Gastos no cartão corporativo presidencial entre 2003 e 2022

1. Contexto

No dia 12 de janeiro de 2023 foram divulgados os dados dos gastos do CPGF (Cartão de Pagamento do Governo Federal) 1. Por curiosidade resolvi analisar a planilha, a intenção inicial era fazer um comparativo entre os gastos do diversos governos com dados corrigidos pela inflação.

Para tal, utilizo o pacote do R deflateBR 2, que extrai dados dos principais índices de preços da API do IPEA, compatibiliza as datas mensais desses índices com as datas dos valores nominais da série e, por fim, deflaciona e retorna os valores corrigidos. O índice escolhido foi o IPCA (Índice Nacional de Preços ao Consumidor Amplo), por ser o principal índice brasileiro de inflação.

  • Os maiores gastos foram feitos durante o governo Lula e há considerável diminuição das compras a partir do governo Dilma/Temer.
  • A grande maioria das despesas é feita em hospedagem ou alimentação.
  • Hospedagem é a categoria com mais gastos, com o valor acumulado de R$ 99.546.417 (valores corrigidos pelo IPCA dez-2022) ao longo dos últimos 20 anos.
  • Desde o início da série foram gastos R$ 210.556.492 no CPGF.
  • Há de se destacar as despesas no Mercadinho La Palma LTDA ao longo dos anos: foram 6.351.730 reais gastos no estabelecimento, o local com maior soma de gastos durante a série.

Entretanto, desde o começo da análise até a presente data, muitas dúvidas surgiram sobre a qualidade dos dados divulgados, o que põe em cheque qualquer tipo de comparação entre os governos. Segundo reportagem do UOL 3, não se sabe se os gastos do presidente são referentes a apenas gastos individuais ou se englobam outras secretarias. Além disso, há inconsistências entre os dados apresentados na planilha e os divulgados no portal da transparência 4.

Ainda assim, continuei a análise por curiosidade. Entretanto, é interessante ter uma boa dose de ceticismo ao fazer comparações.

2. Pré-processamento dos dados

Carregando os pacotes

#carregando as bibliotecas
library(tidyverse)
library(ggplot2)
library(deflateBR)
library(stringr)
library("skimr")
library("scales")
library(patchwork)
library(knitr)
library(kableExtra)
library(htmltools)
#retirando a notação cientifica
options(scipen=999)
#mudando o diretório
setwd('C:/Users/SAMSUNG/OneDrive/Documentos/GitHub/cartao_corporativo')

Os dados utilizados nessa análise podem ser encontrados aqui.

Loading da base

corporativo <- read.csv2('corporativo.csv', encoding='LATIN1')
corporativo %>% 
  head(10) %>% 
  kbl() %>% 
  kable_styling(bootstrap_options = c("striped", "condensed", "responsive", "hover"), full_width = FALSE)
DATA.PGTO CPF.SERVIDOR CPF.CNPJ.FORNECEDOR NOME.FORNECEDOR VALOR TIPO SUBELEMENTO.DE.DESPESA CDIC
02/01/2003 *.010.008- 31349202000177 JW TRANSPORTADORA TUR?TICA R$ 1.696,90 D LOCACAO DE MEIOS DE TRANSPORTE 00200.220539/2003-63.R.08.18/12/2002.31/12/2014.N
02/01/2003 *.010.008- 31349202000177 JW TRANSPORTADORA TUR?TICA R$ 1.336,60 D LOCACAO DE MEIOS DE TRANSPORTE 00200.220539/2003-63.R.08.18/12/2002.31/12/2014.N
02/01/2003 *.868.251- 31349202000177 JW TRANSPORTADORA TUR?TICA R$ 1.396,43 D LOCACAO DE MEIOS DE TRANSPORTE 00200.600539/2003-63.R.08.18/12/2002.31/12/2014.N
03/01/2003 *.004.131- 592717000170 FLORES ALVORADA R$ 8.585,00 C OUTROS SERVI?OS DE TERCEIROS-PESSOA JUR?ICA 00200.800212/2003-91.R.08.07/12/2002.31/12/2014.N
03/01/2003 *.004.131- 839308000125 CRISTAL LIMPEZA - COM?RCIO DE MATERIAIS PARA LIMPE R$ 251,50 C MATERIAL DE LIMPEZA E PROD. DE HIGIENIZA?? 00200.800212/2003-91.R.08.07/12/2002.31/12/2014.N
03/01/2003 *.262.328- 2014093000139 SEBASTI? ALVES DE SOUSA - ME R$ 105,00 D MATERIAL P/MANUTEN?? DE BENS M?EIS 00200.150539/2003-63.R.08.16/12/2002.31/12/2014.N
03/01/2003 *.262.328- 2363792000194 JO? LEITE NETO - ME - JLN ELETRONICOS R$ 200,00 D MATERIAL P/MANUTEN?? DE BENS M?EIS 00200.150539/2003-63.R.08.16/12/2002.31/12/2014.N
03/01/2003 *.010.008- 96475389000109 CONDOMINIO EDIFICIO THE PARK HALL R$ 2.590,00 D HOSPEDAGENS 00200.220539/2003-63.R.08.18/12/2002.31/12/2014.N
03/01/2003 *.010.008- 1720459000122 FULL TIME LOCA?? E SERVI?OS S/C LTDA R$ 3.618,70 D LOCACAO DE MEIOS DE TRANSPORTE 00200.220539/2003-63.R.08.18/12/2002.31/12/2014.N
03/01/2003 *.262.471- 47508411013134 COMPANHIA BRASILEIRA DE DISTRIBUI?? R$ 716,40 C GENEROS DE ALIMENTA?? 00200.900212/2003-91.R.08.18/12/2002.31/12/2014.N

Procurando por duplicatas

sum(duplicated(corporativo)) %>% 
  kbl() %>% 
  kable_styling(bootstrap_options = c("striped", "condensed", "responsive", "hover"), full_width = TRUE)
x
34578

Há 34578 linhas iguais no dataset. Por enquanto vamos deixá-las.

