Quem acessa os editais culturais? Uma análise da PNAB em Pernambuco

1 Introdução ao Estudo

1.1 O que é a PNAB?

A Política Nacional Aldir Blanc de Fomento à Cultura (PNAB) representa atualmente uma das principais políticas públicas de fomento à cultura no Brasil, destinando recursos para artistas, produtores culturais, coletivos e instituições culturais em todo o território nacional. Apesar da ampliação dos investimentos no setor, ainda existem questionamentos sobre quais grupos sociais conseguem acessar e ser selecionados nos editais culturais.

Nesse contexto, este estudo busca investigar possíveis desigualdades no acesso aos editais da PNAB em Pernambuco, analisando características territoriais, demográficas e socioeconômicas dos participantes. A partir dos dados das inscrições realizadas entre 2024 e 2025, procura-se identificar padrões relacionados à aprovação dos proponentes e compreender como os recursos culturais estão sendo distribuídos entre diferentes grupos sociais.

Para isso, foram utilizadas técnicas de análise exploratória de dados na linguagem R, incluindo etapas de limpeza, transformação e visualização dos dados por meio de tabelas, gráficos e cruzamentos interativos entre variáveis.

Embora a PNAB tenha como objetivo ampliar o acesso aos recursos culturais, a participação nos editais envolve etapas burocráticas e técnicas, como cadastro em plataformas digitais, envio de documentação e elaboração de projetos. Essas exigências podem impactar de forma desigual diferentes grupos sociais.

Fatores como escolaridade, acesso à internet, experiência na elaboração de projetos e disponibilidade de tempo podem influenciar as chances de participação e aprovação. Dessa forma, torna-se relevante investigar se características como raça, gênero, renda, território, pertencimento à comunidade LGBTQIAP+ e condição de pessoa com deficiência estão associadas a diferenças no acesso aos recursos culturais.

“O desenvolvimento econômico sem desenvolvimento cultural conduzirá inevitavelmente à alienação.”

— Celso Furtado

1.2 Objetivos e Metodologia

Este estudo busca investigar possíveis desigualdades no acesso aos editais culturais da PNAB em Pernambuco, utilizando dados referentes ao primeiro ciclo de execução da política entre 2024 e 2025.

Para isso, foi empregada uma abordagem de Análise Exploratória de Dados (AED) na linguagem R. A base de dados foi importada a partir de um arquivo RDS disponibilizado pela Secretaria de Cultura de Pernambuco e passou por etapas de limpeza, padronização e transformação.

Entre os procedimentos realizados destacam-se a seleção das variáveis relevantes para a pesquisa, a criação da variável faixa etária a partir da idade dos participantes e a padronização das categorias de macrorregião. Após o tratamento dos dados, foram produzidas tabelas, gráficos e visualizações interativas que permitem explorar padrões relacionados à aprovação dos proponentes.

Os resultados podem auxiliar gestores culturais na formulação de estratégias voltadas à ampliação da participação de grupos sub-representados, além de fornecer subsídios para que agentes culturais compreendam melhor o perfil dos participantes e dos projetos contemplados pelos editais.

2 Pacotes Utilizados

Para a realização das manipulações e analises dos dados, essa é a lista dos pacotes utilizados.

# Carregando os Pacotes

library(tidyverse)
library(plotly)
library(DT)
library(scales)
library(patchwork)
library(kableExtra)
library(shiny)

pacotes <- tibble::tibble(
  Pacote = c(
    "tidyverse",
    "plotly",
    "DT",
    "scales",
    "patchwork",
    "shiny"
  ),
  Finalidade = c(
    "Manipulação, limpeza, transformação dos dados e criação dos gráficos.",
    "Construção de gráficos interativos.",
    "Criação das tabelas interativas na seção de cruzamento dos dados.",
    "Formatação de percentuais e escalas dos gráficos.",
    "Combinação de múltiplos gráficos em uma única visualização.",
    "Desenvolvimento dos componentes reativos e da ferramenta interativa de exploração dos dados."
  )
)

pacotes %>%
  kbl(
    caption = "Pacotes utilizados no desenvolvimento da análise",
    align = c("l", "l")
  ) %>%
  kable_styling(
    bootstrap_options = c(
      "striped",
      "hover",
      "condensed"
    ),
    full_width = FALSE
  )

Pacotes utilizados no desenvolvimento da análise

Pacote	Finalidade
tidyverse	Manipulação, limpeza, transformação dos dados e criação dos gráficos.
plotly	Construção de gráficos interativos.
DT	Criação das tabelas interativas na seção de cruzamento dos dados.
scales	Formatação de percentuais e escalas dos gráficos.
patchwork	Combinação de múltiplos gráficos em uma única visualização.
shiny	Desenvolvimento dos componentes reativos e da ferramenta interativa de exploração dos dados.

