5. Composição e séries históricas
5.1 Composição anual por categoria
Fundos de Participação e Educação dominam, respondendo por mais de 80% do total. O crescimento nominal é contínuo ao longo da série.
tc_anual_cat <- tc_pe |>
group_by(ano, categoria) |>
summarise(valor = sum(valor, na.rm = TRUE), .groups = "drop") |>
mutate(valor_bi = valor / 1e9)
p1 <- ggplot(tc_anual_cat, aes(ano, valor_bi, fill = categoria)) +
geom_col(width = 0.9, alpha = 0.9) +
scale_fill_manual(values = cores_cat) +
scale_y_continuous(
labels = label_number(suffix = " bi", decimal.mark = ","), expand = c(0, 0)
) +
labs(
title = glue("Transferências Constitucionais para Municípios de PE em {ultimo_ano}"),
subtitle = "Valores nominais anuais, em R$ bilhões",
x = "Ano", y = "Transferências"
) +
scale_x_discrete(expand = c(0, 0)) + tema_tc
p2 <- ggplot(tc_anual_cat, aes(ano, valor_bi, fill = categoria)) +
geom_col(position = "fill", width = 0.9, alpha = 0.9) +
scale_fill_manual(values = cores_cat) +
scale_y_continuous(labels = label_percent(), expand = c(0, 0)) +
labs(subtitle = "Composição percentual por categoria", x = NULL, y = NULL) +
scale_x_discrete(expand = c(0, 0)) + tema_tc
p1 / p2 + plot_layout(guides = "collect") &
theme(legend.position = "bottom")
5.2 Séries mensais das principais categorias
A sazonalidade é marcante: dezembro e julho concentram repasses extraordinários (decêndios adicionais de FPM e complementação FUNDEB).
tc_mensal_cat <- tc_pe |>
group_by(data, categoria) |>
summarise(valor = sum(valor, na.rm = TRUE), .groups = "drop") |>
mutate(valor_milhoes = valor / 1e6)
tc_mensal_cat |>
filter(
data < max(data),
!categoria %in% c("Royalties e Recursos Naturais", "Transferências Especiais")
) |>
ggplot(aes(data, valor_milhoes, color = categoria)) +
geom_line(linewidth = 0.4, alpha = 0.5) +
geom_point(size = 0.5) +
facet_wrap(~categoria, scales = "free_y", ncol = 1) +
scale_color_manual(values = cores_cat) +
scale_x_date(date_labels = "%Y", date_breaks = "1 year") +
scale_y_continuous(labels = label_number(big.mark = ".", decimal.mark = ",")) +
labs(title = "Principais Séries Mensais por Categoria",
subtitle = "Valores nominais em R$ milhões",
x = "Ano", y = "Transferências em R$ milhões") +
tema_tc +
theme(legend.position = "none",
strip.background = element_rect(fill = "black", color = NA),
strip.text = element_text(color = "white", face = "bold"))
5.3 Top 10 municípios por volume absoluto
Os maiores centros urbanos da RMR lideram em valores absolutos.
top10_abs <- tc_mun_total |>
mutate(ano = as.integer(ano)) |>
filter(ano == ultimo_ano) |>
slice_max(valor_total, n = 10)
ggplot(top10_abs, aes(valor_total / 1e6, fct_reorder(municipio, valor_total))) +
geom_col(fill = "#2E86AB", width = 0.7) +
geom_text(
aes(label = paste0(
"R$", format(round(valor_total / 1e6, 2), big.mark = ".", decimal.mark = ","), " mi"
)),
hjust = -0.1, size = 2.75
) +
scale_x_continuous(
expand = expansion(mult = c(0, 0.3)),
breaks = scales::breaks_pretty(n = 10),
labels = label_number(big.mark = ".", decimal.mark = ",")
) +
labs(
title = glue("Top 10 Municípios — Valor Absoluto ({ultimo_ano})"),
subtitle = "Total de transferências constitucionais em R$ milhões",
x = "Valores em R$ milhões", y = NULL
) +
scale_y_discrete(expand = c(0, 0)) +
tema_tc +
theme(panel.grid.major.y = element_blank())