Dropando colunas e linhas

corporativo %>% 
  tail(10) %>% 
  kbl() %>% 
  kable_styling(bootstrap_options = c("striped", "condensed", "responsive", "hover"), full_width = FALSE)
DATA.PGTO CPF.SERVIDOR CPF.CNPJ.FORNECEDOR NOME.FORNECEDOR VALOR TIPO SUBELEMENTO.DE.DESPESA CDIC
113333 03/12/2022 *.136.591- 3696869000100 BIG TRANS COMERCIAL DE ALIMENTOS LTDA 363,68 C GENEROS DE ALIMENTA?? 00264.000642/2022-21.R.08.25/11/2022.31/12/2022.N
113334 03/12/2022 *.136.591- 47508411094975 COMPANHIA BRASILEIRA DE DISTRIBUI?? 39,95 C GENEROS DE ALIMENTA?? 00264.000642/2022-21.R.08.25/11/2022.31/12/2022.N
113335 03/12/2022 *.136.591- 3696869000100 BIG TRANS COMERCIAL DE ALIMENTOS LTDA 58,03 C GENEROS DE ALIMENTA?? 00264.000642/2022-21.R.08.25/11/2022.31/12/2022.N
113336 03/12/2022 *.136.591- 17261661005728 OUTBACK STEAKHOUSE RESTAURANTES BRASIL S/A 179,5 C FORNECIMENTO DE ALIMENTA?? 00264.000642/2022-21.R.08.25/11/2022.31/12/2022.N
113337 03/12/2022 *.136.591- 39879944000116 BIOMUNDO 105 NORTE COMERCIO DE ALIMENTOS 54,95 C GENEROS DE ALIMENTA?? 00264.000642/2022-21.R.08.25/11/2022.31/12/2022.N
113338 04/12/2022 *.136.591- 47508411094975 COMPANHIA BRASILEIRA DE DISTRIBUI?? 518,07 C GENEROS DE ALIMENTA?? 00264.000642/2022-21.R.08.25/11/2022.31/12/2022.N
113339 04/12/2022 *.136.591- 12550441000146 RESTAURANTE SOHO 330,52 C FORNECIMENTO DE ALIMENTA?? 00264.000642/2022-21.R.08.25/11/2022.31/12/2022.N
113340 04/12/2022 *.136.591- 3696869000100 BIG TRANS COMERCIAL DE ALIMENTOS LTDA 54,66 C GENEROS DE ALIMENTA?? 00264.000642/2022-21.R.08.25/11/2022.31/12/2022.N
113341 Fonte: SUPRIM NA
113342 At? 19/12/2022 NA
  • removendo as duas ultimas linhas da nota de rodapé
corporativo <- corporativo[-c(113341,113342 ), ]
  • removendo as colunas CPF.SERVIDOR, CPF.CNPJ.FORNECEDOR, TIPO e CDIC
corporativo = subset(corporativo, select = -c(CPF.SERVIDOR, CPF.CNPJ.FORNECEDOR, TIPO,CDIC ))

Passando DATA.PGTO para datetime

corporativo$DATA.PGTO = as.Date(corporativo$DATA.PGTO, format = '%d/%m/%Y')

Ajeitando a coluna VALOR

  • Tirando o R$
corporativo$VALOR <- str_extract(corporativo$VALOR, "(\\d.+)")
  • Substituindo o . por , e a , por .
corporativo$VALOR <- gsub("[.]", "", corporativo$VALOR)

corporativo$VALOR <- str_replace(corporativo$VALOR, "," , ".")

Convertendo VALOR para número

corporativo$VALOR <- as.numeric(corporativo$VALOR)

Checando dados faltantes

sum(is.na(corporativo)) %>% 
  kbl() %>% 
  kable_styling(bootstrap_options = c("striped", "condensed", "responsive", "hover"), full_width = TRUE)
x
14

Há dados faltantes

skim_without_charts(corporativo)
Data summary
Name corporativo
Number of rows 113340
Number of columns 4
_______________________
Column type frequency:
character 2
Date 1
numeric 1
________________________
Group variables None

Variable type: character

skim_variable n_missing complete_rate min max empty n_unique whitespace
NOME.FORNECEDOR 0 1 3 97 0 8607 0
SUBELEMENTO.DE.DESPESA 0 1 4 50 0 112 0

Variable type: Date

skim_variable n_missing complete_rate min max median n_unique
DATA.PGTO 0 1 2003-01-02 2022-12-19 2010-02-19 6670

Variable type: numeric

skim_variable n_missing complete_rate mean sd p0 p25 p50 p75 p100
VALOR 14 1 1013.87 3970.27 0.12 111 288.4 691.72 312903.4

Dropando:

corporativo <-  corporativo %>% drop_na()

3. Deflacionamento dos dados

O índice de preços ao consumidor mostra o custo de uma cesta de bens e serviços em relação ao custo da mesma cesta no ano-base. Ele é usado para medir o nível geral de preços da economia e é justamente a variação percentual desse índice que mede a taxa de inflação. Dessa maneira, ele é usado para monitorar mudanças no custo de vida ao longo do tempo. Quando o índice aumenta, as famílias precisam gastar mas dinheiro para manter o mesmo padrão de vida.Assim, se a taxa de inflação do preços ao consumidor é de 10%, por exemplo, os preços dos artigos que as famílias estão comprando estão subindo 10% ao ano.

É importante corrigir os valores monetários, pois não é possível comparar de maneira válida o poder aquisitivo em dois momentos diferentes do tempo.Para comparar valores monetários do passado com os valores correntes é preciso que o valor de antes seja inflacionado por meio de um índice de preços. Isso porque, preços, PIB, componentes de despesa etc. são todos medidos em termos de valores correntes de mercado, e são variáveis nominais. Variáveis nominais são aquelas que são medidas em unidades monetárias, enquanto variáveis reais são medidas em unidades físicas (e o embate entre variáveis reais e nominais é chamado de dicotomia clássica, o que é outro assunto…).