3 Base de Dados e Tratamento dos Dados

A base de dados foi disponibilizada a partir da Gerencia do Observatorio de Dados e Inovação em Dados (GObIC) da Secretaria de Cultura de Pernambuco (SeCult PE). Sendo construida a partir das respostas dos inscritos para participar dos editais no site do Mapa Cultural.

# Carregando minha base de dados
Banco_PNAB <- readRDS("BANCO PNAB.RDS")

dim(Banco_PNAB)

## [1] 10890    67

3.1 Atualizando o Banco de Dados

Inicialmente, foi utilizada a base completa da PNAB, a partir da qual foi criado um novo banco de dados contendo apenas as variáveis relevantes para o desenvolvimento da pesquisa. Durante a etapa de pré-processamento, realizou-se uma recategorização da variável idade, agrupando os participantes em faixas etárias: de 0 a 17 anos (Jovem), de 18 a 29 anos (Jovem Adulto), de 30 a 59 anos (Adulto) e 60 anos ou mais (Idoso).

# Estabelecendo a variavel faixa de idade (faixa_idade) com base na variavel idade
Banco_PNAB$faixa_idade <- cut(
  Banco_PNAB$idade,
  breaks = c(-Inf, 17, 29, 59, Inf),
  labels = c("Jovem", "Jovem Adulto", "Adulto", "Idoso"),
  right = TRUE)

table(Banco_PNAB$faixa_idade)

## 
##        Jovem Jovem Adulto       Adulto        Idoso 
##          153         2194         7289         1246

Além disso, houve uma redução do número de variáveis da base, passando de 67 para 15 variáveis selecionadas, mantendo-se as 10.890 observações originais. As variáveis escolhidas foram: Status, indicando se o inscrito foi aprovado, suplente ou desclassificado; Faixa de idade; Cota, informando se o participante concorreu em modalidades de reserva de vagas; Gênero; Raça; LGBT, identificando pertencimento à comunidade; escolaridade; Renda, categorizada em salários mínimos; Macrorregião, representando a localização regional do inscrito; Natureza, indicando o tipo de proponente (PF, MEI, entre outros); Indução, relacionada aos indutores de nota solicitados e aceitos; Linguagem cultural; tempo de atuação na área cultural; PCD, indicando se o participante é pessoa com deficiência; e, por fim, Município de origem do inscrito.

# Criando um novo data frame com base no meu banco PNAB com so as variaveis que vou utilizar 
df_pnab <- Banco_PNAB[, c(
  "status","faixa_idade",
  "cota","genero",
  "raca","lgbt",
  "escolaridade","renda",
  "macrorreg","natureza",
  "inducao", "linguagem",
  "atuacao", "pcd",
  "municipio")]

# Conferindo as variaveis 
colnames(df_pnab)

##  [1] "status"       "faixa_idade"  "cota"         "genero"       "raca"         "lgbt"         "escolaridade"
##  [8] "renda"        "macrorreg"    "natureza"     "inducao"      "linguagem"    "atuacao"      "pcd"         
## [15] "municipio"

Inicialmente, foi realizada uma verificação dos valores presentes na variável macrorreg, responsável por identificar as macrorregiões dos participantes no estado de Pernambuco. Durante essa etapa, observou-se uma inconsistência na nomenclatura da região da Zona da Mata, que em parte dos registros aparecia apenas como “Mata”.

# Checando se todas as Macrorregiões estão com o mesmo nome
unique(df_pnab$macrorreg)

## [1] "RMR"          "Sertão"       "Agreste"      "Zona da Mata" "Mata"

Para padronizar os dados e evitar duplicidades nas análises e visualizações, realizou-se a recategorização dessa informação, substituindo o valor “Mata” por “Zona da Mata”. Após a correção, foi feita uma nova conferência da variável para assegurar que todas as categorias estavam devidamente padronizadas.

