mostrar o código
# https://kbroman.org/knitr_knutshell/pages/Rmarkdown.html
knitr::opts_chunk$set( echo=TRUE, warning=FALSE, message=FALSE, tidy = "styler")
options(encoding = "latin1")2 Restos a Pagar
2.1 Introdução
O meu objetivo foi o de criar gráficos amigáveis sobre Restos a Pagar a Pagar (RP a Pagar):
identificando o saldo detalhado por ano da emissão da nota de empenho (NE CCOR ano de emissão)
apresentando a série histórica suavizada (média móvel dos últimos doze meses) do saldo de RP a Pagar:
em valores correntes;
em valores deflacionados pelo IPCA;
comparada com a dotação atualizada de despesas discricionárias (Indicador de Resultado Primário EOF 2, 6, 7, 8 e 9).
A seguir justifico a escolha pelo RP a Pagar, explano o passo-a-passo da criação da variável “defasagem temporal” e sua utilização para monitorar o saldo do RP a Pagar e, finalmente, apresento a construção de séries históricas com os saldos do RP a Pagar.
2.2 Por que utilizar o RP a Pagar?
Optei por utilzar o RP a Pagar, pois esta métrica engloba tanto o saldo final dos Restos a Pagar Processados quanto o saldo final dos Restos a Pagar Não Processados. Ou seja, o RP a Pagar é o resultado final dos Restos a Pagar inscritos, reinscritos, cancelados e pagos.
A importância do RP a Pagar pode ser atestada pelo Manual de Demonstrativos Fiscais(MDF). De acordo com o MDF, a coluna L do Anexo 7 apresenta o RP a Pagar sob o título de “Saldo Total”.
2.3 Defasagem Temporal
Vou utilizar a variável “defasagem” para obter uma visualização mais intuitiva dos saldos de RP a Pagar. A seguir apresento as etapas para a criação da variável e a utilização da “defasagem” para criar gráficos e tabelas.
2.3.1 Opções dos blocos e bibliotecas
Defini algumas opções para todo o documento e carreguei as bibliotecas necessárias.
mostrar o código
library(tidyverse)
library(readxl)
library(DT)
library(plotly)
library(lubridate)
library(forcats)
library(janitor)
library(stringr)
library(purrr)2.3.2 Importar dados do Tesouro Gerencial
Utilizei o Tesouro Gerencial para obter os dados utilizados neste projeto. (rp_pdg_estoque.xlsx)
Vamos importar os dados e renomear algumas colunas.
mostrar o código
rp_ano <- read_excel("relatorios_fiscais/rreo/rp_pdg_estoque.xlsx") %>% janitor::clean_names()
rp_ano <- rp_ano %>% rename("rp_n_proc" = "restos_a_pagar_nao_processados_a_pagar")
rp_ano <- rp_ano %>% rename("rp_proc" = "restos_a_pagar_processados_a_pagar")
rp_ano <- rp_ano %>% rename("ano_empenho" = "ne_c_cor_ano_emissao")2.3.3 Limpar os dados
É necessário limpar os dados:
1) convertendo para zero os valores ausentes (NA)
2) excluíndo da base os registros com código de exceção -7 e -9.
mostrar o código
# converte NA em zero.
rp_ano[is.na(rp_ano)] <- 0
# https://www.r-bloggers.com/the-notin-operator/
"%!in%" <- Negate("%in%")
# filtrar os códigos de exceção
rp_ano <- rp_ano %>%
filter(ano_lancamento %!in% c("-7", "-9"), ano_empenho %!in% c("-7", "-9")) %>%
group_by(ano_empenho, ano_lancamento)2.3.4 Criar variáveis “saldo” (RP a Pagar), “tempo” e “defasagem”
Para facilitar os cálculos, vamos criar a variável saldo a partir da soma dos saldos de RP Procesado a Pagar e RP Não Processado a Pagar. A variável saldo representa o RP a Pagar.
2.3.4.1 Variável “saldo”
mostrar o código
rp_ano <- rp_ano %>% mutate(saldo = (rp_n_proc + rp_proc))Apresentamos na Tabela 1 o saldo de RP a Pagar detalhado por ano do empenho e ano do lançamento.
mostrar o código
datatable(rp_ano %>% group_by(ano_empenho, ano_lancamento) %>% summarise(saldo = sum(saldo)) %>% filter(saldo != 0),
options = list(
language = list(url = "//cdn.datatables.net/plug-ins/1.10.11/i18n/Portuguese.json"),
pageLength = 10
),
caption = "Tabela 1. RP a Pagar: saldo por ano do empenho."
