inst/examples/transferencias_pernambuco.R

In tesouror: Access Brazilian National Treasury Open Data APIs

# ============================================================================
# Transferências Constitucionais para Municípios de Pernambuco
# Séries históricas, mapas por Região de Desenvolvimento e previsões
# ============================================================================

# -- 0. Pacotes ---------------------------------------------------------------

library(tesouror)
library(tidyverse)
library(patchwork)
library(sf)
library(forecast)
library(scales)
library(ggrepel)
library(MetBrewer)
library(glue)

# -- 1. Obtendo os dados ------------------------------------------------------

# 1.1 Tabelas de referência
tipos   <- get_tc_transfer_types()
estados <- get_tc_states()

pe_code <- estados |>
  filter(str_detect(nome, "(?i)pernambuco")) |>
  pull(codigo)

# 1.2 Dados municipais — série completa com DETALHE
anos <- 2015:2026

tc_pe_raw <- get_tc_by_municipality_detail(
  state = pe_code,
  year  = anos
) |>
  rename(
    ano           = an_distribuicao,
    mes           = me_distribuicao,
    transferencia = sg_detalhe,
    valor         = total
  )

# 1.3 Malha municipal de PE com regiões de desenvolvimento e população
pe_sf <- read_rds(system.file("extdata", "pernambuco_sf.rds", package = "tesouror"))

# Tabela auxiliar sem geometria para joins rápidos
pe_lookup <- pe_sf |>
  st_drop_geometry() |>
  select(
    ibge7,
    municipio,
    rd           = regiao_de_desenvolvimento,
    macrorregiao,
    mesorregiao,
    populacao
  ) |>
  mutate(co_ibge = as.integer(ibge7))


# -- 2. Categorização das transferências --------------------------------------

ordem_cat <- c(
  "Fundos de Participação",
  "Educação",
  "Compensações Tributárias",
  "Royalties e Recursos Naturais",
  "Transferências Especiais"
)

tc_pe <- tc_pe_raw |>
  mutate(
    transferencia_detalhe = transferencia,
    transferencia_principal = case_when(
      str_starts(transferencia, "AJUSTE FUNDEB") ~ "AJUSTE FUNDEB",
      str_starts(transferencia, "AFM/AFE")       ~ "AFM/AFE",
      str_starts(transferencia, "CIDE")          ~ "CIDE-Combustíveis",
      str_starts(transferencia, "Cessão")        ~ "Cessão Onerosa",
      str_starts(transferencia, "FPM 1%")        ~ "FPM 1%",
      str_starts(transferencia, "FPM")           ~ "FPM",
      str_starts(transferencia, "FUNDEB")        ~ "FUNDEB",
      str_starts(transferencia, "FEX")           ~ "FEX",
      str_starts(transferencia, "IOF")           ~ "IOF-Ouro",
      str_starts(transferencia, "ITR")           ~ "ITR",
      str_starts(transferencia, "LC 173")        ~ "LC 173/2020 (PFEC)",
      str_starts(transferencia, "LC 176")        ~ "LC 176/2020 (ADO25)",
      str_starts(transferencia, "LC 201")        ~ "LC 201/2023",
      str_starts(transferencia, "LC 87")         ~ "LC 87/96 (Lei Kandir)",
      str_starts(transferencia, "Royalties")     ~ "Royalties",
      TRUE                                       ~ transferencia
    ),
    categoria = factor(case_when(
      transferencia_principal %in% c("FPM", "FPM 1%")
      ~ "Fundos de Participação",
      transferencia_principal %in% c("FUNDEB", "AJUSTE FUNDEB")
      ~ "Educação",
      transferencia_principal %in% c("CIDE-Combustíveis", "IOF-Ouro", "ITR",
                                     "LC 87/96 (Lei Kandir)", "LC 176/2020 (ADO25)",
                                     "LC 201/2023")
      ~ "Compensações Tributárias",
      transferencia_principal %in% c("Royalties", "Cessão Onerosa")
      ~ "Royalties e Recursos Naturais",
      transferencia_principal %in% c("FEX", "AFM/AFE", "LC 173/2020 (PFEC)")
      ~ "Transferências Especiais",
      TRUE ~ NA_character_
    ), levels = ordem_cat),
    data = make_date(ano, mes, 1L),
    valor_milhoes = valor / 1e6
  )

# -- 3. Agregações por município + RD ----------------------------------------

tc_pe <- tc_pe |>
  left_join(pe_lookup, by = "co_ibge")

tc_mun_ano <- tc_pe |>
  group_by(co_ibge, municipio, rd, macrorregiao, ano, categoria) |>
  summarise(valor = sum(valor, na.rm = TRUE), .groups = "drop")

tc_mun_total <- tc_pe |>
  group_by(co_ibge, municipio, rd, macrorregiao, ano, populacao) |>
  summarise(valor_total = sum(valor, na.rm = TRUE), .groups = "drop") |>
  mutate(valor_per_capita = valor_total / populacao)

ultimo_ano <- tc_mun_total |>
  mutate(ano = as.integer(ano)) |>
  filter(ano < max(ano)) |>
  pull(ano) |>
  max()

tc_geo <- pe_sf |>
  mutate(co_ibge = as.integer(ibge7)) |>
  left_join(
    tc_mun_total |> filter(ano == ultimo_ano) |>
      select(-macrorregiao, -municipio),
    by = "co_ibge"
  )

rd_bordas <- pe_sf |>
  filter(municipio != "Fernando de Noronha") |>
  group_by(regiao_de_desenvolvimento) |>
  summarise(geometry = st_union(geometry), .groups = "drop")