# Corrigindo a variavel Macrorreg
df_pnab$macrorreg <- recode(
  df_pnab$macrorreg,
  "Mata" = "Zona da Mata")

# Conferindo se realmente funcionou
unique(df_pnab$macrorreg)

## [1] "RMR"          "Sertão"       "Agreste"      "Zona da Mata"

3.2 Criando uma Função

Nesta seção, apresenta-se a função desenvolvida para a geração da maior parte dos gráficos utilizados neste estudo. Sua criação teve como objetivo automatizar o processo de visualização dos dados, reduzindo a repetição de código e garantindo maior padronização estética e metodológica nas análises realizadas.

grafico_dist <- function(
    dados,
    var,
    titulo,
    ylab = "Quantidade de Participantes")
  {
  dados_plot <- dados %>%
    count({{var}}) %>%
    mutate(
      prop = scales::percent(
        n / sum(n),
        accuracy = 0.1),
      label = paste0(n," (",prop,")"))

  ggplot(
    dados_plot,
    aes(
      x = reorder({{var}}, n),
      y = n,
      fill = {{var}})) +
    geom_bar(
      stat = "identity",
      width = .6,
      color = "black") +
    geom_text(
      aes(label = label),
      hjust = -.1,
      size = 3.5) +
    scale_fill_manual(
      values = c(
        "#ED282C",
        "#4400FF",
        "#FFCE00",
        "#FF6700",
        "#00AEEF",
        "#00C853",
        "#8E24AA",
        "#795548",
        "#D81B60",
        "#3949AB",
        "#F57C00")) +
    theme_minimal() +
    theme(
      legend.position = "none",
      axis.text = element_text(face = "bold"),
      plot.title = element_text(
        face = "bold",
        hjust = 0.5)) +
    scale_y_continuous(
      expand = expansion(
        mult = c(.01, .35))) +
    labs(
      title = titulo,
      x = NULL,
      y = ylab) +
    coord_flip()

}


grafico_rosca <- function(
    dados,
    var,
    titulo
){

  dados_plot <- dados %>%
    count({{var}}) %>%
    mutate(
      prop = n / sum(n),
      perc = scales::percent(
        prop,
        accuracy = 0.1
      ),
      label = paste0(
        perc,
        "\n(",
        n,
        ")"
      )
    )

  ggplot(
    dados_plot,
    aes(
      x = 2,
      y = n,
      fill = {{var}}
    )
  ) +
    geom_col(
      color = "black",
      width = 1
    ) +
    coord_polar(
      theta = "y"
    ) +
    xlim(0.5, 2.5) +
    geom_text(
      aes(label = label),
      position = position_stack(vjust = .5),
      size = 4,
      fontface = "bold"
    ) +
    theme_void() +
    labs(
      title = titulo,
      fill = NULL
    ) +
    theme(
      plot.title = element_text(
        face = "bold",
        hjust = 0.5
      ),
      legend.position = "bottom"
    ) +
    scale_fill_manual(
      values = c(
        "#4AE23D",
        "#ED282C"
      )
    )

}

4 Análise Exploratória dos Dados

A análise exploratória dos dados constitui a principal etapa deste relatório, tendo como objetivo compreender o perfil dos participantes dos editais da Política Nacional Aldir Blanc (PNAB) em Pernambuco, bem como identificar possíveis padrões e desigualdades no acesso às políticas culturais.

Inicialmente, serão apresentadas análises descritivas mais gerais, buscando compreender a distribuição dos participantes a partir de características territoriais, demográficas e sociais. Em seguida, serão realizados cruzamentos entre variáveis e análises mais aprofundadas, permitindo identificar padrões menos evidentes relacionados à aprovação nos editais culturais.

Por meio de gráficos, tabelas e recursos interativos, esta seção busca não apenas descrever os dados, mas também explorar possíveis relações entre fatores como território, raça, gênero, renda, escolaridade e pertencimento a grupos historicamente minorizados no acesso aos recursos culturais da PNAB.

4.1 Perfil Territorial e Status

Os gráficos apresentados a seguir relacionam a variável de macrorregião entre o total de inscritos nos editais da PNAB e o grupo dos participantes selecionados. A comparação entre esses dois cenários permite observar diferenças importantes na distribuição territorial dos agentes culturais contemplados pela política pública.

Ao analisar o conjunto total de inscritos, percebe-se uma forte concentração de participantes na Região Metropolitana do Recife (RMR), que representa sozinha aproximadamente 51% das inscrições realizadas. Em contrapartida, as demais regiões apresentam participações significativamente menores, com cerca de 18% dos inscritos localizados no Agreste, 18% no Sertão e apenas 11,8% na Zona da Mata.

Porem, quando a análise é direcionada apenas aos participantes selecionados nos editais, observa-se uma distribuição territorial mais equilibrada. Nesse cenário, a participação da RMR reduz-se para aproximadamente 40% dos selecionados, enquanto as demais regiões passam a concentrar, em conjunto, cerca de 60% dos aprovados, apresentando proporções mais próximas entre si.