Embora variáveis nominais sejam úteis por nos permitir a soma de diferentes tipos de bens e serviços, não é possível comparar valores nominais em dois pontos distintos do tempo. Pegue o PIB, por exemplo. Não há como comparar dois valores de PIB em anos distintos sem corrigi-los, por que se o valor corrente do mercado e dos bens e serviços mudar com o tempo não poderemos saber se essa mudança reflete mudanças nas quantidades de bens e serviços produzidas, mudanças em seus preços ou uma combinação dos dois fatores. De maneira mais clara: aumento no valor corrente do PIB pode tanto ser expansão da produção de bens e serviços quanto simplesmente uma inflação que aumentou o preço dos produtos.

Dos vários índices de preço ao consumidor calculados no Brasil, o mais popular é o IPCA (Índice Nacional de Preços ao Consumidor Amplo), que é o que usaremos na análise. Para deflacionar os dados utilizamos o pacote deflateBR que extrai os dados monetários da API do IPEA.

corporativo$VALOR_DEF = ipca(corporativo$VALOR, corporativo$DATA.PGTO, "12/2022")
## 
## Downloading necessary data from IPEA's API
## ...

4. Estatísticas gerais

corporativo %>%
  select(VALOR_DEF) %>%
  summarize(total = sum(VALOR_DEF), media = mean(VALOR_DEF), max = max(VALOR_DEF), min = min(VALOR_DEF), valor_quartil = quantile(VALOR_DEF, c(0.25, 0.5, 0.75)), q = c(0.25, 0.5, 0.75) ) %>%
  kbl() %>% 
  kable_styling(bootstrap_options = c("striped", "condensed", "responsive", "hover"), full_width = TRUE)
total media max min valor_quartil q
210556492 1857.972 651219.7 0.2944865 216.5736 0.25
210556492 1857.972 651219.7 0.2944865 602.3294 0.50
210556492 1857.972 651219.7 0.2944865 1396.6758 0.75

5. Gastos no cartão por período

Gastos no cartão corporativo por dia

p <- ggplot(data = corporativo, aes(x = DATA.PGTO, y = VALOR_DEF)) +
  geom_line(color = "darkorchid4", size = 1) +
  labs(title = 'Gastos no cartão corporativo por dia 2003-2022',
       subtitle = 'Dados indexados pelo IPCA Dez-2022',
       y = '',
       x = 'Data') +
  scale_y_continuous(labels  = label_number( accuracy = 1, big.mark = '.',
                                             decimal.mark = ','))
p + theme_classic()

Soma dos gastos no cartão corporativo por ano

corporativo_year <- corporativo %>% 
    group_by(year = lubridate::floor_date(DATA.PGTO, "year")) %>%
    summarize(summary_variable = sum(VALOR_DEF, na.rm  = TRUE))
ggplot(data = corporativo_year, aes(x = year, y = summary_variable)) +
  geom_line(color = "darkorchid4", size = 1) +

  labs(title = 'Soma dos gastos do cartão corporativo por ano 2003-2022',
       subtitle = 'Dados indexados pelo IPCA Dez-2022',
       y = '',
       x = 'Data') + 
    scale_y_continuous(labels  = label_number(accuracy = 1))+ theme_classic()

corporativo_year %>% 
  kbl() %>% 
  kable_styling(bootstrap_options = c("striped", "condensed", "responsive"), full_width = FALSE)
year summary_variable
2003-01-01 15945340
2004-01-01 18390203
2005-01-01 13622608
2006-01-01 12515200
2007-01-01 9373558
2008-01-01 13914722
2009-01-01 11920227
2010-01-01 13662266
2011-01-01 8982480
2012-01-01 8542149
2013-01-01 10532167
2014-01-01 15298336
2015-01-01 8635526
2016-01-01 5815024
2017-01-01 5357122
2018-01-01 6293466
2019-01-01 6699446
2020-01-01 8793923
2021-01-01 11081838
2022-01-01 5180890

6. Gastos agrupados por subelemento de despesa

Geral

gastos_categ <- corporativo %>% group_by(SUBELEMENTO.DE.DESPESA) %>% 
  summarise(
  media_def = mean(VALOR_DEF, na.rm = TRUE),
  soma_def = sum(VALOR_DEF, na.rm = TRUE)) %>% 
  arrange(-soma_def) %>% 
  head(5)
  • Vamos corrigir a escrita:
corporativo$SUBELEMENTO.DE.DESPESA <-  recode(corporativo$SUBELEMENTO.DE.DESPESA, 'LOCACAO DE MEIOS DE TRANSPORTE' = "LOCAÇÃO DE MEIOS DE TRANSPORTE")
corporativo$SUBELEMENTO.DE.DESPESA <- recode(corporativo$SUBELEMENTO.DE.DESPESA,"GENEROS DE ALIMENTA??" = "GENEROS DE ALIMENTAÇÃO")
corporativo$SUBELEMENTO.DE.DESPESA <- recode(corporativo$SUBELEMENTO.DE.DESPESA,"FORNECIMENTO DE ALIMENTA??" = "FORNECIMENTO DE ALIMENTAÇÃO")
corporativo$SUBELEMENTO.DE.DESPESA <- recode(corporativo$SUBELEMENTO.DE.DESPESA,"SERVI?OS DE TELECOMUNICA??S" = "SERVIÇOS DE TELECOMUNICAÇÕES")
corporativo$SUBELEMENTO.DE.DESPESA <- recode(corporativo$SUBELEMENTO.DE.DESPESA,"MATERIAL DE LIMPEZA E PROD. DE HIGIENIZA??" = "MATERIAL DE LIMPEZA E PROD. DE HIGIENIZAÇÃO")
gastos_categ %>% kbl() %>% 
  kable_styling(bootstrap_options = c("striped", "condensed", "responsive", "hover"), full_width = TRUE)
SUBELEMENTO.DE.DESPESA media_def soma_def
HOSPEDAGENS 2197.978 99546417
LOCACAO DE MEIOS DE TRANSPORTE 15367.409 30888492
GENEROS DE ALIMENTA?? 1139.291 28390005
FORNECIMENTO DE ALIMENTA?? 3597.323 23735135
SERV.DE APOIO ADMIN.,TECNICO E OPERACIONAL 2637.830 12875250
  • Agora podemos plotar um gráfico
gastos_categ %>% 
  mutate(SUBELEMENTO.DE.DESPESA = fct_reorder(SUBELEMENTO.DE.DESPESA,soma_def ))%>%
  ggplot(aes(x = SUBELEMENTO.DE.DESPESA, y = soma_def, 
             fill = factor(ifelse(SUBELEMENTO.DE.DESPESA=='HOSPEDAGENS', '...', '')))) +
  geom_bar(stat = 'identity', show.legend = FALSE) +
  scale_fill_manual(name = 'soma_def', values= c('#9E67C3', '#68228b'))+
  coord_flip() +
  labs( y = '',
       x = '') +
  ggtitle('Soma das 5 categorias com mais gastos 2003-2022',
       subtitle = 'Dados indexados pelo IPCA Dez-2022')+
  scale_y_continuous(labels  = label_number(accuracy = 1))+
  theme_classic()