) %>% formatCurrency(3, "R$ ",
mark = ".",
digits = 2, dec.mark = ","
)A partir da Tabela 1 observamos a reinscrição de Restos a Pagar empenhados no ano 2000. O saldo de R$ 840,00 empenhado em 2000 foi lançado/reinscrito nos exercícios de 2008, 2009 e 2010 até finalmente ser baixado. Não pesquisei o motivo do saldo ter sido baixado. Pode ter ocorrido o pagamento ou o cancelamento do valor inscrito.
A Figura 2 ilustra a reinscrição e posterior baixa dos empenhos emitidos em 2000.
O Gráfico 1 apresenta o saldo de RP a Pagar por ano de emissão da nota de empenho. A cor azul clara sinaliza empenhos mais recentes e o azul escuro os empenhos mais antigos.
mostrar o código
library(viridis)
p <- rp_ano %>%
group_by(ano_lancamento, ano_empenho) %>%
summarise(saldo = round(sum(saldo) / 1000000000, 1)) %>%
ggplot() +
geom_col(aes(x = ano_lancamento, y = saldo, fill = (ano_empenho))) +
ggtitle("Gráfico 1. RP a Pagar por ano do empenho (R$ bilhões)")
ggplotly(p)2.3.4.2 Variável “tempo”
Com a variável tempo podemos harmonizar a interpretação dos dados. Por exemplo, um empenho emitido em 2012 teria um tempo de 3 anos no exercício fiscal (ano lançamento) de 2015. Ou seja, 2015 - 2012 = 3 anos. Da mesma maneira, um empenho de 2014 teria um tempo de 3 anos no exercício fiscal de 2017.
Dessa forma podemos comparar saldos empenhados em períodos diferentes e verficar se o estoque de RP a Pagar está ficando mais velho ou mais novo.
Criamos a variável tempo a partir da diferença entre o ano de lançamento e o ano da emissão do empenho.
mostrar o código
rp_ano <- rp_ano %>% mutate(tempo = as.integer(ano_lancamento) - as.integer(ano_empenho))A tabela 2 apresenta os saldos de RP a Pagar detalhados por tempo decorrido desde a emissão do empenho. A tabela permite identificar, no ano lançamento de 2022, um saldo de R$ 3.6 milhões de RP a Pagar emitidos há 20 anos.
mostrar o código
datatable(rp_ano %>% group_by(tempo, ano_lancamento) %>% summarise(saldo = sum(saldo)) %>% arrange(desc(tempo)) %>% filter(saldo != 0), options = list(
language = list(url = "//cdn.datatables.net/plug-ins/1.10.11/i18n/Portuguese.json"),
pageLength = 10
), caption = "Tabela 2. RP a Pagar: saldo por ano do empenho.") %>% formatCurrency(3, "R$ ",
mark = ".",
digits = 2, dec.mark = ","
)2.3.4.3 Variável “defasagem”
Criei a variável “defasagem” para facilitar a visualização do tempo entre a emissão do empenho e o ano do lançamento do RP a Pagar. Se considerarmos o ano fiscal de 2021, um empenho emitido em 2019 terá uma defasagem de 2 anos.
Para deixar o gráfico mais intuitivo, a variável “defasagem” pode assumir apenas um dos três valores abaixo:
1 ano,
2 anos
maior que 2 anos.
Dessa forma, os empenhos mais defasados foram agrupados em “maior que 2 anos”.
mostrar o código
rp_ano <- rp_ano %>% mutate(defasagem = case_when(
tempo == 1 ~ "1 ano",
tempo == 2 ~ "2 anos",
TRUE ~ "maior que 2 anos"
))Na Tabela 3 podemos observar que a variável “defasagem” assume apenas uma das três opções: 1 ano, 2 anos ou maior que 2 anos.
mostrar o código
datatable(rp_ano %>% filter(ano_lancamento > 2018, ano_empenho > 2015) %>% group_by(ano_empenho, ano_lancamento, defasagem) %>% summarise(defasagem = max(defasagem)) %>% pivot_wider(names_from = ano_lancamento, values_from = defasagem),
colnames = c("ano do empenho", "lançamento em 2019", "lançamento em 2020", "lançamento em 2021", "lançamento em 2022"), options = list(
language = list(url = "//cdn.datatables.net/plug-ins/1.10.11/i18n/Portuguese.json"),
pageLength = 10
),
caption = "Tabela 3. RP a Pagar: defasagem temporal."