Esse resultado sugere uma possível descentralização territorial no processo de seleção dos editais culturais, indicando que, apesar da maior concentração de inscrições na Região Metropolitana, os recursos culturais da PNAB foram distribuídos de maneira relativamente mais equilibrada entre as diferentes regiões do estado de Pernambuco.

tema_pnab <- theme_minimal() +
  theme(
    plot.title = element_text(
      face = "bold",
      hjust = 0.5,
      size = 14),
    axis.title = element_text(
      face = "bold"),
    legend.position = "bottom")


macrorreg_total <- df_pnab %>%
  mutate(
    regiao = ifelse(
      macrorreg == "RMR",
      "Metropolitana",
      "Interior")) %>%
  count(regiao) %>%
  mutate(
    prop = percent(
      n / sum(n),
      accuracy = 0.1),
    label = paste0(n," (",prop,")"))

macrorreg_plot <- df_pnab %>%
  mutate(
    regiao = ifelse(
      macrorreg == "RMR",
      "Metropolitana",
      "Interior")) %>%
  count(regiao, macrorreg) %>%
  mutate(prop = percent(n / sum(n),accuracy = 0.1),
    label = paste0(n," (",prop,")")) %>%
  ggplot(aes(x = regiao,y = n,fill = macrorreg)) +
  geom_bar(
    stat = "identity",
    width = 0.5,
    color = "black") +
  geom_text(
    aes(label = label),
    position = position_stack(vjust = 0.5),
    size = 3) +
  geom_text(
    data = macrorreg_total,
    aes(
      x = regiao,
      y = n,
      label = label),
    inherit.aes = FALSE,
    vjust = -0.7,
    fontface = "bold",
    size = 4) +
  scale_fill_manual(
    values = c(
      "Sertão" = "#FFCE00",
      "Agreste" = "#4400FF",
      "Zona da Mata" = "#FF6700",
      "RMR" = "#ED282C")) +
  theme_minimal() +
  labs(
    title = "Distribuicao Geral por Macrorregiao",
    x = "Regiao",
    y = "Quantidade",
    fill = "Macrorregiao") +  
  scale_y_continuous(
    expand = expansion(mult = c(0, .30))) +
  theme(
    axis.text = element_text(face = "bold"),
    axis.title = element_text(face = "bold"),
    plot.title = element_text(
      face = "bold",
      hjust = 0.5))


######################3########


selecionados_total <- df_pnab %>%
  filter(status == "Selecionada") %>%
  mutate(
    regiao = ifelse(
      macrorreg == "RMR",
      "Metropolitana",
      "Interior")) %>%
  count(regiao) %>%
  mutate(prop = percent(n / sum(n),accuracy = 0.1),
    label = paste0(n," (",prop,")"))

selecionados_plot <- df_pnab %>%
  filter(status == "Selecionada") %>%
  mutate(
    regiao = ifelse(
      macrorreg == "RMR",
      "Metropolitana",
      "Interior")) %>%
  count(regiao, macrorreg) %>%
  mutate(
    prop = percent(
      n / sum(n),
      accuracy = 0.1),
    label = paste0(n," (",prop,")")) %>%
  ggplot(
    aes(
      x = regiao,
      y = n,
      fill = macrorreg)) +
  geom_bar(
    stat = "identity",
    width = 0.5,
    color = "black") +
  geom_text(
    aes(label = label),
    position = position_stack(vjust = 0.5),
    size = 3) +
  geom_text(
    data = selecionados_total,
    aes(
      x = regiao,
      y = n,
      label = label),
    inherit.aes = FALSE,
    vjust = -0.7,
    fontface = "bold",
    size = 4) +
  scale_fill_manual(
    values = c(
      "Sertão" = "#FFCE00",
      "Agreste" = "#4400FF",
      "Zona da Mata" = "#FF6700",
      "RMR" = "#ED282C")) +
  theme_minimal() +
  labs(
    title = "Selecionados por Macrorregiao",
    x = "Regiao",
    y = "Quantidade",
    fill = "Macrorregiao") +  
  scale_y_continuous(
    expand = expansion(mult = c(0, .3))
  ) +
  theme(
    axis.text = element_text(face = "bold"),
    axis.title = element_text(face = "bold"),
    plot.title = element_text(
      face = "bold",
      hjust = 0.5))

macrorreg_plot + selecionados_plot

4.2 Perfil Demográfico

Nesta seção, serão analisadas características demográficas dos participantes da PNAB, com foco em variáveis como faixa etária, gênero e raça. A partir de gráficos de distribuição e comparações entre os diferentes status dos inscritos, busca-se compreender quais perfis apresentam maior participação e quais grupos demonstram maiores taxas de aprovação nos editais culturais.

4.2.1 Faixa Etária

Ao comparar a distribuição dos status dos inscritos por faixa etária, observa-se que o grupo de idosos apresentou o melhor desempenho proporcional entre os participantes. Esse grupo registrou a maior taxa de selecionados e suplentes, além da menor proporção de desclassificados, indicando um desempenho relativamente superior nos editais analisados.

