1.1 O problema

Em 2025, foram empenhados R$ 47,1 bilhões em emendas parlamentares, quase oito vezes mais do que em 2014 (R$ 6,1 bilhões). É muito dinheiro, e nem sempre dá para saber quem pediu e para onde ele foi.

Todo ano o Congresso vota o orçamento do governo federal. Nessa votação, deputados e senadores podem propor emendas, que servem para mandar uma parte desse dinheiro para estados e municípios, por exemplo para a saúde ou para obras. Por isso as emendas são muito comentadas quando se fala em política e transparência.

As emendas têm tipos diferentes: individual (de um parlamentar), de bancada (dos parlamentares de um estado), de comissão (das comissões do Congresso) e de relator (do relator geral do orçamento).

Dois termos aparecem muito no noticiário e são coisas diferentes. A “emenda Pix” é uma emenda individual do tipo transferência especial, criada em 2019 e usada desde 2020. Nela o dinheiro vai direto para o estado ou o município, sem convênio e sem dizer em que vai ser gasto, mas dá para saber qual parlamentar fez a emenda (Araújo 2026). Já o “orçamento secreto” era o uso das emendas de relator. No papel o autor era o relator geral, mas quem indicava para onde o dinheiro ia eram outros parlamentares, e o nome deles não aparecia. Em dezembro de 2022 o STF julgou o orçamento secreto inconstitucional, e as emendas de relator passaram a servir só para corrigir erros e omissões do orçamento (Supremo Tribunal Federal 2022). A emenda Pix não fez parte dessa decisão, mas em 2024 o STF passou a exigir mais transparência dela também (Supremo Tribunal Federal 2024).

Como estudo em Pernambuco, quis ver como o estado aparece nesse cenário. A pergunta do trabalho é: para onde vai o dinheiro das emendas parlamentares e como Pernambuco se compara aos outros estados do Nordeste?

1.2 A abordagem

Primeiro eu limpo e junto as três tabelas do Portal da Transparência. Depois faço gráficos para ver o quadro geral do Brasil, comparar Pernambuco com o Nordeste, ver quanto do dinheiro não diz para qual município foi, quem recebe, quanto do que foi prometido é pago e o que os convênios compram.

1.3 A técnica

Os dados foram lidos com a função read.csv() e tratados com os recursos nativos do R e com os pacotes dplyr e tidyr, e as tabelas foram unidas com merge() pelo Código da Emenda. Os gráficos foram feitos com barplot() e com o plotly, que deixa alguns deles interativos, e as tabelas com kable. Para os convênios, também classifiquei cada um em um tema (saúde, pavimentação, água etc.) a partir de palavras-chave no texto do objeto.

1.4 Quem se beneficia

A análise pode ser útil para quem quer entender melhor como o dinheiro público é distribuído, como estudantes, jornalistas e pessoas que acompanham os gastos do governo, e também para quem trabalha em municípios e quer comparar o seu estado com os vizinhos.

3.1 Fonte dos dados

Os dados vêm do Portal da Transparência do Governo Federal (Portal da Transparência do Governo Federal 2026). O portal foi criado para a população poder acompanhar como o dinheiro público é gasto, então o propósito original desses dados é a transparência. Os dados são registros do próprio governo federal, tirados do sistema que controla o orçamento (o SIAFI), e são atualizados conforme o dinheiro é empenhado e pago.

Baixei os arquivos em outubro de 2026. São dados livres e cobrem os anos de 2014 a 2026 (2026 vai até outubro). Eles vêm em três tabelas em CSV, ligadas pelo Código da Emenda:

• Emendas (28 variáveis): ano, tipo, autor, local, área do gasto e valores empenhado, liquidado e pago.
• Por Favorecido (13 variáveis): quem recebeu o dinheiro e quanto.
• Convênios (12 variáveis): convenente, objeto e valor dos convênios.

Os valores ausentes não vêm como NA. Eles aparecem escritos como “Sem informação” ou “S/I”, então precisei tratar isso antes de analisar.