Gastos por categoria dividido por governo

Lula I

Tabela

#gastos do governo lula i 
tlula_1 <-  corporativo %>% group_by(SUBELEMENTO.DE.DESPESA) %>% 
  subset(DATA.PGTO >= "2003-01-02" & DATA.PGTO <= "2006-12-31",) %>% 
  summarise(
  soma_def = sum(VALOR_DEF, na.rm = TRUE)) %>% 
  arrange(-soma_def) %>% 
  head(5)
SUBELEMENTO.DE.DESPESA soma_def
LOCAÇÃO DE MEIOS DE TRANSPORTE 29326895.9
HOSPEDAGENS 18771121.1
GENEROS DE ALIMENTAÇÃO 3571066.1
FORNECIMENTO DE ALIMENTAÇÃO 3299095.6
SERVIÇOS DE TELECOMUNICAÇÕES 928133.2

Gráfico

tlula_1 %>% mutate(SUBELEMENTO.DE.DESPESA = fct_reorder(SUBELEMENTO.DE.DESPESA, soma_def ))%>%
  ggplot(aes(x = SUBELEMENTO.DE.DESPESA, y = soma_def, 
             fill = factor(ifelse(SUBELEMENTO.DE.DESPESA=='LOCAÇÃO DE MEIOS DE TRANSPORTE', '...', '')))) +
  geom_bar(stat = 'identity', show.legend = FALSE) +
  scale_fill_manual(name = 'soma_def', values= c('#9E67C3', '#68228b')) +
  coord_flip() +
  labs(title = 'Top 5 categorias com mais gastos durante Lula I',
       subtitle = 'Dados indexados pelo IPCA Dez-2022',
       y = '',
       x = '') +
  scale_y_continuous(labels  = label_number(accuracy = 1))+
  theme_classic()

Lula II

Tabela

#gastos do governo lula ii
tlula_2 <-  corporativo %>% group_by(SUBELEMENTO.DE.DESPESA) %>% 
  subset(DATA.PGTO >= "2007-01-01" & DATA.PGTO <= "2010-12-31",) %>% 
  summarise(
  soma_def = sum(VALOR_DEF, na.rm = TRUE)) %>% 
  arrange(-soma_def) %>% 
  head(5)
SUBELEMENTO.DE.DESPESA soma_def
HOSPEDAGENS 30303300
GENEROS DE ALIMENTAÇÃO 6793699
FORNECIMENTO DE ALIMENTAÇÃO 5429272
SERV.DE APOIO ADMIN.,TECNICO E OPERACIONAL 1562098
LOCAÇÃO DE MEIOS DE TRANSPORTE 1331047

Gráfico

tlula_2 %>% mutate(SUBELEMENTO.DE.DESPESA = fct_reorder(SUBELEMENTO.DE.DESPESA, soma_def ))%>%
  ggplot(aes(x = SUBELEMENTO.DE.DESPESA, y = soma_def, 
             fill = factor(ifelse(SUBELEMENTO.DE.DESPESA=='HOSPEDAGENS', '...', '')))) +
  geom_bar(stat = 'identity', show.legend = FALSE) +
  scale_fill_manual(name = 'soma_def', values= c('#9E67C3', '#68228b')) +
  coord_flip() +
  labs(title = 'Top 5 categorias com mais gastos durante Lula II',
       subtitle = 'Dados indexados pelo IPCA Dez-2022',
       y = '',
       x = '') +
  scale_y_continuous(labels  = label_number(accuracy = 1))+
  theme_classic()

Dilma

Tabela

#gastos do governo dilma

 tdilma <- corporativo %>% group_by(SUBELEMENTO.DE.DESPESA) %>% 
  subset(DATA.PGTO >= "2011-01-01" & DATA.PGTO <= "2016-08-31",) %>% 
  summarise(
  soma_def = sum(VALOR_DEF, na.rm = TRUE)) %>% 
  arrange(-soma_def) %>% 
  head(5)
SUBELEMENTO.DE.DESPESA soma_def
HOSPEDAGENS 29768534.5
GENEROS DE ALIMENTAÇÃO 9311573.5
FORNECIMENTO DE ALIMENTAÇÃO 6793463.3
SERV.DE APOIO ADMIN.,TECNICO E OPERACIONAL 5712926.1
MATERIAL DE LIMPEZA E PROD. DE HIGIENIZAÇÃO 701049.3