Em contrapartida, os jovens representam o menor grupo em quantidade de participantes e também o grupo com pior desempenho proporcional. Entre eles, observam-se as menores taxas de aprovação e suplência, bem como a maior proporção de desclassificações.

Já os grupos de jovens adultos e adultos concentram a maior parte dos participantes da PNAB e apresentaram distribuições bastante semelhantes entre os diferentes status, indicando comportamentos próximos em relação aos resultados dos editais.

library(kableExtra)

df_pnab %>%
  filter(!is.na(faixa_idade)) -> df_idade

idade_tab <- df_idade %>%
  count(faixa_idade, status) %>%
  group_by(faixa_idade) %>%
  mutate(
    Total = sum(n),
    Percentual = scales::percent(
      n / Total,
      accuracy = 0.1
    )
  ) %>%
  select(
    faixa_idade,
    status,
    Total,
    Percentual
  ) %>%
  pivot_wider(
    names_from = status,
    values_from = Percentual
  ) %>%
  rename(
    `Faixa Etária` = faixa_idade
  )

idade_tab %>%
  kbl(
    caption = "Distribuição dos Status por Faixa Etária",
    align = "c"
  ) %>%
  kable_styling(
    bootstrap_options = c(
      "striped",
      "hover"
    ),
    full_width = FALSE,
    position = "center"
  ) %>%
  row_spec(
    0,
    bold = TRUE,
    color = "white",
    background = "#4400FF"
  )

Distribuição dos Status por Faixa Etária

Faixa Etária	Total	Desclassificada	Selecionada	Suplente
Jovem	153	60.8%	14.4%	24.8%
Jovem Adulto	2194	38.4%	23.8%	37.7%
Adulto	7289	36.1%	21.2%	42.8%
Idoso	1246	29.7%	26.6%	43.7%

4.2.2 Genero

Foi apresentado a distribuição dos participantes dos editais da PNAB segundo a identidade de gênero, tanto para o conjunto total de inscritos quanto para os proponentes selecionados nos graficos abaixo.

Entre os inscritos, observa-se uma predominância de homens cisgênero, que representam pouco mais de 51% dos participantes. As mulheres cisgênero correspondem a aproximadamente 40% das inscrições, enquanto os demais grupos de identidade de gênero somam cerca de 8% do total.

Ao analisar apenas os projetos selecionados, percebe-se uma mudança significativa nessa distribuição. Homens cisgênero e mulheres cisgênero passam a apresentar exatamente a mesma participação entre os selecionados, ambos representando 46,9% do total. Dessa forma, embora os homens sejam maioria entre os inscritos, a etapa de seleção resultou em uma distribuição mais equilibrada entre homens e mulheres.

Esse resultado sugere que o processo seletivo contribuiu para reduzir a diferença observada na participação inicial, promovendo uma distribuição mais próxima da composição demográfica da população brasileira. Além disso, indica que a maior participação masculina entre os inscritos não se refletiu em uma concentração equivalente entre os projetos aprovados.

plot_genero_total <- grafico_dist(
  df_pnab,
  genero,
  "Distribuição dos Participantes por Genero")

plot_genero_selecionados <- grafico_dist(
  df_pnab %>% filter(status == "Selecionada"),
  genero,
  "Distribuição dos Selecionados por Genero",
  "Quantidade de Selecionados")

plot_genero_total / plot_genero_selecionados

4.2.3 Raça

Em relação à identidade racial, observa-se uma forte participação de pessoas negras (pretas e pardas) nos editais da PNAB. Entre os inscritos, esse grupo representa aproximadamente 63% dos proponentes, enquanto pessoas brancas correspondem a cerca de 30% e indígenas a 3,1%.

Quando a análise é direcionada apenas aos selecionados, a composição racial apresenta mudanças relevantes. A participação de pessoas negras aumenta para mais de 77% dos projetos aprovados, enquanto a proporção de pessoas brancas é reduzida para aproximadamente 15%. Entre os povos indígenas, a participação praticamente dobra, alcançando 6,2% dos selecionados.

Esses resultados indicam que os grupos racialmente minorizados apresentaram desempenho proporcionalmente superior no processo seletivo quando comparados à sua participação entre os inscritos. Dessa forma, os dados sugerem que a seleção dos editais contribuiu para ampliar a presença de grupos historicamente sub-representados no acesso aos recursos culturais, especialmente pessoas negras e indígenas.

plot_raca_total <- grafico_dist(
  df_pnab,
  raca,
  "Distribuição dos Participantes por Raça")

plot_raca_selecionados <- grafico_dist(
  df_pnab %>% filter(status == "Selecionada"),
  raca,
  "Distribuição dos Selecionados por Raça",
  "Quantidade de Selecionados")

plot_raca_total / plot_raca_selecionados

4.3 Perfil Social

Nesta sessão, sera tratado os perfils sociais dos participantes, discutindo as variaveis, escolaridade, renda, participação na comunidade LGBTQIAP+, se é PcD e a Natureza do proponente.

