Introdução

No início da semana li uma notícia que me deixou intrigado. As deputadas estaduais do PSL de São Paulo Janaina Paschoal, Leticia Aguiar e Valeria Bolsonaro apresentaram um projeto de lei (PL 1.174/2019) que restringe às profissionais mulheres os cuidados íntimos de crianças na Educação Infantil, tais como trocar fralda, dar banho e ajudar a ir ao banheiro. No texto do projeto, a seguinte justificativa é dada:

“Em Araçatuba, no interior do estado de São Paulo, professores homens foram admitidos, em concurso, nas instituições públicas de ensino infantil, e esse movimento teria causado preocupação e insegurança nas mães. Elas estariam temendo algum tipo de abuso sexual contra os menores.”

Abuso sexual de menores é algo que causa revolta em todos e é muito difícil de discutir de forma imparcial. Para um pai, seu filho sofrer violência sexual em qualquer uma de suas formas, é um dos piores cenários imagináveis. Faria absolutamente qualquer coisa para minimizar a probabilidade que esse tipo de violência ocorra. Por outro lado, restrição proposta aos homens pela lei promove discriminação, uma vez que ao classificar todos os homens como pedófilos em potencial, visa impedir que trabalhos historicamente exercidos por mulheres sejam também exercidos, em sua plenitude, por homens. Ou seja, é possível argumentar que essa lei incentiva a desigualdade de gênero. Para discutir o tema com clareza e objetividade, é importante definir o que queremos dizer por discriminação. Usarei aqui a definição do site Diferença:

“O preconceito é uma opinião feita de forma superficial em relação a determinada pessoa ou grupo, que é baseada em estereótipos, não em uma experiência real ou na razão. A discriminação refere-se ao tratamento injusto ou negativo de uma pessoa ou grupo, por ela pertencer a certo grupo (como etnia, idade ou gênero). É o preconceito em forma de ação.”

A lógica do projeto de lei, ao impedir que profissionais do sexo masculino possam auxiliar crianças com cuidados íntimos, é que nesse cenário o cuidador estaria sozinho com a criança, a qual está mais exposta do que normalmente. Como a maioria dos casos de violência sexual são cometidos por homens, se TODOS eles forem impedidos de interagir com crianças nessas situações, pressupõem-se que centenas de casos de violência sexual seriam evitados.

Neste post analisaremos dados sobre violência sexual para avaliar quantos casos seriam potencialmente evitados se a proposta de lei for aprovada. Também avaliaremos quantos homens professores em escolas seriam afetados pela proposta.

Estatísticas sobre violência sexual

Meu objetivo principal nessa seção é avaliar quantos casos de violência sexual serão potencialmente evitados, por ano, se o projeto de lei discutido anteriormente for aprovado. Antes de analisar os dados sobre violência sexual, é importante ressaltar que qualquer tipo de estatística sobre o assunto sofre de graves problemas embora a notificação desse crime seja obrigatória¹. Não sabemos quantos crimes de fato ocorreram e não foram informados. Além disso, existe a questão de registritos imcompletos, pois mesmo quando esses crimes são informados, uma grande quantidade de informações não é declarada, especialmente no que diz respeito a informações sobre o agressor.

Mas vamos tentar analisar a questão com os dados disponíveis. A fonte de dados utilizada nessa análise é o Sistema de Informação de Agravos de Notificação (Sinan Net), disponibilizado pelo Ministério da Saúde. Nessa base de dados, estão registrados as violências sexuais contra crianças e adolescentes notificadas pelos serviços de saúde, no período de 2011 a 2017. São considerados crianças indivíduos com até 9 anos, e adolescentes indivíduos com idade entre 10 e 19. São classificados como violência sexual os seguintes crimes: assédio, estupro, pornografia infantil e exploração sexual, que podem se manifestar das seguintes maneiras: abuso incestuoso; sexo forçado no casamento; jogos sexuais e práticas eróticas não consentidas; pedofilia; voyeurismo; manuseio; penetração oral, anal ou genital, com pênis ou objetos, de forma forçada. Inclui, também, exposição coercitiva/constrangedora a atos libidinosos, exibicionismo, masturbação, linguagem erótica, interações sexuais de qualquer tipo e material pornográfico.

