mutate(periodo=cut(ano, breaks=c(1999,2006,2013,2015),
##                        labels=c("Antes Inclusp", "Inclusp sem bônus PPI", "Inclusp bônus PPI"))) %>%
##     group_by(periodo) %>%
##     summarise(inscr=sum(inscrito), matr=sum(matriculado)) %>%
##     mutate(p.matr = matr/inscr)
## Calculo das proporcoes
## ep.ad <- filter(ep, ano>1999, ensino.medio!="outros"&ensino.medio!="supletivo") %>%
##     mutate(medio=ifelse(ensino.medio=="publica","Escola Pública", "Escola Particular"))%>%
##     spread(fase, n.anuario) %>%
##     mutate(periodo=cut(ano, breaks=c(1999,2006,2013,2015),
##                        labels=c("Antes Inclusp", "Inclusp sem bônus PPI", "Inclusp bônus PPI"))) %>%
##     group_by(periodo, medio) %>%
##     summarise(inscr=sum(inscrito), matr=sum(matriculado)) %>%
##     mutate(p.matr = matr/inscr)
## ## Adiciona intervalos de confiança
## ep.ad$ic.low <- binconf(ep.ad$matr, ep.ad$inscr, method="exact")[,2]
## ep.ad$ic.up <- binconf(ep.ad$matr, ep.ad$inscr, method="exact")[,3]
################################################################################
##
## Estes codigos usam os dados FUVEST
## Usar até que USP corrija dados do anuario
## TODO: criar uma unica planilha com dados FUVEST e anuario, como ja feito para cor
ep.cv <-  mutate(epf, periodo=cut(ano, breaks=c(1999,2006,2013,max(epf$ano)),
                        labels=c("Antes Inclusp", "Inclusp sem bônus PPI", "Inclusp bônus PPI"))) %>%
    group_by(periodo, fase) %>%
    summarise(n.fuvest=sum(total.resp)) %>%
    spread(fase, n.fuvest) %>%
    mutate(p.matr = matriculado/inscrito)
ep.ad <- 
    mutate(epf, periodo=cut(ano, breaks=c(1999,2006,2013,max(epf$ano)),
                        labels=c("Antes Inclusp", "Inclusp sem bônus PPI", "Inclusp bônus PPI"))) %>%
    group_by(periodo, fase) %>%
    summarise(n.pub=sum(n.publica), n.part=sum(total.resp-n.publica)) %>%
    gather(var, n.fuvest, n.pub, n.part) %>%
    spread(fase, n.fuvest) %>%
    mutate(p.matr = matriculado/inscrito, medio=ifelse(var=="n.pub", "Escola Pública", "Escola Particular")) %>%
    select(periodo, medio, inscrito:p.matr)
## Adiciona intervalos de confiança
ep.ad$ic.low <- binconf(ep.ad$matriculado, ep.ad$inscrito, method="exact")[,2]
ep.ad$ic.up <- binconf(ep.ad$matriculado, ep.ad$inscrito, method="exact")[,3]
## Grafico
p3 <- ggplot(ep.ad, aes(periodo, p.matr))
p3 + geom_point(aes(colour=medio), size=4) +
    geom_linerange(aes(ymin=ic.low, ymax=ic.up, colour=medio), size=3, alpha=0.3) +
    scale_colour_discrete(name="Ensino médio") +
    theme_bw() +
    theme(axis.text= element_text(size=15),
          axis.title= element_text(size=17),
          strip.text.x = element_text(size=20),
          legend.text=element_text(size=14)) +
    labs(y="Razão Matriculados/Inscritos", x="") +
    annotate("segment", x=c(0.9,1.9, 2.9), xend=c(1.1,2.1,3.1),y=ep.cv$p.matr, yend=ep.cv$p.matr)
```

Antes da criação do INCLUSP, candidatos oriundos de escolas particulares tinham 
`r round(with(subset(ep.ad, periodo=="Antes Inclusp"), p.matr[1]/p.matr[2]),1)` 
vezes mais chance de 
ingressar na USP, comparados aos oriundos do ensino público. 