4.3.1 Escolaridade

Em relação à escolaridade dos participantes, observa-se uma concentração das inscrições entre pessoas com ensino superior completo (32,5%) e ensino médio completo (31,9%), que juntas representam mais da metade dos proponentes cadastrados nos editais da PNAB. Esse resultado sugere que o acesso aos editais culturais está fortemente associado a grupos com níveis mais elevados de escolarização, possivelmente em razão das exigências burocráticas e técnicas envolvidas no processo de inscrição.

Ao analisar apenas os selecionados, nota-se uma distribuição bastante semelhante à observada entre os inscritos. Participantes com ensino médio representam 34% dos aprovados, enquanto aqueles com ensino superior correspondem a 28,8%. Embora haja uma leve redução na participação dos proponentes com ensino superior e um aumento daqueles com ensino médio, as diferenças são relativamente pequenas.

Dessa forma, os resultados indicam que o nível de escolaridade não parece exercer um impacto expressivo sobre as chances de aprovação, uma vez que a composição educacional dos selecionados permanece próxima à observada no conjunto total de inscritos. Isso sugere que, ao menos entre os participantes que conseguiram acessar o processo seletivo, a escolaridade não constituiu um fator determinante para o resultado final da seleção.

plot_escolaridade_total <- grafico_dist(
  df_pnab,
  escolaridade,
  "Distribuição dos Participantes por Escolaridade")

plot_escolaridade_selecionados <- grafico_dist(
  df_pnab %>% filter(status == "Selecionada"),
  escolaridade,
  "Distribuição dos Selecionados por Escolaridade",
  "Quantidade de Selecionados")

plot_escolaridade_total / plot_escolaridade_selecionados

4.3.2 Renda

A distribuição de renda dos participantes evidencia uma característica importante do perfil dos agentes culturais contemplados pela pesquisa. Tanto entre os inscritos quanto entre os selecionados, observa-se uma forte concentração de proponentes com renda de até três salários mínimos, grupo que representa mais de 80% dos participantes em ambos os casos.

Além disso, a composição dos selecionados permanece muito próxima à observada entre o conjunto total de inscritos, indicando que o processo seletivo não produziu alterações significativas na distribuição de renda dos beneficiários. Em outras palavras, os grupos de menor renda mantiveram participação proporcional semelhante antes e após a seleção.

Esse resultado reforça o papel da PNAB como uma política pública voltada para o fortalecimento de trabalhadores da cultura que, em sua maioria, possuem rendimentos relativamente baixos. Os dados também evidenciam a relevância econômica dos recursos culturais para esse público, uma vez que os editais alcançam predominantemente agentes culturais inseridos em faixas de renda mais vulneráveis quando comparadas à média da população economicamente ativa.

plot_renda_total <- grafico_dist(
  df_pnab,
  renda,
  "Distribuição dos Participantes por Renda")

plot_renda_selecionados <- grafico_dist(
  df_pnab %>% filter(status == "Selecionada"),
  renda,
  "Distribuição dos Selecionados por Renda",
  "Quantidade de Selecionados")

plot_renda_total / plot_renda_selecionados

4.3.3 LGBTQIAP+

Em relação ao pertencimento à comunidade LGBTQIAP+, observa-se uma distribuição bastante semelhante entre os inscritos e os selecionados. Aproximadamente 28% dos participantes declararam fazer parte da comunidade, enquanto cerca de 72% informaram não pertencer a esse grupo.

Ao comparar os dois cenários, não são observadas alterações relevantes na composição dos participantes, indicando que a proporção de pessoas LGBTQIAP+ entre os selecionados permaneceu próxima àquela verificada no conjunto total de inscritos. Dessa forma, os resultados sugerem que o processo seletivo não produziu diferenças significativas na representação desse grupo.

plot_lgbt_total <- grafico_rosca(
  df_pnab,
  lgbt,
  "Participantes LGBTQIAP+"
)

plot_lgbt_selecionados <- grafico_rosca(
  df_pnab %>%
    filter(status == "Selecionada"),
  lgbt,
  "Selecionados LGBTQIAP+"
)

plot_lgbt_total + plot_lgbt_selecionados

4.3.4 PcD

No caso das pessoas com deficiência (PcD), observa-se uma participação bastante reduzida tanto entre os inscritos quanto entre os selecionados. Apesar da existência de políticas afirmativas e mecanismos de inclusão previstos nos editais, o percentual de participantes que se declararam PcD permanece muito baixo, variando entre aproximadamente 2% e 3% do total de proponentes.