Gráfico

tdilma %>% mutate(SUBELEMENTO.DE.DESPESA = fct_reorder(SUBELEMENTO.DE.DESPESA, soma_def ))%>%
  ggplot(aes(x = SUBELEMENTO.DE.DESPESA, y = soma_def, 
             fill = factor(ifelse(SUBELEMENTO.DE.DESPESA=='HOSPEDAGENS', '...', '')))) +
  geom_bar(stat = 'identity', show.legend = FALSE) +
  scale_fill_manual(name = 'soma_def', values= c('#9E67C3', '#68228b')) +
  coord_flip() +
  labs(title = 'Top 5 categorias com mais gastos durante gov Dilma',
       subtitle = 'Dados indexados pelo IPCA Dez-2022',
       y = '',
       x = '') +
  scale_y_continuous(labels  = label_number(accuracy = 1))+
  theme_classic()

Temer

Tabela

#gastos do governo temer

 ttemer <- corporativo %>% group_by(SUBELEMENTO.DE.DESPESA) %>% 
  subset(DATA.PGTO >= "2016-09-01" & DATA.PGTO <= "2018-12-31",) %>% 
  summarise(
  soma_def = sum(VALOR_DEF, na.rm = TRUE)) %>% 
  arrange(-soma_def) %>% 
  head(5)
SUBELEMENTO.DE.DESPESA soma_def
HOSPEDAGENS 4898900.85
GENEROS DE ALIMENTAÇÃO 3251868.86
SERV.DE APOIO ADMIN.,TECNICO E OPERACIONAL 2924449.04
FORNECIMENTO DE ALIMENTAÇÃO 1902444.47
MATERIAL DE LIMPEZA E PROD. DE HIGIENIZAÇÃO 89934.95

Gráfico

ttemer %>% mutate(SUBELEMENTO.DE.DESPESA = fct_reorder(SUBELEMENTO.DE.DESPESA, soma_def ))%>%
  ggplot(aes(x = SUBELEMENTO.DE.DESPESA, y = soma_def, 
             fill = factor(ifelse(SUBELEMENTO.DE.DESPESA=='HOSPEDAGENS', '...', '')))) +
  geom_bar(stat = 'identity', show.legend = FALSE) +
  scale_fill_manual(name = 'soma_def', values= c('#9E67C3', '#68228b')) +
  coord_flip() +
  labs(title = 'Top 5 categorias com mais gastos durante Temer',
       subtitle = 'Dados indexados pelo IPCA Dez-2022',
       y = '',
       x = '') +
  scale_y_continuous(labels  = label_number(accuracy = 1))+
   theme_classic()

Bolsonaro

Tabela

#gastos do governo bolsonaro

 tbolsonaro <- corporativo %>% group_by(SUBELEMENTO.DE.DESPESA) %>% 
  subset(DATA.PGTO >= "2019-01-01" & DATA.PGTO <= "2021-12-31",) %>% 
  summarise(
  soma_def = sum(VALOR_DEF, na.rm = TRUE)) %>% 
  arrange(-soma_def) %>% 
  head(5)
SUBELEMENTO.DE.DESPESA soma_def
HOSPEDAGENS 13653919.4
FORNECIMENTO DE ALIMENTAÇÃO 5178499.7
GENEROS DE ALIMENTAÇÃO 4266786.5
SERV.DE APOIO ADMIN.,TECNICO E OPERACIONAL 1652050.7
LOCA?? BENS MOV. OUTR. NATUREZA E INTANG?EIS 589317.7

Gráfico

tbolsonaro %>% mutate(SUBELEMENTO.DE.DESPESA = fct_reorder(SUBELEMENTO.DE.DESPESA, soma_def ))%>%
  ggplot(aes(x = SUBELEMENTO.DE.DESPESA, y = soma_def, 
             fill = factor(ifelse(SUBELEMENTO.DE.DESPESA=='HOSPEDAGENS', '...', '')))) +
  geom_bar(stat = 'identity', show.legend = FALSE) +
  scale_fill_manual(name = 'soma_def', values= c('#9E67C3', '#68228b')) +
  coord_flip() +
  labs(title = 'Top 5 categorias com mais gastos durante gov. Bolsonaro',
       subtitle = 'Dados indexados pelo IPCA Dez-2022',
       y = '',
       x = '') +
  scale_y_continuous(labels  = label_number(accuracy = 1))+
   theme_classic()

Olhando os 3 picos de gastos 2003, 2014 e 2021

2003

Tabela

corporativo %>% 
  subset(DATA.PGTO >= "2003-01-01" & DATA.PGTO <= "2003-12-31") %>% 
  group_by(SUBELEMENTO.DE.DESPESA) %>% 
  summarise(
  soma_def = sum(VALOR_DEF, na.rm = TRUE)) %>% 
  arrange(-soma_def) %>% 
  head(10)%>% 
  kbl() %>% 
  kable_styling(bootstrap_options = c("striped", "condensed", "responsive", "hover"), full_width = FALSE)
SUBELEMENTO.DE.DESPESA soma_def
LOCAÇÃO DE MEIOS DE TRANSPORTE 9417613.97
HOSPEDAGENS 4139948.09
FORNECIMENTO DE ALIMENTAÇÃO 777691.74
GENEROS DE ALIMENTAÇÃO 447790.94
COMBUSTIVEIS E LUBRIF. AUTOMOTIVOS 202453.61
OUTROS SERVI?OS DE TERCEIROS-PESSOA JUR?ICA 160908.54
MATERIAL DE LIMPEZA E PROD. DE HIGIENIZAÇÃO 71881.81
SERVIÇOS DE TELECOMUNICAÇÕES 65240.83
MANUT. E CONS. DE VE?ULOS 56385.64
SERV.DE APOIO ADMIN.,TECNICO E OPERACIONAL 55509.17