A desigualdade foi reduzida com o INCLUSP, especialmente após 2013, quando
houve aumento nos valores dos bônus e inclusão de bônus racial. Ainda assim, a probabilidade
de um candidato de escola particular ingressar continua maior (
`r round(with(subset(ep.ad, periodo=="Inclusp bônus PPI"), p.matr[1]/p.matr[2]),1)` 
vezes em relação ao candidato do ensino público).


## Probabilidade de ingresso de candidatos PPI

```{r PPI x brancos}
## Relacao candidato/vaga
cor.cv <- select(cor, ano, cor, fase,n.fuvest) %>%
    spread(fase, n.fuvest) %>%
    mutate(periodo=cut(ano, breaks=c(1999,2006,2013,max(cor$ano)),
                       labels=c("Antes Inclusp", "Inclusp sem bônus PPI", "Inclusp bônus PPI"))) %>%
    group_by(periodo) %>%
    summarise(inscr=sum(inscrito), matr=sum(matriculado)) %>%
    mutate(p.matr = matr/inscr)
## Calculo das proporcoes
cor.ad <- filter(cor, cor!="NR"&cor!="amarela"&fase!="convocado") %>%
    select(ano:cor,n.fuvest,ppi) %>%
    spread(fase, n.fuvest) %>%
    mutate(periodo=cut(ano, breaks=c(1999,2006,2013,max(cor$ano)),
                       labels=c("Antes Inclusp", "Inclusp sem bônus PPI", "Inclusp bônus PPI"))) %>%
    group_by(periodo, ppi) %>%
    summarise(inscr=sum(inscrito), matr=sum(matriculado)) %>%
    mutate(p.matr = matr/inscr, raca = ifelse(ppi=="ppi","PPI", "Brancos"))
## Intervalos de confiança
cor.ad$ic.low <- binconf(cor.ad$matr, cor.ad$inscr, method="exact")[,2]
cor.ad$ic.up <- binconf(cor.ad$matr, cor.ad$inscr, method="exact")[,3]
```

O gráfico a seguir mostra as proporções  matriculados/inscritos para
candidatos PPI e brancos, nos três períodos. No período 2000-2007, anterior
à criação do INCLUSP, a probabilidade de um candidato branco
ingressar era `r round(with(subset(cor.ad, periodo=="Antes Inclusp"), p.matr[1]/p.matr[2]),1)`
vezes maior do que de um candidato PPI. Novamente, a desigualdade se reduziu após
a criação do INCLUSP, e ainda mais a partir da inclusão do bônus racial.
Mesmo assim, a chance de um candidato branco ingressar a partir de 2014 foi 
`r round(with(subset(cor.ad, periodo=="Inclusp bônus PPI"), p.matr[1]/p.matr[2]),1)`
vez maior do que de um candidato PPI.

```{r grafico raça}
## Grafico
p2 <- ggplot(cor.ad, aes(periodo, p.matr))
p2 + geom_point(aes(colour=raca), size=4) +
    geom_linerange(aes(ymin=ic.low, ymax=ic.up, colour=raca), size=3, alpha=0.3) +
    scale_colour_discrete(name="Grupo Racial") +
    theme_bw() +
    theme(axis.text= element_text(size=15),
          axis.title= element_text(size=17),
          strip.text.x = element_text(size=20),
          legend.text=element_text(size=14)) +
    labs(y="Razão Matriculados/Inscritos", x="") +
    annotate("segment", x=c(0.9,1.9, 2.9), xend=c(1.1,2.1,3.1),y=cor.cv$p.matr, yend=cor.cv$p.matr)
```

# INCLUSP e inclusão racial

## Probabilidade de ingresso de PPI pelo INCLUSP e fora dele

O gráfico a seguir mostra a proporção matriculados/ingressantes de candidatos PPI e brancos,
dentro e fora do INCLUSP. A comparação foi feita entre os períodos em que
programa não tinha bônus racial (2007-2013) e após a inclusão deste bônus (a partir de 2014).

