Skip to contents

Em que municípios os deputados de Pernambuco aplicam suas emendas?

Source: vignettes/emendas-pe.Rmd
emendas-pe.Rmd

Um estudo de caso completo: partir da lista de deputados federais de um estado e chegar ao mapa dos municípios que recebem suas emendas. Os trechos de código são reproduzíveis, mas exigem rede e a chave do Portal da Transparência; as saídas mostradas (e as figuras) foram computadas em novembro de 2026, sobre o exercício de 2025.

O problema: a emenda não diz o município

No Portal da Transparência, a emenda tem um campo de localidade — mas ele quase nunca desce ao município:

pt_emendas(2025, autor = "Pedro Campos") |>
  count(localidade_gasto)
#>   localidade_gasto     n
#> 1         MÚLTIPLO     3
#> 2         Nacional     1
#> 3  PERNAMBUCO (UF)    12
#> 4      RECIFE - PE     1

O destino de verdade aparece na execução: cada emenda tem documentos SIAFI (pt_emenda_documentos()), e o detalhe de cada empenho (pt_despesa_documento()) traz o favorecido — que, nas transferências a municípios, é a prefeitura ou o fundo municipal.

Passo 1: os deputados, na API da Câmara

camara_deputados() consulta a API de Dados Abertos da Câmara; com uf = "PE", vêm os 25 deputados federais em exercício pelo estado.

deputados <- camara_deputados(uf = "PE")
nrow(deputados)
#> [1] 25

Passo 2: as emendas de cada um

pt_emendas() aceita um vetor de autores e devolve um único tibble; a busca da API é textual e por isso ela já remove os acentos sozinha (“Túlio Gadêlha” → “TULIO GADELHA”). O inner_join() pela forma normalizada do nome descarta homônimos parciais e traz de volta o nome bonito, acentuado.

emendas <- pt_emendas(2025, autor = deputados$nome) |>
  inner_join(
    deputados |> transmute(autor = toupper(sem_acento(nome)), deputado = nome),
    by = "autor"
  )
nrow(emendas)
#> [1] 235

Dos 25, apenas Silvio Costa Filho (licenciado, hoje ministro) não tem emendas em 2025. E um bom teste de sanidade: o valor empenhado por autor encosta no teto individual do exercício, R$ 37,3 milhões por deputado.

Passo 3: documento a documento

Dois níveis de consulta, e os dois aceitam vetores: os documentos de cada emenda e o detalhe de cada empenho. São ~2 mil requisições; o pacote mostra o progresso e respeita sozinho o limite de 90 por minuto do Portal, então a célula abaixo leva cerca de meia hora.

documentos <- pt_emenda_documentos(emendas$codigo_emenda)

empenhos <- documentos |>
  filter(fase == "Empenho") |>
  distinct(codigo_documento) |>
  pull() |>
  pt_despesa_documento()

c(documentos = nrow(documentos), empenhos = nrow(empenhos))
#> documentos   empenhos
#>       6411       1854
sum(empenhos$valor)
#> [1] 888278738

Passo 4: do favorecido ao município

Três situações, em ordem de volume:

  1. O nome do favorecido já diz o município (“MUNICIPIO DO BOM JARDIM”, “FUNDO MUNICIPAL DE SAUDE DE SAO JOSE DO EGITO”): basta casar com a grafia oficial do IBGE (ibge_municipios()) — do nome mais longo para o mais curto, para “São José do Egito” não virar “Egito”.
  2. O nome é genérico (“FUNDO MUNICIPAL DE SAUDE”, sem cidade — R$ 264 milhões!): o CNPJ resolve; cnpj_municipio() consulta a Minha Receita e devolve o município da sede.
  3. O favorecido não é municipal: fornecedores (compras centralizadas de máquinas e equipamentos pelos ministérios), o estado e seus fundos, universidades. Ficam de fora do mapa — o CNPJ de um fornecedor de São Paulo não diz onde o trator vai trabalhar.
municipios_pe <- ibge_municipios("PE") |>
  mutate(busca = toupper(sem_acento(nome))) |>
  arrange(desc(nchar(busca)))

casa_municipio <- function(favorecido) {
  alvo <- toupper(sem_acento(favorecido))
  achado <- map_chr(alvo, \(s) {
    i <- which(stringr::str_detect(s, paste0("\\b", municipios_pe$busca, "\\b")))[1]
    if (is.na(i)) NA_character_ else municipios_pe$nome[[i]]
  })
  achado
}

empenhos <- empenhos |>
  mutate(
    municipal = stringr::str_detect(
      nome_favorecido, "^MUNICIPIO|^PREFEITURA|FUNDO MUNICIPAL|CAMARA MUNICIPAL"
    ),
    municipio = if_else(municipal, casa_municipio(nome_favorecido), NA)
  )

# os genéricos, pelo CNPJ da sede
sedes <- empenhos |>
  filter(municipal, is.na(municipio)) |>
  distinct(codigo_favorecido) |>
  pull() |>
  cnpj_municipio()

empenhos <- empenhos |>
  left_join(sedes, by = c("codigo_favorecido" = "cnpj"), suffix = c("", "_sede")) |>
  mutate(municipio = coalesce(municipio, casa_municipio(municipio_sede)))

O resultado: 86% do valor empenhado tem município identificado (2% vai ao governo do estado, 12% a fornecedores e outras entidades) — e nenhum centavo municipal sai de Pernambuco. Os favorecidos de outras UFs que aparecem na base são fornecedores e órgãos federais, nunca prefeituras.

O mapa 

library(ggplot2)

por_municipio <- empenhos |>
  filter(!is.na(municipio)) |>
  summarise(valor = sum(valor), .by = municipio)

geobr::read_municipality(code_muni = "PE", year = 2024) |>
  left_join(por_municipio, by = c("name_muni" = "municipio")) |>
  ggplot() +
  geom_sf(aes(fill = valor / 1e6), color = "white", linewidth = 0.1) +
  scale_fill_gradient(low = "#e3eef5", high = "#0e3a53", na.value = "grey92")

As emendas individuais chegam a quase todo lugar: 180 dos 185 municípios receberam algum empenho em 2025 (ficaram de fora Águas Belas, Fernando de Noronha, Floresta, Santa Cruz da Baixa Verde e Tracunhaém). E chegam pulverizadas: os 10 municípios que mais recebem somam só 17% do valor, e é preciso somar 49 municípios para alcançar metade dele.

Surubim e São José do Egito ilustram dois padrões opostos de destaque: Surubim lidera recebendo de 12 deputados diferentes, enquanto Belo Jardim e Bonito aparecem no topo com recursos de apenas 2. No sentido inverso, o grau de pulverização varia muito por deputado: de 46 municípios atendidos (Carlos Veras) a 10 (Fernando Coelho Filho), com a maioria entre 15 e 30.

Ressalvas

  • Empenho não é pagamento. Usamos a fase de empenho por ser a mais completa no exercício corrente; os valores pagos são menores e chegam depois (muitos como restos a pagar).
  • O favorecido municipal indica o destino; o fornecedor, não. Os 12% de “outros” incluem compras centralizadas cujo beneficiário final é um município que a base não revela — a cobertura de 86% é um piso, não um retrato exato.
  • Transferências especiais (as “emendas Pix”) têm o município como favorecido direto do empenho, então entram no mapa com precisão total.