O Sinan Net, além de conter informações sobre a vítima, também geralmente permite identificar algumas informações sobre o provável autor da violência sexual, como sexo e vínculo com a vítima. Considerando as notificações de 2011 a 2017, o provavél autor era homem em 81,6% dos casos, mulher em 4% e ambos os sexos (mais de um autor) em 3,1%. O sexo do agressor, nos outros 11,4% dos casos, não foi informado . Para simplificar nossas contas, iremos repercentualizar essas estatísticas para que a soma seja 100%, ignorando os casos de autor desconhecido e contabilizando os casos com ambos os sexos para homens e para mulheres. Dessa forma obtemos que 92% dos casos de violência sexual contra crianças são cometidos por homens, e 8% por mulheres. Também é possível identificar o local de ocorrência da violência: 69.2% dos casos ocorreram na residência da vítima, 4.6% em escolas e 12.6% em outros lugares. O local de aggressão não foi informado em 12,8%.

Para a nossa análise, utilizarei como referência apenas os dados de 2017 do Sisan Net. Restringi os números de vítimas a indivíduos com até 14 anos, pois pouquíssimos adolescente acima dessa idade precisariam de auxílio com cuidados íntimos (com exceção, é claro, de portadores de deficiência). Esse referencial é o mesmo utilizado para as estatísticas citadas na conclusão do post.

Em 2017 foram registrados 22.303 casos de violência sexual, sendo 724 desses na escola. Pressupondo que a proporção de agressores do sexo masculino é a mesma para crimes cometidos dentro e fora da escola, teríamos um total de 666 casos de violência sexual, cometidos dentro das escolas por homens. Esse é o número de casos que seriam evitados em 1 ano com a aprovação da proposta de lei. Também estamos supondo que a sub-notificação é de zero casos e que a não-resposta é ignorável. Ou seja, essa estimativa não é muito precisa pois foram feitas muitas suposições para ser calculada, porém ela serve para a discussão a que esse post se propõem.

Um outro aspecto a ser analisado nesses dados é a questão da discriminação contra os homens nesse contexto. Para entender melhor o que isso representa do ponto de vista estatístico, é importante calcular qual é probabilidade condicional de um indivíduo cometer o crime de violência sexual dado o fato de que é um homem. Essa é a probabilidade de um homem qualquer cometer esse tipo de crime. Essa probabilidade é bastante diferente da probabilidade condicional de um indivíduo ser homem dado que cometeu violência sexual. Esta última probabilidade é de 92%, como vimos acima. Ou seja, é bastante provável que quem comete um crime de violência sexual seja um homem, porém também nos interessa saber quão provável é que um homem qualquer cometa esse tipo de crime.

Para responder a essa pergunta teremos que fazer mais algumas suposições, além das suposições já mencionadas acima. A principal delas é de que cada crime de violência sexual foi cometido por um agressor diferente. Dessa forma, sabemos que o número de agressores é igual ao número de crimes. Além disso, vamos considerar que todos os agressores têm entre 18 e 65 anos. Essa suposição foi feita apenas para deixar claro o universo de homens sendo considerado.

Entender probabilidades condicionais pode ser complicado. Uma forma de facilitar sua compreensão é utilizar uma árvore de freqüência, como na figura 1. Nessa árvore calculamos o número de pessoas de cada sexo levando em consideração se cometeu ou não violência sexual. Sabemos que houveram 22.303 agressoes em 2017, e dessas vamos supor que 20.519 foram cometidas por homems e 1.784 por mulheres, na base dos percentuais apresentados anteriormente. Também sabemos que em 2017, de acordo com a Pesquisa Nacional por Amostragem (PNAD), do Instituto Brasileiro de Geografia e Estatística (IBGE), haviam 135.925.655 pessoas com a idade entre 18 e 65 residindo no Brasil. Dessas, um total de 65.238.506 eram homens e 70.687.149 eram mulheres. Todas estas informaçoes estão no gráfico abaixo, sendo que na penúltima coluna mostramos o número de pessoas em cada um dos quatro grupos principais: Homens que cometeram (HC) e que não cometeram violência sexual (HS); e Mulheres que cometeram (MC) e que não cometeram violência sexual (MS).