```{r comparacao racial com e sem inclusp}
## Relacao candidato/vaga
incl.cv <- spread(incl, fase, N) %>%
    mutate(periodo=cut(ano, breaks=c(2006,2013,max(incl$ano)), labels=c("Antes bônus PPI", "Após Bônus PPI"))) %>%
    group_by(periodo) %>%
    summarise(inscr=sum(inscrito), matr=sum(matriculado)) %>%
    mutate(p.matr = matr/inscr)
## Razao matriculados/inscritos
incl.ad <- filter(incl, cor!="NR"&cor!="amarela") %>%
    spread(fase, N) %>%
    mutate(periodo=cut(ano, breaks=c(2006,2013,max(incl$ano)), labels=c("Antes bônus PPI", "Após Bônus PPI"))) %>%
    group_by(periodo, inclusp, ppi) %>%
    summarise(inscr=sum(inscrito), matr=sum(matriculado)) %>%
    mutate(p.matr = matr/inscr, raca = ifelse(ppi=="ppi","PPI", "Brancos"))
## Intervalos de confiança
incl.ad$ic.low <- binconf(incl.ad$matr, incl.ad$inscr, method="exact")[,2]
incl.ad$ic.up <- binconf(incl.ad$matr, incl.ad$inscr, method="exact")[,3]
## Gafico
p1 <- ggplot(incl.ad, aes(periodo, p.matr))
p1 + geom_point(aes(colour=raca), size=4) +
    facet_grid(~inclusp) +
    geom_linerange(aes(ymin=ic.low, ymax=ic.up, colour=raca), size=3, alpha=0.3) +
    scale_colour_discrete(name="Grupo Racial") +
    theme_bw() +
    theme(axis.text= element_text(size=15),
          axis.title= element_text(size=17),
          strip.text.x = element_text(size=20),
          legend.text=element_text(size=14)) +
    labs(y="Razão Matriculados/Inscritos", x="") +
    annotate("segment", x=c(0.9,1.9), xend=c(1.1,2.1),y=incl.cv$p.matr, yend=incl.cv$p.matr)
```

Mesmo com o bônus, os candidatos INCLUSP tiveram menor probabilidade de ingresso. 
Mais importante, a 
desigualdade racial é maior no grupo de candidatos que aderiram ao
INCLUSP. Antes do bônus racial no INCLUSP, candidatos que se declararam
brancos tiveram uma chance de aprovação 
`r round(with(subset(incl.ad, periodo=="Antes bônus PPI"&inclusp=="Inclusp"), p.matr[1]/p.matr[2]),1)`
 vezes maior que os que se declararam PPI.
O bônus racial reduziu um pouco essa desigualdade 
(as chances dos brancos passaram a ser
`r round(with(subset(incl.ad, periodo=="Após Bônus PPI"&inclusp=="Inclusp"), p.matr[1]/p.matr[2]),1)` 
vezes maiores no INCLUSP), 
mas os candidatos PPI oriundos de escola pública são ainda o grupo com menor
probabilidade de ingresso. 

Portanto, inclusão socioeconômica não é capaz de reduzir desigualdades raciais,
porque essas desigualdades estão presentes em todos os estratos socioeconômicos.
No caso em análise, o quadro é ainda pior, pois as desigualdades raciais se acentuam 
justo no estrato mais carente.

## Perfil econômico e racial de inscritos no INCLUSP

### Renda familiar

```{r renda inclusp}
renda <- read.csv2("inclusp2015renda.csv", as.is=TRUE)
renda$salario <- factor(renda$salario, levels=c("<1", "1-2", "2-3", "3-5", "5-7", "7-10", "10-15", "15-20", ">20"))
renda$n.rel <- renda$n.rel.c <- NA
renda$n.rel[renda$inclusp] <- renda$N[renda$inclusp]/sum(renda$N[renda$inclusp])
renda$n.rel.c[renda$inclusp] <- cumsum(renda$n.rel[renda$inclusp])
renda$n.rel[!renda$inclusp] <- renda$N[!renda$inclusp]/sum(renda$N[!renda$inclusp])
renda$n.rel.c[!renda$inclusp] <- cumsum(renda$n.rel[!renda$inclusp])
```

A análise acima pressupõe que os candidatos que se inscrevem no INCLUSP
pertencem a estratos de menor renda. Para demonstrar essa premissa, 
o gráfico a seguir mostra a proporção
dos candidatos do vestibular de 2015 em faixas de renda,
nos dois grupos (optantes e não optantes pelo INCLUSP).