Além disso, a comparação entre inscritos e selecionados não revela alterações significativas nessa proporção, indicando que a baixa representatividade desse grupo ocorre desde a etapa de inscrição e se mantém ao longo do processo seletivo. Esse resultado sugere que as principais barreiras podem estar relacionadas ao acesso inicial aos editais, e não necessariamente à etapa de avaliação das propostas.

Dessa forma, os dados apontam para a necessidade de aprofundar a discussão sobre acessibilidade e participação de pessoas com deficiência nas políticas culturais. Embora existam instrumentos voltados à promoção da inclusão, a reduzida presença desse público nos editais indica que ainda podem existir obstáculos estruturais que limitam sua participação nas ações de fomento à cultura.

plot_pcd_total <- grafico_rosca(
  df_pnab,
  pcd,
  "Participantes PcD"
)

plot_pcd_selecionados <- grafico_rosca(
  df_pnab %>%
    filter(status == "Selecionada"),
  pcd,
  "Selecionados PcD"
)

plot_pcd_total + plot_pcd_selecionados

4.3.5 Natureza

Em relação à natureza dos proponentes, observa-se uma predominância expressiva de pessoas físicas (PF) tanto entre os inscritos quanto entre os selecionados. Esse grupo representa cerca de 71% das inscrições e 67% dos projetos selecionados, evidenciando que a maior parte dos recursos da PNAB é acessada diretamente por agentes culturais individuais.

Os coletivos culturais, por sua vez, apresentam um crescimento proporcional entre os selecionados, passando de aproximadamente 8% dos inscritos para 12% dos selecionados. Esse resultado sugere um desempenho relativamente superior desse perfil durante o processo seletivo. As pessoas jurídicas (PJ) também registram um leve aumento, passando de 10% para 11% dos participantes selecionados.

Em sentido contrário, os microempreendedores individuais (MEI) reduzem sua participação entre os aprovados, passando de 11% entre os inscritos para 8,5% entre os selecionados. Apesar dessa diminuição, o grupo continua representando uma parcela relevante dos proponentes contemplados.

De forma geral, os resultados indicam que, embora as pessoas físicas permaneçam como o principal perfil de acesso aos editais, os projetos apresentados por coletivos e organizações formais tendem a ganhar maior representatividade entre os selecionados, sugerindo uma distribuição mais diversificada dos recursos culturais após a etapa de avaliação.

plot_natureza_total <- grafico_dist(
  df_pnab,
  natureza,
  "Distribuição dos Participantes por Natureza")

plot_natureza_selecionados <- grafico_dist(
  df_pnab %>% filter(status == "Selecionada"),
  natureza,
  "Distribuição dos Selecionados por Natureza",
  "Quantidade de Selecionados")

plot_natureza_total /
  plot_natureza_selecionados

5 Análise Interativa Multivariada

Além das análises individuais apresentadas anteriormente, foi desenvolvida uma ferramenta interativa que permite explorar relações entre diferentes variáveis da base de dados.

Por meio da seleção de uma variável principal e de uma variável de agrupamento, o usuário pode visualizar tabelas e gráficos proporcionais, facilitando a identificação de padrões relacionados à participação e aos resultados dos editais. A utilização de proporções permite comparar grupos de tamanhos distintos de forma mais adequada.

O objetivo desta seção é complementar a análise exploratória, possibilitando que gestores culturais, pesquisadores e agentes culturais investiguem diferentes combinações de variáveis e identifiquem padrões que podem não ser perceptíveis em análises isoladas.

Como utilizar: selecione uma variável principal e uma variável de agrupamento para visualizar a distribuição dos grupos na tabela e no gráfico interativo.

cores_pnab <- c(
  "#4400FF",
  "#ED282C",
  "#FFCE00",
  "#FF6700",
  "#00AEEF",
  "#00C853",
  "#8E24AA",
  "#795548",
  "#4400FF",
  "#ED282C",
  "#FFCE00",
  "#FF6700",
  "#00AEEF",
  "#00C853",
  "#8E24AA",
  "#795548")



variaveis <- c(
  "Status" = "status",
  "Faixa Etária" = "faixa_idade",
  "Gênero" = "genero",
  "Raça" = "raca",
  "LGBTQIAP+" = "lgbt",
  "Escolaridade" = "escolaridade",
  "Renda" = "renda",
  "Macrorregião" = "macrorreg",
  "Natureza" = "natureza",
  "PcD" = "pcd")

fluidRow(
  column(
    width = 6,
    selectInput(
      "var_x",
      "Variável Base:",
      choices = variaveis,
      selected = "faixa_idade")),
  column(
    width = 6,
    selectInput(
      "var_fill",
      "Variável de Agrupamento:",
      choices = variaveis,
      selected = "status")))