Gráfico: Locação

corporativo %>% 
  subset(DATA.PGTO >= "2003-01-01" & DATA.PGTO <= "2003-12-31") %>% 
  subset(corporativo$SUBELEMENTO.DE.DESPESA == 'LOCAÇÃO DE MEIOS DE TRANSPORTE',) %>% 
  ggplot(aes(x = DATA.PGTO, y = VALOR_DEF)) +
  geom_line(color = "darkorchid4", size = 0.4, na.rm=TRUE) +
  labs(title = 'Gastos no cartão corporativo em 2003: Locação de Meios de Transporte',
       subtitle = 'Dados indexados pelo IPCA Dez-2022',
       y = '',
       x = 'Data') + 
    scale_y_continuous(labels  = label_number(accuracy = 1))+ theme_classic()

Parece que em 2003 os maiores gastos foram por volta de dezembro (talvez esteja relacionado com as festas do fim de ano

Os dois maiores gastos em 2003 foram com Locação de Meios de Transporte (R$ 9 417 613,97) e com Hospedagens (R$ 4 139 948,09). Todos os presidentes após Lula tiveram grandes gastos com hospedagem, mas locação de meios de transporte é algo que se caracteriza do governo Lula, sendo a categoria que tem mais gastos tanto no primeiro quanto no segundo governo.

Teve um dia que o gasto chegou a quase 600k

corporativo %>% 
  subset(corporativo$VALOR_DEF >= 600000,)%>% 
  kbl() %>% 
  kable_styling(bootstrap_options = c("striped", "condensed", "responsive", "hover"), full_width = FALSE)
DATA.PGTO NOME.FORNECEDOR VALOR SUBELEMENTO.DE.DESPESA VALOR_DEF
46373 2008-12-17 SAUIPE S.A - SAUIPE PARK 290176 HOSPEDAGENS 651219.7

Gasto com hotelaria, em resort.

  corporativo %>% 
  subset(corporativo$VALOR_DEF >= 300000,)%>% 
  kbl() %>% 
  kable_styling(bootstrap_options = c("striped", "condensed", "responsive", "hover"), full_width = FALSE)
DATA.PGTO NOME.FORNECEDOR VALOR SUBELEMENTO.DE.DESPESA VALOR_DEF
4662 2003-12-14 FULL TIME LOCA?? E SERVI?OS S/C LTDA 103728.4 LOCAÇÃO DE MEIOS DE TRANSPORTE 302776.9
46373 2008-12-17 SAUIPE S.A - SAUIPE PARK 290176.0 HOSPEDAGENS 651219.7
106505 2021-01-03 HOTUR S PAULO PART E EMPR LTDA 312903.4 HOSPEDAGENS 364307.5

O outro pico diário é de 2021: foram gastos 364307.5 (valores corrigidos pela inflação) em hotelaria.

2014

Tabela Geral

corporativo %>% 
  subset(DATA.PGTO >= "2014-01-01" & DATA.PGTO <= "2014-12-31") %>% 
  group_by(SUBELEMENTO.DE.DESPESA) %>% 
  summarise(
  soma_def = sum(VALOR_DEF, na.rm = TRUE)) %>% 
  arrange(-soma_def) %>% 
  head(10)%>% 
  kbl() %>% 
  kable_styling(bootstrap_options = c("striped", "condensed", "responsive", "hover"), full_width = FALSE)
SUBELEMENTO.DE.DESPESA soma_def
HOSPEDAGENS 9387138.16
FORNECIMENTO DE ALIMENTAÇÃO 2318112.18
GENEROS DE ALIMENTAÇÃO 1698035.71
SERV.DE APOIO ADMIN.,TECNICO E OPERACIONAL 1122055.03
MATERIAL DE LIMPEZA E PROD. DE HIGIENIZAÇÃO 134836.84
SERVIÇOS DE TELECOMUNICAÇÕES 104422.70
MATERIAL FARMACOLOGICO 86994.29
LOCA?? DE IM?EIS 67690.72
MATERIAL DE COPA E COZINHA 51102.65
LIMPEZA E CONSERVA?? 51001.92

Gráfico: Hospedagens

corporativo %>% 
  subset(DATA.PGTO >= "2014-01-01" & DATA.PGTO <= "2014-12-31") %>% 
  subset(corporativo$SUBELEMENTO.DE.DESPESA == 'HOSPEDAGENS',) %>% 
  ggplot(aes(x = DATA.PGTO, y = VALOR_DEF)) +
  geom_line(color = "darkorchid4", size = 0.4, na.rm=TRUE) +
  labs(title = 'Gastos no cartão corporativo em 2014: HOSPEDAGENS',
       subtitle = 'Dados indexados pelo IPCA Dez-2022',
       y = '',
       x = 'Data') + 
    scale_y_continuous(labels  = label_number(accuracy = 1))+ theme_classic()

2021

Tabela

corporativo %>% 
  subset(DATA.PGTO >= "2021-01-01" & DATA.PGTO <= "2021-12-31") %>% 
  group_by(SUBELEMENTO.DE.DESPESA) %>% 
  summarise(
  soma_def = sum(VALOR_DEF, na.rm = TRUE)) %>% 
  arrange(-soma_def) %>% 
  head(10) %>% 
  kbl() %>% 
  kable_styling(bootstrap_options = c("striped", "condensed", "responsive", "hover"), full_width = FALSE)
SUBELEMENTO.DE.DESPESA soma_def
HOSPEDAGENS 5504915.90
FORNECIMENTO DE ALIMENTAÇÃO 2278446.73
GENEROS DE ALIMENTAÇÃO 1562072.36
SERV.DE APOIO ADMIN.,TECNICO E OPERACIONAL 760960.89
LOCA?? BENS MOV. OUTR. NATUREZA E INTANG?EIS 437374.98
COMBUSTIVEIS E LUBRIF. AUTOMOTIVOS 298584.34
MATERIAL DE LIMPEZA E PROD. DE HIGIENIZAÇÃO 54658.85
COMBUSTIVEIS E LUBRF. P/ OUTRAS FINALIDADES 27989.72
MATERIAL DE ACONDICIONAMENTO E EMBALAGEM 19872.38
LOCA?? DE IM?EIS 19611.65

Gráfico: Hospedagem

corporativo %>% 
  subset(DATA.PGTO >= "2021-01-01" & DATA.PGTO <= "2021-12-31") %>% 
  subset(corporativo$SUBELEMENTO.DE.DESPESA == 'HOSPEDAGENS',) %>% 
  ggplot(aes(x = DATA.PGTO, y = VALOR_DEF)) +
  geom_line(color = "darkorchid4", size = 0.4, na.rm=TRUE) +
  labs(title = 'Gastos no cartão corporativo em 2021: HOSPEDAGENS',
       subtitle = 'Dados indexados pelo IPCA Dez-2022',
       y = '',
       x = 'Data') + 
    scale_y_continuous(labels  = label_number(accuracy = 1))+ theme_classic()

Novamente, hospedagem com os maiores gastos, seguido por gastos com alimentação.