O grupo de optantes pelo INCLUSP claramente tem menor renda 
familiar.
Por exemplo, `r round(sum(renda$n.rel[renda$inclusp][1:4])*100,0)`% 
dos candidatos que optaram pelo INCLUSP declararam renda
familiar de até 5 salários mínimos. Entre os que não
optaram o percentual é de 
`r round(sum(renda$n.rel[!renda$inclusp][1:4])*100,0)`%.


```{r plot renda inclusp, fig.width=6.5, fig.height=5.5}
ggplot(renda, aes(salario, n.rel, fill=inclusp)) +
    geom_bar(stat="identity", position="dodge") +
    scale_fill_discrete(name="Inclusp", labels=c("NÃO", "SIM")) +
    ylab("Proporção dos candidatos")+
    xlab("Renda familiar em salários mínimos") +
    theme_bw() +
    theme(axis.text= element_text(size=15),
          axis.title= element_text(size=17),
          strip.text.x = element_text(size=20),
          legend.text=element_text(size=14))
```

### Cor declarada

```{r ppi em nao inclusp}
incl3 <- filter(incl, inclusp=="Não Inclusp") %>%
    group_by(ano, fase, ppi) %>%
    summarise(n.fuvest=sum(N)) %>%
    spread(ppi, n.fuvest) %>%
    mutate(total=no.ppi+ppi, prop.ppi=ppi/total)
incl2$ic.low <- binconf(incl2$ppi, incl2$total, method="exact")[,2]
incl2$ic.up <- binconf(incl2$ppi, incl2$total, method="exact")[,3]
```
O grupo de inscritos que optaram pelo INCLUSP também difere
marcadamente do grupos dos que não optaram pelo INCLUSP em termos raciais.
O gráfico a seguir mostra, à esquerda, a proporção de inscritos no vestibular
que se declararam PPI nesses dois grupos. Não houve muita
variação entre os anos, e em todo o período 
`r round(sum(incl2$ppi[incl2$fase=="inscrito"])/sum(incl2$total[incl2$fase=="inscrito"])*100,0)`%
dos inscritos INCLUSP se declararam PPI.
Entre os inscritos que não estavam no INCLUSP
`r round(sum(incl3$ppi[incl2$fase=="inscrito"])/sum(incl3$total[incl2$fase=="inscrito"])*100,0)`%
se declararam PPI no período.

O gráfico da esquerda mostra a proporção dos matriculados que se declaram PPI
nos dois grupos. A proporção de PPI aprovados entre os que não optaram pelo INCLUSP
é bem parecida com a observada entre os inscritos neste grupo 
(`r round(sum(incl3$ppi[incl2$fase=="matriculado"])/sum(incl3$total[incl2$fase=="matriculado"])*100,0)`% no período)
No entanto, a proporção de PPI aprovados entre os que optaram pelo INCLUSP é
claramente menor do que entre os inscritos
(`r round(sum(incl2$ppi[incl2$fase=="matriculado"])/sum(incl2$total[incl2$fase=="matriculado"])*100,0)`%). 
Como já indicado acima, isso indica um viés de seleção racial, muito mais acentuado no estrato que optou
pelo programa de inclusão social.


```{r plot ppi no INCLUSP e nao INCLUSP}
par(lwd=2, mfrow=c(1,2))
plot(prop.ppi ~ ano, ylim=c(0,.45), data=incl2, subset=fase=="inscrito", type="l",
     xlab = "Ano", ylab="Proporção do total de inscritos", col="blue",
     main="Proporção de PPI entre os inscritos")
lines(prop.ppi ~ ano, data=incl3, subset=fase=="inscrito", col="red")
plot(prop.ppi ~ ano, ylim=c(0,.45), data=incl2, subset=fase=="matriculado", type="l",
     xlab = "Ano", ylab="Proporção do total de matriculados", col="blue",
     main="Proporção de PPI entre os matriculados")
lines(prop.ppi ~ ano, data=incl3, subset=fase=="matriculado", col="red")
legend("topright", c("INCLUSP", "NÃO INCLUSP"), col=c("blue","red"), bty="n", lty=1)
```

# Fonte de dados

Os dados foram obtidos do site da FUVEST (http://www.fuvest.br/, seção "Estatísticas" > "Questionário de Avaliação Sócio-Econômica"), usando os agrupamentos "Total carreiras USP" e "Candidatos que optaram pelo Inclusp". Compilei também, dados dos anuários da USP, embora não tenha usado nessas análises (ver notas, abaixo).