3.2 Importação

# Os três arquivos vêm com ";" separando as colunas, vírgula nos decimais, acentos em latin1 e os valores ausentes escritos como "Sem informação" ou "S/I". Fiz uma função para não repetir isso três vezes.
# O check.names = FALSE é para manter os nomes das colunas como estão no arquivo, com espaço e acento.
ler_csv <- function(arquivo) {
  read.csv(file = arquivo, sep = ";", dec = ",", header = TRUE,
           fileEncoding = "latin1", strip.white = TRUE,
           na.strings = c("", "Sem informação", "S/I"),
           check.names = FALSE)
}

emendas_bruto <- ler_csv("dados/EmendasParlamentares.csv")
favorecidos_bruto <- ler_csv("dados/EmendasParlamentares_PorFavorecido.csv")
convenios_bruto <- ler_csv("dados/EmendasParlamentares_Convenios.csv")

Juntas, as três bases têm 1.008.589 linhas. Na base de emendas, “Sem informação” ou “S/I” aparecem 158.950 vezes, e 17.810 linhas estão sem Código da Emenda, o que impede juntar essas linhas com as outras tabelas. Os valores vêm com vírgula decimal (858000,00), o que resolvi na importação com o argumento dec = “,”, e as datas vêm como texto.

3.3 Limpeza

# Tabela de apoio: os 9 estados do Nordeste (nome completo e sigla). É necessária porque a base de emendas usa o nome do estado e a de favorecidos usa a sigla.
nordeste <- data.frame(
  uf_sigla = c("AL", "BA", "CE", "MA", "PB", "PE", "PI", "RN", "SE"),
  uf = c("ALAGOAS", "BAHIA", "CEARÁ", "MARANHÃO", "PARAÍBA", "PERNAMBUCO", "PIAUÍ", "RIO GRANDE DO NORTE", "SERGIPE")
)

# 1) seleciono só as colunas que eu quero, pelo nome original
emendas <- emendas_bruto[, c("Código da Emenda", "Ano da Emenda", "Tipo de Emenda", "Nome do Autor da Emenda", "Localidade de aplicação do recurso", "Município", "UF", "Nome Função", "Valor Empenhado", "Valor Liquidado", "Valor Pago", "Valor Restos A Pagar Pagos")]

# 2) Então troco por nomes curtos, sem acento e sem espaço
names(emendas) <- c("codigo", "ano", "tipo", "autor", "localidade", "municipio", "uf", "funcao", "empenhado", "liquidado", "pago", "pago_depois")

# 3) tipo de emenda vira fator, e troco os níveis por nomes mais curtos
emendas$tipo <- factor(emendas$tipo, levels = c(
  "Emenda de Bancada", "Emenda de Comissão", "Emenda de Relator",
  "Emenda Individual - Transferências com Finalidade Definida",
  "Emenda Individual - Transferências Especiais"))
levels(emendas$tipo) <- c("Bancada", "Comissão", "Relator",
                          "Individual (finalidade definida)", "Individual (transf. especial)")

# 4) duas variáveis novas
emendas <- emendas %>%
  mutate(
    # nível em que o recurso foi registrado
    nivel = ifelse(is.na(uf), "Nacional/Regional",
            ifelse(localidade == "MÚLTIPLO", "Múltiplo (sem município)",
            ifelse(is.na(municipio), "Estado", "Município"))),
    # total realmente pago no próprio ano e restante pago depois
    pago_total = pago + pago_depois
  )

# 5) recorte do projeto: só os estados do Nordeste. O merge junta com a tabela de apoio pela coluna uf: fica só quem é do Nordeste e cada linha ganha a coluna uf_sigla.
emendas_ne <- merge(emendas, nordeste, by = "uf")
emendas_ne$grupo <- ifelse(emendas_ne$uf_sigla == "PE", "Pernambuco", "Demais estados do NE")

# seleciono as colunas que eu quero e troco os nomes
favorecidos <- favorecidos_bruto[, c("Código da Emenda", "Ano/Mês", "Favorecido",
                                   "Natureza Jurídica", "Tipo Favorecido", "UF Favorecido",
                                   "Município Favorecido", "Valor Recebido")]
names(favorecidos) <- c("codigo", "ano_mes", "favorecido", "natureza_juridica",
                        "tipo_favorecido", "uf_sigla", "municipio_fav", "valor")