7. Em quais estabelecimentos os presidentes mais compraram?

Acumulativo da série:

 corporativo %>% 
  group_by(NOME.FORNECEDOR)%>% 
  summarise(frequencia = n(), total = sum(VALOR_DEF), media = mean(VALOR_DEF),max = max(VALOR_DEF)) %>% 
  arrange(-total) %>% 
  head(5)  %>% 
  kbl() %>% 
  kable_styling(bootstrap_options = c("striped", "condensed", "responsive", "hover"), full_width = FALSE)
NOME.FORNECEDOR frequencia total media max
MERCADINHO LA PALMA LTDA 3591 6351730 1768.791 29558.52
FULL TIME LOCA?? E SERVI?OS S/C LTDA 377 5721221 15175.651 302776.87
COMPANHIA BRASILEIRA DE DISTRIBUI?? 4710 4558705 967.878 13052.78
BOURBON IBIRAPUERA HOTEL & CONVENTION 2617 4407385 1684.137 110884.13
P.J.P. LOCA??S E SERVI?OS LTDA - BRAS?IA RENT A 276 3273551 11860.691 93727.96

Lula I

Tab freq

tab_freq_lula1 <- corporativo %>% 
  subset(DATA.PGTO >= "2003-01-02" & DATA.PGTO <= "2006-12-31",) %>%
  group_by(NOME.FORNECEDOR)%>% 
  summarise(frequencia = n(), total = sum(VALOR_DEF), media = mean(VALOR_DEF),max = max(VALOR_DEF)) %>% 
  arrange(-frequencia) %>% 
  head(5)
NOME.FORNECEDOR frequencia total media max
SAINT MORITZ HOT. ACCOR BRASIL S.A. 962 1338617.3 1391.4941 43358.583
TIMES SQUARE HOT. ACCOR BRASIL S.A 777 481436.0 619.6088 10072.214
CIA. INDUSTRIAL DE GRANDES HOT?IS - HOTEL GL?IA 709 1235027.0 1741.9281 43874.228
COMPANHIA BRASILEIRA DE DISTRIBUI?? 626 538944.8 860.9342 8333.844
TELEMAR NORTE LESTE S/A 618 272939.3 441.6494 6291.306

Gráfico

tab_freq_lula1 %>%
  ggplot(aes(NOME.FORNECEDOR, frequencia)) +
  geom_bar(stat = 'identity', fill = "darkorchid4") +
  coord_flip() +
  labs(title = 'Top 5 estabelecimentos com maior frequência de compra: Lula I',
       subtitle = 'Dados indexados pelo IPCA Dez-2022',
       y = '',
       x = '') +
  theme_classic()

Lula II

Tab freq

tab_freq_lula2 <- corporativo %>% 
  subset(DATA.PGTO >= "2007-01-01" & DATA.PGTO <= "2010-12-31",) %>% 
  group_by(NOME.FORNECEDOR)%>% 
  summarise(frequencia = n(), total = sum(VALOR_DEF), media = mean(VALOR_DEF),max = max(VALOR_DEF)) %>% 
  arrange(-frequencia) %>% 
  head(5)
NOME.FORNECEDOR frequencia total media max
ABACO SCP SAINT MORITZ 2445 2046276.1 836.9228 5824.474
BOURBON IBIRAPUERA HOTEL & CONVENTION 1889 1853542.1 981.2293 5363.742
COMPANHIA BRASILEIRA DE DISTRIBUI?? 1094 1388634.7 1269.3187 13052.778
TELEMAR NORTE LESTE S/A 939 364637.1 388.3250 2128.455
ESTANPLAZA ADMINISTRADORA HOTELARIA E COMERCIAL LT 920 1873739.5 2036.6734 8572.708

Gráfico

tab_freq_lula2 %>%
  ggplot(aes(NOME.FORNECEDOR, frequencia)) +
  geom_bar(stat = 'identity', fill = "darkorchid4") +
  coord_flip() +
  labs(title = 'Top 5 estabelecimentos com maior frequência de compra: Lula II',
       subtitle = 'Dados indexados pelo IPCA Dez-2022',
       y = '',
       x = '') +
  theme_classic()

Dilma

Tab freq

tab_freq_dilma <- corporativo %>% 
  subset(DATA.PGTO >= "2011-01-01" & DATA.PGTO <= "2016-08-31",) %>% 
  group_by(NOME.FORNECEDOR)%>% 
  summarise(frequencia = n(), total = sum(VALOR_DEF), media = mean(VALOR_DEF),max = max(VALOR_DEF)) %>% 
  arrange(-frequencia) %>% 
  head(5)
NOME.FORNECEDOR frequencia total media max
MERCADINHO LA PALMA LTDA 1210 2268926.3 1875.1457 25300.350
COMPANHIA BRASILEIRA DE DISTRIBUI?? 904 836622.1 925.4670 9655.679
GOLDEN TOWER HOTEIS E TURISMO LTDA 865 2338946.4 2703.9843 19852.491
BOURBON IBIRAPUERA HOTEL & CONVENTION 693 2255611.3 3254.8503 110884.131
TELEMAR NORTE LESTE S/A 551 117959.7 214.0829 742.662