As planilhas, códigos R e fonte deste documento estão no repositório público https://github.com/piLaboratory/inclusp .
Críticas e sugestões podem ser enviadas como [pull requests](https://github.com/piLaboratory/inclusp/pulls), [issues](https://github.com/piLaboratory/inclusp/issues) ou para <prado@ib.usp.br>.

## Lista das planilhas compiladas

### USP

* Número de inscritos, convocados e matriculados, por origem escolar
  (escola pública, particular, etc). Dados do anuário da USP, 1987-2015 :
  [ensino_medio.csv](ensino_medio.csv)
* Número de inscritos e matriculados, por origem escolar
  (escola pública, particular, etc). Dados do anuário da FUVEST, 2000-2016 :
  [ensino_medio_fuvest.csv](ensino_medio_fuvest.csv)
* Número de inscritos e matriculados, por adesão ao INCLUSP e 
  cor autodeclarada. Dados da FUVEST, 2007-2016 :
  [inclusp.csv](inclusp.csv)
* Número de inscritos e matriculados por adesão ao INCLUSP e faixas de
  renda familiar. Dados FUVEST, 2015-2016: [inclusp_renda.csv](inclusp_renda.csv)
* Número de inscritos, convocados e matriculados, por cor
  autodeclarada, dados do anuário da USP e da Fuvest, 2000 - 20016:
  [cor.csv](cor.csv)

### IB
* Número de inscritos, convocados e matriculados, por cor
  autodeclarada, dados do anuário da USP e da Fuvest, 2000 - 20016:
  [corIB.csv](corIB.csv)
* Número de inscritos, convocados e matriculados, por origem escolar
  (escola pública, particular, etc). Dados do anuário da USP, 1987-2015 :
  [corIB.csv](ensino_medioIB.csv)
  
[^1]: RESOLUÇÃO Nº 6583, DE 4 DE JULHO DE 2013, http://www.leginf.usp.br/?resolucao=resolucao-no-6583-de-4-de-julho-de-2013

[^2]: Os dados divulgados não permitem cruzar diretamente a pergunta sobre raça e onde cursou o ensino médio. No entanto, estão disponíveis os dados sobre raça dos optantes pelo Inclusp. Para optar pelo Inclusp é preciso ter cursado o ensino médio integralmente em escola pública. É possível que alguns candidatos com este perfil não tenham se inscrito no Inclusp, mas dadas as vantagens de se inscrever isso não deve alterar muito os resultados. Por exemplo, no vestibular de 2015 todos que responderam ter cursado o ensino médio em escola pública optaram pelo Inclusp.

[^3]: Cálculo feito tomando a proporção de pessoas que se declaram como PPI no Censo de 2010, no Estado
de São Paulo (36,7%). Segundo este mesmo censo a proporção de PPI na população brasileira é de 55,2%.

[^4]: Ver linha do tempo na edição especial sobre inclusão do Jornal da USP : http://jornal.usp.br/especial/

[^5]: O anuário da USP (https://uspdigital.usp.br/anuario/) seria uma fonte alternativa, mas não está claro se totaliza os inscritos e matriculados pela FUVEST e SISU. Além disso, os dados da pesquisa sócio-econômica ("características pessoais dos candidatos" no anuário) de 2014 e 2015 estão repetidos, indicando um possível erro de divulgação. Por fim, há outras diferenças entre os números do anuário e da FUVEST em váriso anos anteriores a 2014. Até que essas questões sejam resolvidas me restringi aos dados disponibilizados pela FUVEST.

[^6]: Normas e vagas no site da Pró-reitoria de Graduação da USP: http://www.prg.usp.br/?page_id=19592

[^7]: Cotas raciais não promovem inclusão racial, por Paulo Inácio
    Prado. Jornal da USP, 23/09/2016. http://jornal.usp.br/artigos/cotas-sociais-nao-promovem-inclusao-racial/