# "Ano/Mês" vem junto como um número só (202610). Transformo em texto, pego os 4 primeiros caracteres (ano) e os 2 últimos (mês)
ano_mes_texto <- as.character(favorecidos$ano_mes)
favorecidos$ano_pag <- substr(ano_mes_texto, 1, 4) # "2026"
favorecidos$mes_pag <- substr(ano_mes_texto, 5, 6) # "10"

# e monto uma data de verdade, usando o dia 1 do mês: "2026-10-01"
favorecidos$data_pag <- as.Date(paste(favorecidos$ano_pag, favorecidos$mes_pag, "01", sep = "-"))

# mesma categoria escrita de jeitos diferentes na fonte
favorecidos$tipo_favorecido[which(favorecidos$tipo_favorecido == "Pessoa Fisica")] <- "Pessoa Física"
favorecidos$tipo_favorecido[which(favorecidos$tipo_favorecido == "Inscrição Genéric")] <- "Inscrição Genérica"

# só favorecidos do Nordeste
favorecidos <- favorecidos %>% filter(uf_sigla %in% nordeste$uf_sigla)

# seleciono as colunas de interesse e troco os nomes
convenios <- convenios_bruto[, c("Código da Emenda", "Nome Função", "Localidade do gasto",
                               "Data Publicação Convênio", "Convenente",
                               "Objeto Convênio", "Valor Convênio")]
names(convenios) <- c("codigo", "funcao", "localidade", "data_pub",
                      "convenente", "objeto", "valor")

# "06/01/2016" -> dia, mês e ano em colunas separadas
convenios <- convenios %>%
  separate(col = data_pub, into = c("dia_pub", "mes_pub", "ano_pub"), sep = "/") %>%
  mutate(mes_pub = as.numeric(mes_pub),
         ano_pub = as.numeric(ano_pub))

# "JEQUIÉ - BA" -> local = "JEQUIÉ" e uf_sigla = "BA". Convênios estaduais ("PERNAMBUCO (UF)") não têm " - ", então a sigla fica NA
convenios <- convenios %>%
  separate(col = localidade, into = c("local", "uf_sigla"), sep = " - ", fill = "right")

# para os convênios estaduais, pego a sigla na tabela de apoio: para cada estado do Nordeste, onde local é "PERNAMBUCO (UF)" coloco "PE"
for (i in 1:nrow(nordeste)) {
  linhas <- which(convenios$local == paste(nordeste$uf[i], "(UF)"))
  convenios$uf_sigla[linhas] <- nordeste$uf_sigla[i]
}

O que eu fiz na limpeza:

1. Na importação, “Sem informação” e “S/I” viraram NA (argumento na.strings) e os valores já viraram número (argumento dec). Não preenchi nenhum valor ausente, porque não faz sentido inventar valores em reais.
2. Selecionei só as colunas de interesse e troquei os nomes por nomes curtos, sem acento e sem espaço.
3. Transformei o tipo de emenda em fator e troquei os níveis por nomes mais curtos.
4. Criei a variável nivel, que diz se o recurso foi registrado para um estado, um município, “múltiplo” (sem município) ou nacional.
5. Criei a variável pago_total, que soma o valor pago no próprio ano com o que foi pago nos anos seguintes.
6. Usei só os 9 estados do Nordeste nas comparações. Como a base de emendas usa o nome do estado e a de favorecidos usa a sigla, fiz uma tabela de apoio e juntei com merge().
7. Nos favorecidos, separei Ano/Mês em ano e mês, montei uma data do pagamento (as.Date) e corrigi grafias diferentes da mesma categoria (como “Pessoa Fisica”).
8. Nos convênios, separei a data em dia, mês e ano e separei o município da sigla do estado (separate).

3.4 Conjunto de dados final

A base principal do Nordeste tem 25.851 linhas, e 4.048 são de Pernambuco. Uma mesma emenda pode aparecer em mais de uma linha. A tabela mostra só 10 linhas sorteadas, para dar uma ideia da estrutura.