Gráfico

tab_freq_dilma %>% 
  ggplot(aes(NOME.FORNECEDOR, frequencia)) +
  geom_bar(stat = 'identity', fill = "darkorchid4") +
  coord_flip() +
  labs(title = 'Top 5 estabelecimentos com maior frequência de compra: Dilma',
       subtitle = 'Dados indexados pelo IPCA Dez-2022',
       y = '',
       x = '') +
  theme_classic()

Temer

Tab freq

tab_freq_temer <- corporativo %>% 
  subset(DATA.PGTO >= "2016-09-01" & DATA.PGTO <= "2018-12-31",) %>% 
  group_by(NOME.FORNECEDOR)%>% 
  summarise(frequencia = n(), total = sum(VALOR_DEF), media = mean(VALOR_DEF),max = max(VALOR_DEF)) %>% 
  arrange(-frequencia) %>% 
  head(5)
NOME.FORNECEDOR frequencia total media max
MERCADINHO LA PALMA LTDA 759 574704.2 757.1861 7923.946
COMPANHIA BRASILEIRA DE DISTRIBUI?? 612 475014.7 776.1678 11247.641
BIG TRANS COMERCIAL DE ALIMENTOS LTDA 532 458277.0 861.4229 4154.722
SUPERMERCADO VAREJAO OBA LTDA 415 271316.4 653.7745 2451.457
INTERNATIONAL MEAL COMPANY ALIMENT 265 506636.6 1911.8361 9625.169

Gráfico

tab_freq_temer%>% 
  ggplot(aes(NOME.FORNECEDOR, frequencia)) +
  geom_bar(stat = 'identity', fill = "darkorchid4") +
  coord_flip() +
  labs(title = 'Top 5 estabelecimentos com maior frequência de compra: Temer',
       subtitle = 'Dados indexados pelo IPCA Dez-2022',
       y = '',
       x = '') +
  theme_classic()

Bolsonaro

Tab freq

tab_freq_bolsonaro <- corporativo %>% 
  subset(DATA.PGTO >= "2019-01-01" & DATA.PGTO <= "2021-12-31",) %>% 
  group_by(NOME.FORNECEDOR)%>% 
  summarise(frequencia = n(), total = sum(VALOR_DEF), media = mean(VALOR_DEF),max = max(VALOR_DEF)) %>% 
  arrange(-frequencia) %>% 
  head(5)
NOME.FORNECEDOR frequencia total media max
MERCADINHO LA PALMA LTDA 759 574704.2 757.1861 7923.946
COMPANHIA BRASILEIRA DE DISTRIBUI?? 612 475014.7 776.1678 11247.641
BIG TRANS COMERCIAL DE ALIMENTOS LTDA 532 458277.0 861.4229 4154.722
SUPERMERCADO VAREJAO OBA LTDA 415 271316.4 653.7745 2451.457
INTERNATIONAL MEAL COMPANY ALIMENT 265 506636.6 1911.8361 9625.169

Gráfico

tab_freq_bolsonaro%>% 
  ggplot(aes(NOME.FORNECEDOR, frequencia)) +
  geom_bar(stat = 'identity', fill = "darkorchid4") +
  coord_flip() +
  labs(title = 'Top 5 estabelecimentos com maior frequência de compra: Bolsonaro',
       subtitle = 'Dados indexados pelo IPCA Dez-2022',
       y = '',
       x = '') +
  theme_classic()

Os governos Lula e Dilma foram marcados por gastos frequentes em hotéis enquanto nos governos Temer e Bolsonaro os gastos mais frequentes são com alimentação.

O Mercadinho La Palma parece ser um favorito entre os presidentes.

Tanto é um favorito que nos últimos 20 anos foi quem mais faturou com gastos no cartão corporativo de 6.351.730 reais:

corporativo %>% 
  group_by(NOME.FORNECEDOR)%>% 
  summarise(frequencia = n(), total = sum(VALOR_DEF), media = mean(VALOR_DEF),max = max(VALOR_DEF)) %>% 
  arrange(-total) %>% 
  head(5) %>% 
  kbl() %>% 
  kable_styling(bootstrap_options = c("striped", "condensed", "responsive", "hover"), full_width = FALSE)
NOME.FORNECEDOR frequencia total media max
MERCADINHO LA PALMA LTDA 3591 6351730 1768.791 29558.52
FULL TIME LOCA?? E SERVI?OS S/C LTDA 377 5721221 15175.651 302776.87
COMPANHIA BRASILEIRA DE DISTRIBUI?? 4710 4558705 967.878 13052.78
BOURBON IBIRAPUERA HOTEL & CONVENTION 2617 4407385 1684.137 110884.13
P.J.P. LOCA??S E SERVI?OS LTDA - BRAS?IA RENT A 276 3273551 11860.691 93727.96

O Mercadinho La Palma LTDA ao longo dos anos…

 corporativo %>% 
  subset(corporativo$NOME.FORNECEDOR == 'MERCADINHO LA PALMA LTDA',) %>% 
  group_by(year = lubridate::floor_date(DATA.PGTO, "year")) %>%
  summarize(total = sum(VALOR_DEF, na.rm  = TRUE)) %>% 
  ggplot(aes(x = year, y = total)) +
  geom_line(color = "darkorchid4", size = 0.4, na.rm=TRUE) +
  labs(title = 'Gastos no cartão corporativo no Mercadinho La Palma ao longo dos anos',
       subtitle = 'Dados indexados pelo IPCA Dez-2022')  + theme_classic()

  1. A planilha de gastos pode ser encontrada aqui↩︎

  2. Mais sobre o pacote↩︎

  3. Gasto de Bolsonaro com cartão corporativo foi quase o triplo do divulgado↩︎

  4. Gastos de Bolsonaro com cartão corporativo podem ter sido maiores do que o divulgado, diz jornalista↩︎