require(DiagrammeR)

widget <- grViz("
digraph dot {

graph [layout = dot, pad=0.5, fontsize = 14, nodesep = 0.8, ranksep = 0.25, rankdir = LR]

splines=false;

node [shape = plaintext,
      fillcolor = white,
      label = 'População']
l1

node [shape = plaintext,
      fillcolor = white,
      label = 'Sexo']
l2

node [shape = plaintext,
      fillcolor = white,
      label = 'Violência Sexual']
l3

node [shape = plaintext,
      fillcolor = white,
      label = 'Sigla']
l4


edge [color = white,
      label = '']
l1 -> l2

edge [color = white,
      label = '']
l2 -> l3

edge [color = white,
      label = '']
l3 -> l4


node [shape = Mrecord,
      style = filled,
      fixedsize = true,
      width=1.4,
      height=0.6,
      fontname = Helvetica,
      color = DimGray]

node [fillcolor = gray,
      label = '135 milhões']
p

node [fillcolor = lightblue,
      label = '65.238.506']
h

node [fillcolor = OliveDrab,
      label = '20.519']
ha

node [fillcolor = Gold,
      label = '65.217.987']
hn

node [fillcolor = none,
      color=none,
      height=0.7,
      label = '']
nada

edge [color = none,
      label = '']
p -> nada

node [fillcolor = Crimson,
      height=0.6,
      color = DimGray,
      label = '70.687.149']
m

node [fillcolor = OliveDrab,
      height=0.6,
      color = DimGray,
      label = '1.784']
ma

node [fillcolor = Gold,
      height=0.6,
      color = DimGray,
      label = '70.685.365']
mn

edge [color = grey,
      label = 'Homem']
p -> h

edge [color = grey,
      label = 'Mulher']
p -> m

edge [color = grey,
      label = 'Com Violência']
h -> ha

edge [color = grey,
      label = 'Sem Violência']
h -> hn

edge [color = grey,
      label = 'Com Violência']
m -> ma

edge [color = grey,
      label = 'Sem Violência']
m -> mn

node [shape = plaintext,
      fillcolor = white,
      label = 'HC']
sig1

node [shape = plaintext,
      fillcolor = white,
      label = 'HS']
sig2

node [shape = plaintext,
      fillcolor = white,
      label = 'MC']
sig3

node [shape = plaintext,
      fillcolor = white,
      label = 'MS']
sig4

edge [color = none,
      label = '']
ha -> sig1

edge [color = none,
      label = '']
hn -> sig2

edge [color = none,
      label = '']
ma -> sig3

edge [color = none,
      label = '']
mn -> sig4


}")

widget$width <- "100%"
widget

Utilizando as siglas definidas nessa figura, é possível calcular a probabilidade condicional desejada. A probabilidade de um indivíduo cometer violência sexual dado que é um homem é dada por \(P(Violência\ Sexual|Homem) = \frac{HC}{HC+HS} = 0.031\%\). Ou seja, a probabilidade de um homem qualquer cometer esse crime é ínfima, porém a mesma probabilidade condicionada ao indivíduo ser mulher é 12 vezes menor, dada por \(P(Violência\ Sexual|Mulher) = \frac{MC}{MC+MS} = 0.00025\%\). Essas probabilidades mostram que, apesar de 92% dos crimes de violência sexual serem cometidos por homens, é extremamente raro que um homem cometa esse crime. Será que é justo tratar todos os homens como se fossem potenciais executores desse tipo de crime?

Estatísticas sobre professores trabalhando em escolas

Agora sabemos quantos crimes de violência sexual podem ser potencialmente evitados; porém também é importante avaliar o outro lado. Quantos professores de escolas serão proibidos de exercer plenamente a sua função, por serem homens e não mulheres?

Para responder a essa pergunta, utilizamos os microdados do censo escolar da Educação Básica de 2016. O Censo Escolar é o principal instrumento de coleta de informações da educação básica brasileira e é coordenado pelo Instituto Nacional de Estudos e Pesquisas Educacionais (INEP). A coleta de dados das escolas tem caráter declaratório e é dividida em duas etapas. A primeira etapa consiste no preenchimento da Matrícula Inicial, quando ocorre a coleta de informações sobre os estabelecimentos de ensino, gestores, turmas, alunos e profissionais escolares em sala de aula. A segunda etapa ocorre com o preenchimento de informações sobre a Situação do Aluno, e considera os dados sobre o movimento e rendimento escolar dos alunos ao final do ano letivo. Os microdados desse censo escolar podem ser baixados nesse site.