)2.3.5 RP a Pagar: defasagem temporal do empenho
2.3.5.1 Detalhando por valor do saldo
Agora vamos plotar o saldo do RP a Pagar detalhado pela variável defasagem.
mostrar o código
p <- rp_ano %>%
group_by(ano_lancamento, defasagem) %>%
summarise(saldo = round(sum(saldo) / 1000000000, 1)) %>%
ggplot() +
geom_col(aes(x = ano_lancamento, y = saldo, fill = (defasagem))) +
scale_fill_manual(
values = c("darkblue", "lightblue", "red")
) +
ggtitle("Gráfico 2. Restos a Pagar: defasagem temporal do empenho") +
labs(y = "saldo em R$ BI", x = "ano lançamento")
ggplotly(p)A partir do gráfico 2 observamos um ponto de inflexão no ano de 2018. Entre 2018 e 2019 ocorre uma redução de aproximadamente 52% no estoque de RP a Pagar mais antigos (barra vermelha).
2.3.5.2 Detalhando por participação em relação ao total
O gráfico 3 mostra também o estoque de RP a Pagar, mas a defasagem desta vez é apresentada de forma proporcional ao invés de ser em bilhões de reais.
mostrar o código
p <- rp_ano %>%
group_by(ano_lancamento, defasagem) %>%
summarise(saldo = round(sum(saldo) / 1000000000, 1)) %>%
ggplot() +
geom_col(aes(x = ano_lancamento, y = saldo, fill = (defasagem)), position = "fill") +
scale_fill_manual(
values = c("darkblue", "lightblue", "red")
) +
ggtitle("Gráfico 3. RP a Pagar: defasagem temporal do empenho") +
labs(y = "participação", x = "ano lançamento") +
theme(
axis.text.y = element_blank(),
axis.ticks = element_blank()
)
ggplotly(p)2.3.6 RP NÃO Processados: defasagem temporal do empenho
A variável “defasagem” pode ser utilizada para plotar, de maneira segregada, gráficos de RP Processados e RP Não Processados. Abaixo o Gráfico 4 traz a defasagem para o saldo de RP Não Processados a Pagar.
mostrar o código
p <- rp_ano %>%
group_by(ano_lancamento, defasagem) %>%
summarise(saldo = round(sum(rp_n_proc) / 1000000000, 1)) %>%
ggplot() +
geom_col(aes(x = ano_lancamento, y = saldo, fill = (defasagem))) +
scale_fill_manual(
values = c("darkblue", "lightblue", "red")
) +
ggtitle("Gráfico 4. Restos a Pagar NÃO Processados a Pagar: defasagem temporal do empenho") +
labs(y = "saldo em R$ BI", x = "ano lançamento")
ggplotly(p)Era esperado que o Gráfico 4 fosse semelhante ao Gráfico 2, pois o RP Não Processado corresponde a aproximadamente 90% de todo o saldo do Restos a Pagar. Logo, também percebemos no Gráfico 4 (RP Processados) uma queda, a partir do ano de 2018, no estoque de empenhos mais antigos.
2.3.7 RP Processados a Pagar: defasagem temporal do empenho
O comportamento do RP Processado foi diferente do RP Não Processado. Uma vez que, a partir de 2019 ocorre um salto no estoque de RP Processados mais antigos (barra vermelha).
mostrar o código
p <- rp_ano %>%
group_by(ano_lancamento, defasagem) %>%
summarise(saldo = round(sum(rp_proc) / 1000000000, 1)) %>%
ggplot() +
geom_col(aes(x = ano_lancamento, y = saldo, fill = (defasagem))) +
scale_fill_manual(
values = c("darkblue", "lightblue", "red")
) +
ggtitle("Gráfico 5. Restos a Pagar Processados a Pagar: defasagem temporal do empenho") +
labs(y = "saldo em R$ BI", x = "ano lançamento")
ggplotly(p)2.3.8 RP Processados a Pagar: variação entre 2019 e 2020
Por curiosidade, resolvemos investigar o salto no estoque de RP Processados entre 2019 e 2020.
mostrar o código
salto <- (rp_ano %>% filter(ano_lancamento %in% c(2019, 2020)) %>% group_by(elemento_despesa_nome, ano_lancamento, ano_empenho) %>% summarise(rp_proc = round(sum(rp_proc) / 1000000, 1)) %>% pivot_wider(names_from = ano_lancamento, values_from = rp_proc))
salto[is.na(salto)] <- 0
salto <- salto %>% mutate(diferenca = `2020` - `2019`)2.3.8.1 Maiores Acréscimos
A Tabela 4 apresenta os elementos da despesa com maior acréscimo no saldo de RP Processado entre 2019 e 2020.