Variável Base:

Status Faixa Etária Gênero Raça LGBTQIAP+ Escolaridade Renda Macrorregião Natureza PcD

Variável de Agrupamento:

Status Faixa Etária Gênero Raça LGBTQIAP+ Escolaridade Renda Macrorregião Natureza PcD

renderPlot({
  df_pnab %>%
    count(
      .data[[input$var_x]],
      .data[[input$var_fill]]) %>%
    group_by(.data[[input$var_x]]) %>%
  mutate(
    prop = n / sum(n),
    label = ifelse(prop >= 0.05,percent(prop, accuracy = 0.1),"")) %>%
    ungroup() %>%
    ggplot(
      aes(
        x = .data[[input$var_x]],
        y = n,
        fill = .data[[input$var_fill]])) +
    geom_col(position = "fill", color = "black") +
    geom_text(
      aes(label = label),
      position = position_fill(vjust = .5),
      size = 4,
      color = "black",
      face = "bold",) +
    scale_y_continuous(
      labels = scales::percent) +
    labs(
      title = paste(
        names(variaveis)[match(input$var_x, variaveis)],
        "x",
        names(variaveis)[match(input$var_fill, variaveis)]),
      x = names(variaveis)[match(input$var_x, variaveis)],
      fill = names(variaveis)[match(input$var_fill, variaveis)],
      y = "Proporção") +
    theme_minimal() +
    scale_fill_manual(values = cores_pnab)
})

renderDT({
  nome_var_x <- names(variaveis)[variaveis == input$var_x]
  tab <- df_pnab %>%
    count(
      .data[[input$var_x]],
      .data[[input$var_fill]]) %>%
    group_by(
      .data[[input$var_x]]) %>%
    mutate(
      prop = scales::percent(
        n / sum(n),
        accuracy = 0.1),
      valor = paste0(n," (",prop,")")) %>%
    ungroup() %>%
    select(
      all_of(input$var_x),
      all_of(input$var_fill),
      valor) %>%
    pivot_wider(
      names_from = .data[[input$var_fill]],
      values_from = valor,
      values_fill = "-")
  names(tab)[1] <- nome_var_x
  DT::datatable(
    tab,
    rownames = FALSE,
    class = "cell-border stripe hover compact",
    options = list(
      pageLength = 15,
      scrollX = TRUE,
      columnDefs = list(
        list(
          className = "dt-center",
          targets = "_all"))))
})

6 Conclusão

Este estudo buscou compreender quem acessa e quem consegue ser selecionado nos editais da Política Nacional Aldir Blanc (PNAB) em Pernambuco, investigando possíveis desigualdades territoriais, demográficas e sociais no acesso aos recursos públicos destinados à cultura.

Para abordar esse problema, foram utilizados dados administrativos das inscrições realizadas nos editais da PNAB entre 2024 e 2025, disponibilizados pela Secretaria de Cultura de Pernambuco. Após etapas de limpeza, padronização e transformação dos dados, foi realizada uma Análise Exploratória de Dados (AED) na linguagem R, utilizando tabelas, gráficos e visualizações interativas para investigar padrões de participação e aprovação.

Os resultados indicaram uma distribuição territorial mais equilibrada entre os selecionados quando comparada ao conjunto de inscritos, sugerindo um processo de descentralização dos recursos culturais. Também foram observados avanços na representação de grupos racialmente minorizados, especialmente pessoas negras e indígenas, entre os projetos aprovados. Por outro lado, a participação de pessoas com deficiência permaneceu reduzida, indicando possíveis barreiras de acesso anteriores à etapa de seleção.

Para gestores culturais, os achados oferecem evidências que podem subsidiar ações voltadas à ampliação da participação de grupos sub-representados e ao aperfeiçoamento das políticas de fomento. Para agentes culturais, a análise contribui para uma melhor compreensão do perfil dos participantes e das características associadas ao acesso aos editais.

Como limitações, o estudo utilizou apenas informações declaradas pelos inscritos, não contemplando variáveis como notas atribuídas aos projetos, critérios específicos de avaliação ou qualidade técnica das propostas. Estudos futuros podem incorporar essas informações, além de aplicar métodos estatísticos inferenciais e modelos preditivos, permitindo compreender de forma mais aprofundada os fatores associados às chances de aprovação nos editais culturais.