3.5 Resumo das variáveis

A base do Nordeste vai de 2014 a 2026, com R$ 74,9 bi empenhados e R$ 67,1 bi pagos. A variável autor tem 4.661 linhas sem informação.

4.1 O volume cresceu muito

Primeiro quis ver quanto dinheiro as emendas movimentam por ano no Brasil inteiro, separado por tipo de emenda.

O valor empenhado passou de R$ 6,1 bi em 2014 para R$ 47,1 bi em 2025, que foi o maior da série (o menor foi 2015, com R$ 3,4 bi). E 2026 ainda nem acabou e já tem R$ 40,3 bi. Dá para ver duas mudanças no gráfico. As emendas de relator vão até 2022 e depois desaparecem, e no mesmo período as emendas de comissão passam de R$ 0,3 bi em 2022 para R$ 11,7 bi em 2024. Além disso, as transferências especiais começam em 2020. Essas mudanças aconteceram perto da decisão do STF em 2022, mas só com esses dados não dá para dizer que uma coisa causou a outra.

4.2 Pernambuco no Nordeste

Agora o foco é a comparação entre os estados do Nordeste. Aqui só entram as linhas que têm estado definido.

Pernambuco fica em 3º lugar no valor empenhado, com R$ 10,1 bi, o que dá 13,5% do total do Nordeste. No valor pago ele também fica em 3º. O estado que mais recebeu foi a Bahia, com R$ 14,5 bi. Como são valores totais, estados maiores tendem a receber mais, e eu não consegui ajustar pela população porque ela não está nos dados.

Como o total não mostra o tipo de emenda, montei uma matriz com os estados nas linhas e os tipos nas colunas, e dividi cada linha pelo seu total. Assim cada estado soma 100% e dá para comparar o perfil de cada um.

# Valor empenhado por estado e tipo de emenda
tipo_uf <- emendas_ne %>%
  group_by(uf_sigla, tipo) %>%
  summarise(emp = sum(empenhado, na.rm = TRUE)) %>%
  ungroup() %>%
  spread(key = tipo, value = emp, fill = 0) # cada tipo vira uma coluna

# vira matriz: estados nas linhas, tipos nas colunas. Tiro a coluna da sigla e uso ela como nome das linhas
matriz_tipos <- as.matrix(tipo_uf[, -1])
rownames(matriz_tipos) <- tipo_uf$uf_sigla

# prop.table com margin = 1: cada linha (estado) passa a somar 1
matriz_perc <- prop.table(matriz_tipos, margin = 1)

# linha extra com o perfil do Nordeste inteiro (soma das colunas da matriz)
matriz_perc <- rbind(matriz_perc, NE = colSums(matriz_tipos) / sum(matriz_tipos))

round(matriz_perc * 100, 1) %>%
  kbl(caption = "Distribuição do valor empenhado por tipo de emenda (% de cada estado)",
      format.args = list(decimal.mark = ",")) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed")) %>%
  row_spec(which(rownames(matriz_perc) == "PE"), bold = TRUE, color = "white", background = cor_pe) %>%
  row_spec(nrow(matriz_perc), bold = TRUE, italic = TRUE)

Somando os dois tipos de emenda individual, eles representam 73,2% do valor de Pernambuco, contra 65,3% no Nordeste como um todo. O estado com maior peso de emendas individuais é a Bahia (77,8%) e o com menor é o Rio Grande do Norte (54,0%).

A participação de Pernambuco varia de 10,5% (em 2018) a 14,4% (em 2026, que ainda está incompleto). Mesmo com o dinheiro total crescendo bastante, a fatia do estado ficou sempre entre 10% e 15%.

Também olhei em quais áreas o dinheiro de Pernambuco é aplicado.

A saúde é a área com mais dinheiro, com 56,3% do que foi empenhado em Pernambuco. Nos outros estados do Nordeste a parcela é parecida (56,5%), então o perfil de Pernambuco não é muito diferente do resto da região. A segunda área é “Encargos especiais”, que em Pernambuco é formada só pelas transferências especiais (emenda Pix). Como essas emendas não dizem em que o dinheiro vai ser gasto, elas entram nessa categoria genérica.