mostrar o código
datatable(head(salto %>% filter(diferenca != 0) %>% arrange(desc(diferenca)), 10),
colnames = c("elemento da despesa", "ano do empenho", "lançamento em 2019", "lançamento em 2020", "variação"), options = list(
language = list(url = "//cdn.datatables.net/plug-ins/1.10.11/i18n/Portuguese.json"),
pageLength = 10
),
caption = "Tabela 4. RP Processados a Pagar: maiores acréscimos entre 2019 e 2020 em R$ milhões."
) %>%
formatCurrency(3:5, "R$ ",
mark = ".",
digits = 1, dec.mark = ","
) %>%
DT::formatStyle(columns = colnames(.), fontSize = "50%")2.3.8.2 Maiores Reduções
Já a Tabela 5 apresenta os elementos da despesa com maior redução no saldo de RP Processado entre 2019 e 2020.
mostrar o código
datatable(head(salto %>% filter(diferenca != 0) %>% arrange((diferenca)), 10),
colnames = c("elemento da despesa", "ano do empenho", "lançamento em 2019", "lançamento em 2020", "variação"), options = list(
language = list(url = "//cdn.datatables.net/plug-ins/1.10.11/i18n/Portuguese.json"),
pageLength = 10
),
caption = "Tabela 5. RP Processados a Pagar: maiores reduções entre 2019 e 2020 em R$ milhões."
) %>% formatCurrency(3:5, "R$ ",
mark = ".",
digits = 1, dec.mark = ","
)2.4 Série Histórica
2.4.1 Importar e tratar dados
Utilizei o Tesouro Gerencial para obter os dados utilizados neste projeto. (rp_pdg.xlsx)
Vamos importar os dados, renomear algumas colunas e criar uma variável “data_ts” para ser a data da série histórica.
mostrar o código
rp <- read_excel("relatorios_fiscais/rreo/rp_pdg.xlsx")
colnames(rp)[1] <- "data"
colnames(rp)[2] <- "ano"
colnames(rp)[3] <- "mes_texto"
colnames(rp)[4] <- "item"
colnames(rp)[5] <- "RP_PROC"
colnames(rp)[6] <- "RP_N_PROC"
rp <- rp %>% select(-item)
rp <- rp %>% mutate(RP_PROC = round(RP_PROC / 1000000000, 2), RP_N_PROC = round(RP_N_PROC / 1000000000, 2), rp = RP_PROC + RP_N_PROC)
rp <- rp %>% mutate(data_ts = ceiling_date(parse_date_time(paste0(ano, "-", str_sub(data, start = 5L), "-01"), "%y%m%d") %m+% months(1), "month") %m-% days(1))2.4.2 Série Histórica
O Gráfico 6 com os saldos mensais apresenta picos acentuados nos meses de janeiro e valores decrescentes ao longo do exercício até atingir o valor mínimo em dezembro. O gráfico reflete o comportamento esperado dos RP a Pagar, uma vez que no ínicio de cada ano ocorre a inscrição e a reinscrição de Restos a Pagar e ao longo do ano o saldo é pago ou cancelado.
mostrar o código
library("xts")
library("dygraphs")
rp_xts <- xts(rp %>% select(rp), rp$data_ts)
p <- dygraph(rp_xts, main = "Gráfico 6. RP a pagar em R$ bilhões") %>%
dyOptions(stepPlot = TRUE) %>%
dyRangeSelector() %>%
dyAxis("y", label = "R$ BI") %>%
dyOptions(colors = RColorBrewer::brewer.pal(3, "Set2")) %>%
dyRoller(rollPeriod = 1)
(p)2.4.3 Série Histórica Suavizada: média móvel de 12 meses.
Apesar do gráfico mensal apresentar o comportamento efetivo dos RP a Pagar, a interpretação fica prejudicada com as oscilações abruptas nas mudanças de exercício. Para minimizar o impacto das oscilações, otpamos por trabalhar com a média móvel de 12 meses.