Os microdados do censo escolar contém quatro bases de dados distintas: sobre as escolas, sobre os professores, sobre as matrículas e sobre o rendimento dos alunos. Nessa análise, consideraremos apenas as informações sobre os professores que lecionam em uma das quatro etapas descritas abaixo:

1. Educação Infantil - Creche
2. Educação Infantil - Pré-escola
3. Educação Infantil - Unificada
4. Educação Infantil e Ensino Fundamental (8 e 9 anos) Multietapa

url <- "download.inep.gov.br/microdados/micro_censo_escolar_2016.zip"

dir = tempdir()
file.data = tempfile(tmpdir=dir, fileext=".zip")
download.file(url,file.data,method="curl")
unzip(zipfile=file.data,exdir=dir,junkpaths=TRUE)

files <- dir(path=dir,pattern="^DOCENTES",full.names = TRUE)
dados <- map_df(files,~select(read_delim(.,delim = "|",col_names = TRUE),NU_IDADE,TP_SEXO,TP_COR_RACA,TP_ETAPA_ENSINO))

vals <- c(1, 2, 3, 56, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 41, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 64, 68, 65, 67, 69, 70, 71, 72, 73, 74)
labels <- c("Educação Infantil - Creche", "Educação Infantil - Pré-escola", "Educação Infantil - Unificada", "Educação Infantil e Ensino Fundamental (8 e 9 anos) Multietapa", "Ensino Fundamental de 8 anos - 1ª Série", "Ensino Fundamental de 8 anos - 2ª Série", "Ensino Fundamental de 8 anos - 3ª Série", "Ensino Fundamental de 8 anos - 4ª Série", "Ensino Fundamental de 8 anos - 5ª Série", "Ensino Fundamental de 8 anos - 6ª Série", "Ensino Fundamental de 8 anos - 7ª Série", "Ensino Fundamental de 8 anos - 8ª Série", "Ensino Fundamental de 8 anos - Multi", "Ensino Fundamental de 8 anos - Correção de Fluxo", "Ensino Fundamental de 9 anos - 1º Ano", "Ensino Fundamental de 9 anos - 2º Ano", "Ensino Fundamental de 9 anos - 3º Ano", "Ensino Fundamental de 9 anos - 4º Ano", "Ensino Fundamental de 9 anos - 5º Ano", "Ensino Fundamental de 9 anos - 6º Ano", "Ensino Fundamental de 9 anos - 7º Ano", "Ensino Fundamental de 9 anos - 8º Ano", "Ensino Fundamental de 9 anos - 9º Ano", "Ensino Fundamental de 9 anos - Multi", "Ensino Fundamental de 9 anos - Correção de Fluxo", "Ensino Fundamental de 8 e 9 anos - Multi 8 e 9 anos", "Ensino Médio - 1ª Série", "Ensino Médio - 2ª Série", "Ensino Médio - 3ª Série", "Ensino Médio - 4ª Série", "Ensino Médio - Não Seriada", "Curso Técnico Integrado (Ensino Médio Integrado) 1ª Série", "Curso Técnico Integrado (Ensino Médio Integrado) 2ª Série", "Curso Técnico Integrado (Ensino Médio Integrado) 3ª Série", "Curso Técnico Integrado (Ensino Médio Integrado) 4ª Série", "Curso Técnico Integrado (Ensino Médio Integrado) Não Seriada", "Ensino Médio - Normal/Magistério 1ª Série", "Ensino Médio - Normal/Magistério 2ª Série", "Ensino Médio - Normal/Magistério 3ª Série", "Ensino Médio - Normal/Magistério 4ª Série", "Curso Técnico - Concomitante", "Curso Técnico - Subsequente", "Curso Técnico Misto (Concomitante e Subsequente)", "Curso FIC Concomitante", "EJA - Ensino Fundamental - Projovem Urbano", "Curso FIC integrado na modalidade EJA  - Nível Médio", "EJA - Ensino Fundamental - Anos Iniciais", "EJA - Ensino Fundamental - Anos Finais", "EJA - Ensino Médio", "EJA - Ensino Fundamental - Anos Iniciais e Anos Finais", "Curso FIC integrado na modalidade EJA - Nível Fundamental (EJA integrada à Educação Profissional de Nível Fundamental)", "Curso Técnico Integrado na Modalidade EJA (EJA integrada à Educação Profissional de Nível Médio)")