4.3 O dinheiro “sem endereço”

Na planilha de emendas, a coluna que diz o local do recurso muitas vezes vem escrita como “MÚLTIPLO” em vez do nome de um município. Isso quer dizer que a emenda é de um estado, mas o registro não diz para qual município o dinheiro foi, normalmente porque ele é dividido entre vários. Isso atrapalha saber onde o dinheiro chegou.

No Nordeste, 66,8% do valor está registrado como “Múltiplo”, e em Pernambuco é 66,7%. Entre os estados, vai de 58,0% (Sergipe) a 75,1% (Piauí). Ou seja, mais da metade do dinheiro não diz para qual município foi. Isso não quer dizer que o dinheiro sumiu, e na próxima parte uso a tabela de favorecidos para descobrir o destino.

4.4 Quem recebe o dinheiro

Para as emendas de Pernambuco registradas como “Múltiplo”, juntei com a tabela de favorecidos, que mostra o município que recebeu.

# Códigos das emendas "Múltiplo" de PE (unique: cada código aparece uma vez só)
codigos_multiplo_pe <- emendas_ne %>%
  filter(uf_sigla == "PE", nivel == "Múltiplo (sem município)", !is.na(codigo)) %>%
  select(codigo)
codigos_multiplo_pe <- unique(codigos_multiplo_pe)

# merge com a tabela de favorecidos, que mostra em qual município o dinheiro chegou
destino_multiplo <- merge(favorecidos, codigos_multiplo_pe, by = "codigo") %>%
  filter(uf_sigla == "PE") %>%
  group_by(municipio_fav) %>%
  summarise(recebido      = sum(valor, na.rm = TRUE),
            n_favorecidos = length(unique(favorecido))) %>%
  arrange(desc(recebido)) %>%
  mutate(part = recebido / sum(recebido))

destino_multiplo %>%
  head(10) %>%
  mutate(municipio_fav = titulo(municipio_fav),
         recebido = reais(recebido),
         part = pc(part)) %>%
  kbl(col.names = c("Município", "Valor recebido", "Nº de favorecidos", "Participação"),
      caption = "Municípios de Pernambuco que receberam o dinheiro das emendas sem município definido") %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)

Consegui achar R$ 3,8 bi dos R$ 6,2 bi pagos nessas emendas. Quase todo o resto aparece na tabela de favorecidos como pago ao Banco do Brasil, em Brasília, então nem essa tabela mostra para qual município ele foi. A parte que achei em Pernambuco chega a 184 municípios, que são todos os municípios do estado (Fernando de Noronha é um distrito e não entra na conta). O que mais recebeu foi Recife, com 5,7% do total, e o resto fica bem distribuído. Então a junção das tabelas mostra uma informação que a base de emendas sozinha não mostra.

Também olhei que tipo de favorecido recebe o dinheiro em Pernambuco (natureza jurídica).

Em Pernambuco, 72,9% do valor vai para municípios e fundos municipais, o que combina com o peso da saúde. Nos outros estados do Nordeste essa parcela é de 73,8%, bem parecida.

Por fim, os autores das emendas de Pernambuco:

O maior autor é a Bancada de Pernambuco, com R$ 2,3 bi. Entre os parlamentares individuais, o primeiro é Humberto Costa. Um ponto que chama atenção é que 432 registros (R$ 0,6 bi) não têm autor informado, então não dá para saber quem indicou todo o dinheiro.

Fiquei curioso para saber se a falta de autor acontece igual em todos os tipos de emenda, então olhei isso para o Brasil inteiro.

Nas emendas de relator, 31,2% do valor não tem autor, enquanto nos outros tipos juntos isso fica em 4,6%. Em Pernambuco, 80 dos 432 registros sem autor são de relator. Isso tem a ver com a crítica feita ao “orçamento secreto”, que o STF considerou inconstitucional justamente por não mostrar quem pediu o dinheiro. As emendas de relator também são as que mais têm linhas sem Código da Emenda, que não podem ser ligadas às outras tabelas.