O pacote dygraphs cria automaticamente a média móvel e suaviza a série histórica. O Gráfico 7 apresenta o saldo de RP a Pagar suavizado.
mostrar o código
p_12 <- dygraph(rp_xts, main = "Gráfico 7. RP a Pagar em R$ Bilhões: média móvel de 12 meses") %>%
dyOptions(stepPlot = TRUE) %>%
dyRangeSelector() %>%
dyAxis("y", label = "R$ BI") %>%
dyOptions(colors = RColorBrewer::brewer.pal(3, "Set2")) %>%
dyRoller(rollPeriod = 12)
(p_12)A Tabela 6 traz os saldos mensais do RP a Pagar para o ano de 2008. O valor da soma de todos os saldos mensais do ano de 2008 foi de R$ 458,4 bilhões. Ao dividirmos o 458,4 bilhões por 12 meses chegamos a R$ 38,2 bilhões.
mostrar o código
datatable(rp %>% filter(ano == 2008) %>% select(ano, mes_texto, rp) %>% adorn_totals("row"),
options = list(
language = list(url = "//cdn.datatables.net/plug-ins/1.10.11/i18n/Portuguese.json"),
pageLength = 15
),
caption = "Tabela 6. RP a Pagar: R$ bilhões."
) %>% formatCurrency(3, "R$ ", mark = ".", digits = 1, dec.mark = ",")A partir do décimo segundo mês da série histórica, o pacote dygraphs calcula a média móvel dividindo a soma dos saldos dos dozes meses por doze. De acordo com a Figura 3, em dezembro de 2008 o saldo suavizado era de R$ 38,2 bilhões1.
2.4.4 Série histórica suavizada: média móvel de 12 meses deflacionada pelo IPCA
Este gráfico complementar (Gráfico 8) segue a lógica da média móvel de 12 meses, mas deflaciona os valores pelo IPCA.
mostrar o código
library("deflateBR")
rp <- rp %>% mutate(rp_deflacionado = deflate(rp, as.Date(data_ts), "12/2022", "ipca"))
rp_xts_deflacionado <- xts(rp %>% select(rp_deflacionado), rp$data_ts)
p <- dygraph(rp_xts_deflacionado, main = "Gráfico 8. RP a Pagar em R$ Bilhões: média móvel de 12 meses deflacionada pelo IPCA") %>%
dyOptions(stepPlot = TRUE) %>%
dyRangeSelector() %>%
dyAxis("y", label = "R$ BI") %>%
dyOptions(colors = RColorBrewer::brewer.pal(3, "Set2")) %>%
dyRoller(rollPeriod = 12)
(p)2.4.5 Série histórica suavizada: média móvel de 12 meses comparada com a dotação atualizada
Por fim, comparamos o saldo de RP a Pagar com a dotação atualizada das despesas primárias discricionárias. Consideramos a dotação com os indicadores de resultado primário EOF com os códigos 2, 6, 7, 8 e 9. O código 2 identifica as despesas sob a gestão do Poder Executivo Federal enquanto os códigos 6 a 9 são emendas parlamentares determinadas pelo Congresso Nacional.
mostrar o código
dot_atu <- read_excel("relatorios_fiscais/rreo/dot_atu.xlsx") %>% janitor::clean_names()
colnames(dot_atu)[1] <- "data"
# filtrar as despesas discricionarias
dot_atu <- dot_atu %>%
filter(resultado_eof_codigo %in% c(2, 6, 7, 8, 9)) %>%
group_by(data) %>%
summarise(dotacao_atualizada = sum(dotacao_atualizada))
rp_dot <- left_join(rp, dot_atu %>% select(data, dotacao_atualizada))
rp_dot <- rp_dot %>% mutate(dotacao_primário_discricionário = dotacao_atualizada / 1000000000)mostrar o código
rp_xts <- xts(rp_dot %>% select(rp, dotacao_primário_discricionário), rp$data_ts)
p <- dygraph(rp_xts, main = "Gráfico 9. RP a Pagar (média móvel de 12 meses) x Dotação Atualizada em R$ Bilhões") %>%
dyOptions(stepPlot = TRUE) %>%
dyRangeSelector() %>%
dyAxis("y", label = "R$ BI") %>%
dyOptions(colors = RColorBrewer::brewer.pal(3, "Set2")) %>%
dyRoller(rollPeriod = 12)
(p)A partir do Gráfico 9 é possível observar que a partir de 2016 a dotação de despesas discricionárias passou a superar o saldo de RP a Pagar.
O Gráfico 7, com a média móvel, pode assumir os mesmos valores do Gráfico 6. Para tanto, basta mudar de 12 para 1 o valor no canto inferior esquerdo do gráfico (o número circulado em vermelho na Figura 2).↩︎