df <- dados %>% mutate(
  sexo = factor(TP_SEXO,levels=1:2,labels=c("Masculino","Feminino")),
  raca = factor(TP_COR_RACA,levels=0:5,labels=c('Não declarada','Branca','Preta','Parda','Amarela','Indígena')),
  etapa = factor(TP_ETAPA_ENSINO, levels=vals,labels=labels),
  etapa_chr = as.character(etapa)
) %>% filter(str_detect(etapa_chr,"Infantil"))

df.tot <- df %>% group_by(sexo) %>% count()
df.tot$etapa_chr <- "Total" 
df <- df %>% group_by(etapa_chr,sexo) %>% count()
df <- df %>% bind_rows(df.tot)

df <- df %>% spread(sexo,n)
df$prop.homem= df$Masculino / (df$Masculino + df$Feminino)

Nesse universo existem 991.789 professores, sendo que 65.636 deles são homens, representando apenas 6% do contingente total. Assim, se o projeto de lei for aprovado, 65.636 professores serão potencialmente atingidos, deixando de poder exercer uma parte de suas funções por serem do sexo masculino ou até não serem contratados por não poderem exercer todas as funções do cargo.

Muitas suposições foram feitas, os dados têm problemas, as questões discutidas são complexas, porém no final das contas factíveis de serem feitas, o saldo da lei seria a redução de 666 casos de violência sexual em um ano ao custo de castigar 65.636 professores homens. Em média, quase 100 professores por criança. Claro que essa conta é apenas um racionalização extremamente fria da questão, e muito provavelmente, se o trauma pudesse ser medido de forma objetiva, a criança que é vítima de violência sexual sofre um trauma 100 vezes maior que o trauma do professor sendo tratado como um criminoso.

No entanto, a questão não precisa ser qual é maior, e sim como podemos evitar os dois, visto que a grande maioria dos envolvidos nessa questão são inocentes. Alternativas como sempre haver 2 professores quando cuidados íntimos são realizados em crianças, por exemplo, parecem mais interessantes do que a proibição dos professores homens, apesar do custo potencialmente alto.

Conclusão

Eu tenho duas filhas de 7 anos, e não gosto nem de imaginar como seria traumático para elas (e para mim) passarem por algum tipo de violência sexual. Por outro lado, sou homem, e de fato acredito em direitos iguais para ambos os sexos. Honestamente não gosto do tipo de preconceito implícito nesse projeto de lei.

Minha preocupação é sobre o racional por trás dessa lei, sobre se o final justifica os meios, e sobre o futuro que eu imagino para os brasileiros. Como qualquer outro pai, se eu fosse OBRIGADO a escolher entre evitar que minha filha sofresse uma violência sexual e um professor perder seus direitos, não tenho dúvidas que escolheria minha filha. Minha filha versus 100 professores? Minha filha sem dúvida. Minha filha versus todos os professores? Minha filha!

Mas a verdade é que não são essas as escolhas que têm que ser feitas. Mesmo retirando todos os professores homens, ainda ocorreriam 58 crimes de violência sexual cometidos por professoras. Qual o próximo passo, proibir mulheres também? E depois disso, como lidaremos com os 14.873 casos de violência sexual cometidos nas casas das criancas, em grande parte pelos próprios pais? Esses crimes ocorrem com freqüência 20 vezes maior na casa da vítima do que na escola. Se seguirmos essa linha de raciocínio, de proibir grupos de pessoas porque alguns elementos desses grupos cometem crimes, quem vai sobrar? É apenas questão de tempo até que você, leitor, seja classificado em algum grupo que perderá seus direitos por causa de alguns poucos membros.

Pense não só sobre o futuro que você imagina para esse país, mas também sobre o presente, pois como disse Nick Harkaway, um escritor inglês:

“E não me diga que o fim justifica os meios porque não é verdade. Nós nunca chegamos no fim. Tudo que temos são os meios. É com isso que vivemos.”