4.5 O dinheiro chega?

Empenhar é prometer o gasto e pagar é entregar o dinheiro. Aqui comparo quanto do valor empenhado virou pagamento, de 2014 a 2025 (para não pegar o ano incompleto).

Em Pernambuco, 90,0% do valor empenhado já foi pago, e nos outros estados do Nordeste é 91,9%. O que foi liquidado dentro do próprio ano é menor (61,6% em Pernambuco), o que mostra que boa parte do dinheiro é paga depois, como restos a pagar. Pernambuco fica em 6º lugar entre os nove estados na taxa de execução, que varia de 88,5% a 94,3%. Então o estado fica um pouco abaixo da maioria, mas a diferença entre eles é pequena.

4.6 O que se compra e quando

Na tabela de convênios, olhei em que mês eles são publicados e o que eles compram.

54,1% dos convênios do Nordeste foram publicados em dezembro e janeiro, e de fevereiro a abril quase não há publicação. Parece que os convênios se concentram na virada do ano, mas os dados não explicam o motivo.

E o que esses convênios compram? O campo “objeto do convênio” é um texto livre, e quase todos começam do mesmo jeito (“aquisição de equipamento e material permanente para…”). Por isso, contar palavras soltas não ajuda. Em vez disso, classifiquei cada convênio de Pernambuco em um tema, procurando palavras-chave no texto, e contei quantos convênios caem em cada tema. Usei a quantidade e não o valor porque o “Valor Convênio” é o valor total do convênio e se repete em cada emenda ligada a ele. Um único convênio de R$ 1,25 bilhão (a Adutora do Agreste) aparece duas vezes e, sozinho, distorceria a soma.

# Classifico cada convênio em um tema procurando palavras-chave no texto do objeto. Antes, deixo tudo em minúsculas e tiro os acentos, porque alguns textos vêm com acento. O case_when testa na ordem: o convênio fica no primeiro tema que encaixar.
convenios_pe <- convenios_ne %>%
  filter(uf_sigla == "PE") %>%
  mutate(objeto = tolower(objeto),
         objeto = chartr("áàâãéêíóôõúç", "aaaaeeiooouc", objeto),
         tema = case_when(
           grepl("saude|hospital|oncolog|atencao|clinic|maternidade|medic", objeto) ~ "Saúde",
           grepl("paviment|recapeament|asfalt|calcament|calcada|meio fio|vias|ruas|estrada", objeto) ~ "Pavimentação e ruas",
           grepl("abastecimento|agua|adutora|saneamento|sanitari|esgoto|drenagem|cisterna|barragem", objeto) ~ "Água e saneamento",
           grepl("quadra|esport|futebol|torneio|ginasio|campo|estadio|lazer|praca|parque", objeto) ~ "Esporte, lazer e praças",
           grepl("patrulha|trator|maquina|agricol|agricultura|retroescavadeira", objeto) ~ "Agricultura e máquinas",
           grepl("social|vulnerabilidade|mulheres|capacitacao|qualificacao|formacao|inclusao|jovens", objeto) ~ "Assistência social e capacitação",
           grepl("cultur|festival|apresentac|artist|musica|livro|exposicao|turis", objeto) ~ "Cultura, turismo e eventos",
           grepl("escola|creche|educa|ensino", objeto) ~ "Educação",
           TRUE ~ "Outros"))

# quantos convênios caem em cada tema
temas <- convenios_pe %>%
  group_by(tema) %>%
  summarise(n = n()) %>%
  mutate(prop = n / sum(n))

# "Outros" fica embaixo e o resto em ordem do menor para o maior (no barplot horizontal o 1º fica embaixo)
temas <- temas[order(temas$tema != "Outros", temas$prop), ]

par(mar = c(4, 17, 4, 1))
barplot(temas$prop * 100, names.arg = temas$tema,
        horiz = TRUE, las = 1, col = ifelse(temas$tema == "Outros", cor_ne, cor_pe),
        cex.names = 0.85, xlim = c(0, 40),
        main = paste0("Pavimentação e saúde somam ",
                      pc(sum(temas$prop[temas$tema %in% c("Pavimentação e ruas", "Saúde")])),
                      "\ndos convênios de Pernambuco"),
        xlab = "% dos convênios de Pernambuco")

