RREO: Relatório Resumido de Execução Orçamentária

Introdução

Esta vinheta descreve o uso da função RREOdata(). Seu objetivo é abstrair a complexidade da API do SICONFI, permitindo a extração rápida e estruturada dos dados do Relatório Resumido de Execução Orçamentária (RREO).

O Tesouro Nacional disponibiliza uma API robusta para que analistas e gestores possam avaliar o balanço orçamentário, despesas por função e apuração da Receita Corrente Líquida (RCL) de todos os entes da federação. Contudo, a estrutura bruta retornada pela API (como a marcação temporal <MR-X> para meses de referência) exige um longo trabalho de limpeza e estruturação antes que os dados possam ser analisados.

A função RREOdata() resolve esse problema de forma definitiva. Além de realizar a extração em lote (permitindo passar vetores de municípios, anos e bimestres simultaneamente), ela traduz automaticamente os metadados do SICONFI para formatos padronizados, prontos para a ciência de dados.

Para iniciar, carregamos os pacotes necessários:

library(RREORGFdataR)
library(dplyr)
library(ggplot2)

Exemplo 1: Análise Longitudinal (Série Histórica)

Neste exemplo, extraímos o Anexo 03 (Demonstrativo da Receita Corrente Líquida) do Estado de Goiás para múltiplos anos, criando uma visualização clara da evolução da arrecadação ao longo do tempo.

# Extraindo dados do 6º bimestre (fechamento anual) de 2020 a 2023
df_rreo_go <- RREOdata(
  cod.ibge = 52,
  year = 2020:2023,
  period = 6,
  annex = 3
) 

# Filtrando a Receita Corrente Líquida consolidada e plotando
df_rreo_go %>%
  filter(
    cod_conta == "RREO3ReceitaCorrenteLiquida",
    coluna == "TOTAL (ÚLTIMOS 12 MESES)"
  ) %>%
  ggplot(aes(x = exercicio, y = valor)) +
  geom_line(color = "#e67e22", linewidth = 1.2) +
  geom_point(color = "#d35400", size = 3) +
  geom_text(
    aes(label = paste0("R$ ", round(valor/1e9, 1))),
    fontface = "bold",
    vjust = -1.5,
    size = 4,
    colour = "#2c3e50"
  ) +
  labs(
    x = "Exercício", 
    y = "",
    title = 'Evolução da Receita Corrente Líquida - Estado de Goiás',
    subtitle = '(Valores Nominais, em Bilhões de Reais)',
    caption = "Fonte: Elaborado com RREORGFdataR via SICONFI."
  ) +
  scale_y_continuous(labels = scales::comma, expand = expansion(mult = c(0.1, 0.2))) +
  theme_classic() +
  theme(
    axis.text.y = element_blank(),
    axis.ticks.y = element_blank(),
    axis.line.y = element_blank(),
    plot.title = element_text(face = "bold", size = 12),
    plot.caption.position = "panel"
  )

Exemplo 2: Análise Transversal (Comparação entre Entes)

A nova arquitetura vetorizada permite passar múltiplos códigos IBGE de uma só vez. Abaixo, comparamos as Despesas Empenhadas (Anexo 01) de três grandes municípios goianos no 1º bimestre de 2023.

# Passando um vetor de municípios: Goiânia, Aparecida de Goiânia e Anápolis
df_municipios <- RREOdata(
  cod.ibge = c(5208707, 5201405, 5201108),
  year = 2023,
  period = 1,
  annex = 1
)

# Comparando Despesas Empenhadas
df_municipios %>%
  filter(
    conta == "PESSOAL E ENCARGOS SOCIAIS",
    coluna == "DESPESAS EMPENHADAS ATÉ O BIMESTRE (f)"
  ) %>%
  mutate(
    municipio = case_when(
      cod_ibge == 5208707 ~ "Goiânia",
      cod_ibge == 5201405 ~ "Aparecida de G.",
      cod_ibge == 5201108 ~ "Anápolis"
    )
  ) %>%
  # PASSO CRÍTICO: Agrupar e somar para garantir uma única linha por ente
  group_by(municipio) %>%
  summarise(valor = sum(valor, na.rm = TRUE), .groups = "drop") %>%
  # Ordenação movida para depois da sumarização
  mutate(municipio = reorder(municipio, valor)) %>%
  ggplot(aes(x = municipio, y = valor, fill = municipio)) +
  geom_col(show.legend = FALSE) +
  geom_text(
    aes(label = paste0("R$ ", round(valor/1e6, 1), " Mi")),
    hjust = -0.1, 
    fontface = "bold", 
    color = "#34495e"
  ) +
  coord_flip() +
  scale_fill_brewer(palette = "Blues") +
  labs(
    title = "Despesas Empenhadas com Pessoal (1º Bimestre de 2023)",
    x = "", y = ""
  ) +
  scale_y_continuous(expand = expansion(mult = c(0, 0.3))) +
  theme_minimal() +
  theme(
    axis.text.x = element_blank(),
    panel.grid.major.x = element_blank(),
    panel.grid.minor.x = element_blank()
  )

Exemplo 3: Criação de Banco de Dados (Persistência em Parquet)

Para análises massivas, como o acompanhamento de todos os estados brasileiros ao mesmo tempo, consultar a API interativamente pode ser demorado.

A função RREOdata() possui integração nativa com o pacote arrow. Utilizando o argumento save_path, você pode fazer o download em lote e persistir os dados imediatamente em formato .parquet, otimizando armazenamento e velocidade de leitura futura.

# 1. Extração em lote para todos os estados, salvando direto no HD
RREOdata(
  cod.ibge = "all_states",
  year = 2023,
  period = 1:6,
  annex = 1,
  save_path = "dados_rreo_estados_2023.parquet"
)

# 2. Leitura otimizada (Lazy Loading) do arquivo gerado
library(arrow)

dataset_rreo <- open_dataset("dados_rreo_estados_2023.parquet")

# O motor C++ do Arrow filtra os dados sem carregar tudo na memória RAM
dados_mg <- dataset_rreo %>%
  filter(cod_ibge == 31) %>% # IBGE de Minas Gerais
  collect()                   # Traz apenas o resultado para o R