Entre os 2.514 convênios de Pernambuco, os dois temas mais comuns são a pavimentação de ruas (28,7%) e a saúde (22,8%), quase sempre compra de equipamentos para unidades de atenção especializada. Depois vêm esporte, lazer e praças (9,8%) e assistência social e capacitação (7,5%). Isso bate com o que apareceu antes sobre a saúde. O grupo “Outros” (16,0%) junta projetos que não se encaixaram em nenhum tema. Como a classificação depende das palavras-chave que eu escolhi, o resultado é uma aproximação.

5.1 Resposta à pergunta

O dinheiro das emendas cresceu bastante (de R$ 6,1 bi em 2014 para R$ 47,1 bi em 2025). No Nordeste, mais da metade vai para a saúde e a maior parte chega a municípios e fundos municipais. Pernambuco fica em 3º lugar no Nordeste em valor empenhado (R$ 10,1 bi, 13,5% da região), e só a Bahia e o Ceará receberam mais. Na área de aplicação e na execução, o estado é parecido com os vizinhos.

5.2 Resumo do método

Analisei as três tabelas do Portal da Transparência, tratei os valores ausentes, converti valores e datas, criei duas variáveis (nivel e pago_total) e juntei as tabelas pelo Código da Emenda. Depois fiz gráficos e tabelas e classifiquei os convênios por tema.

5.3 Principais resultados

1. As emendas de relator vão até 2022 e somem, enquanto as de comissão e as transferências especiais crescem.
2. 66,8% do valor do Nordeste está como “Múltiplo”, mas a tabela de favorecidos mostra que em Pernambuco ele chega a todos os 184 municípios.
3. Pernambuco pagou 90,0% do que empenhou e ficou em 6º no Nordeste, mas a diferença entre os estados é pequena.
4. 54,1% dos convênios são publicados em dezembro e janeiro.
5. 432 registros de Pernambuco não têm autor informado. No Brasil, 31,2% do valor das emendas de relator não tem autor, contra 4,6% nos outros tipos.

5.4 Implicações

O resultado mostra que, quando o dinheiro vem em tipos de emenda mais difíceis de acompanhar, fica mais complicado saber para onde ele foi. Também mostra que juntar tabelas diferentes ajuda a recuperar informações que uma tabela sozinha não mostra.

A partir disso, deixo três recomendações:

1. Quem fiscaliza os gastos públicos, como jornalistas e estudantes, pode começar pelas emendas registradas como “Múltiplo” e pelas de relator. É ali que está o dinheiro mais difícil de rastrear, já que 66,8% do valor do Nordeste não diz o município e 31,2% do valor das emendas de relator não tem autor.
2. Antes de tirar conclusões, vale cruzar a base de emendas com a de favorecidos. Olhando só a base de emendas, o dinheiro “Múltiplo” de Pernambuco parece não ter destino. Com o cruzamento, achei R$ 3,8 bi chegando a todos os municípios do estado.
3. Como 54,1% dos convênios são publicados em dezembro ou janeiro, as prefeituras de Pernambuco podem ter os projetos prontos antes do fim do ano, que é quando a maior parte deles sai.

5.5 Limitações

1. Os valores são totais e não por habitante. Para saber se Pernambuco recebe pouco ou muito, seria preciso juntar a população de cada estado (por exemplo, do IBGE), o que fica como próximo passo.
2. As linhas sem estado definido ficaram fora da comparação entre estados, e as registradas como “Múltiplo” só foram recuperadas em parte, porque uma parte aparece como paga ao Banco do Brasil.
3. 17.810 linhas estão sem Código da Emenda e não puderam ser juntadas com as outras tabelas.
4. O fim das emendas de relator e o crescimento das de comissão acontecem na mesma época, mas isso não prova que uma coisa causou a outra.
5. A classificação dos convênios por tema usa palavras-chave que eu escolhi, então alguns convênios podem ter ficado no tema errado ou em “Outros”.