# -- 4. Paleta e tema ---------------------------------------------------------

pal_cat  <- met.brewer("Hokusai3", 5)
cores_cat <- set_names(pal_cat, ordem_cat)

rd_nomes <- sort(unique(pe_lookup$rd))
pal_rd   <- met.brewer("Klimt", length(rd_nomes))
cores_rd <- set_names(pal_rd, rd_nomes)

macro_nomes <- sort(unique(pe_lookup$macrorregiao))
pal_macro   <- met.brewer("Renoir", length(macro_nomes))
cores_macro <- set_names(pal_macro, macro_nomes)

tema_tc <- theme_light(base_size = 10) +
  theme(
    plot.title       = element_text(face = "bold", size = 12),
    plot.subtitle    = element_text(color = "grey40"),
    legend.position  = "bottom",
    legend.title     = element_blank(),
    panel.grid.minor = element_blank(),
    strip.text       = element_text(face = "bold"),
    axis.title.x     = element_text(margin = margin(t = 10)),
    axis.title.y     = element_text(margin = margin(r = 10))
  )

tema_mapa <- theme_void(base_size = 11) +
  theme(
    plot.title    = element_text(face = "bold", size = 11, hjust = 0.5),
    plot.subtitle = element_text(color = "grey40", size = 9, hjust = 0.5,
                                 margin = margin(b = 0, t = 5)),
    plot.caption  = element_text(color = "grey50", size = 7, hjust = 1,
                                 margin = margin(t = 10)),
    legend.position = "bottom",
    legend.title    = element_text(size = 9),
    legend.text     = element_text(size = 8),
    plot.margin     = margin(5, 5, 5, 5)
  )

guia_barra <- guide_colorbar(
  barwidth = 15, barheight = 0.5,
  title.position = "top", title.hjust = 0.5
)

# Parâmetros ggrepel reutilizáveis para mapas
repel_mapa <- list(
  size             = 2.5,
  lineheight       = 0.85,
  colour           = "gray50",
  fill             = alpha("white", 0.9),
  label.size       = 0.15,
  label.padding    = unit(0.2, "lines"),
  force            = 8,
  force_pull       = 0.3,
  box.padding      = 1.0,
  point.padding    = 0.25,
  segment.color    = "gray90",
  segment.size     = 0.3,
  segment.linetype = "solid",
  arrow            = arrow(length = unit(0.015, "npc"), type = "closed"),
  min.segment.length = 0,
  max.overlaps     = 20,
  seed             = 42
)

# Helper: adiciona labels ggrepel com estilo padronizado dos mapas
# (ggrepel não suporta !!! do rlang, então usamos do.call)
label_mapa <- function(data, mapping) {
  do.call(geom_label_repel, c(list(data = data, mapping = mapping), repel_mapa))
}


# -- 5. Composição e séries históricas ----------------------------------------

# 5.1 Composição total por categoria (série anual)
tc_anual_cat <- tc_pe |>
  group_by(ano, categoria) |>
  summarise(valor = sum(valor, na.rm = TRUE), .groups = "drop") |>
  mutate(valor_bi = valor / 1e9)

p1 <- ggplot(tc_anual_cat, aes(ano, valor_bi, fill = categoria)) +
  geom_col(width = 0.9, alpha = 0.9) +
  scale_fill_manual(values = cores_cat) +
  scale_y_continuous(
    labels = label_number(suffix = " bi", decimal.mark = ","),
    expand = c(0, 0)
  ) +
  labs(
    title    = glue("Transferências Constitucionais para Municípios de PE em {ultimo_ano}"),
    subtitle = "Valores nominais anuais, em R$ bilhões",
    x = "Ano", y = "Transferências"
  ) +
  scale_x_discrete(expand = c(0, 0)) +
  tema_tc

p2 <- ggplot(tc_anual_cat, aes(ano, valor_bi, fill = categoria)) +
  geom_col(position = "fill", width = 0.9, alpha = 0.9) +
  scale_fill_manual(values = cores_cat) +
  scale_y_continuous(labels = label_percent(), expand = c(0, 0)) +
  labs(subtitle = "Composição percentual por categoria", x = NULL, y = NULL) +
  scale_x_discrete(expand = c(0, 0)) +
  tema_tc

p1 / p2 + plot_layout(guides = "collect") &
  theme(legend.position = "bottom")

# 5.2 Evolução mensal das principais categorias
tc_mensal_cat <- tc_pe |>
  group_by(data, categoria) |>
  summarise(valor = sum(valor, na.rm = TRUE), .groups = "drop") |>
  mutate(valor_milhoes = valor / 1e6)

tc_mensal_cat |>
  filter(
    data < max(data),
    !categoria %in% c("Royalties e Recursos Naturais", "Transferências Especiais")
  ) |>
  ggplot(aes(data, valor_milhoes, color = categoria)) +
  geom_line(linewidth = 0.4, alpha = 0.5) +
  geom_point(size = 0.5) +
  facet_wrap(~categoria, scales = "free_y", ncol = 1) +
  scale_color_manual(values = cores_cat) +
  scale_x_date(date_labels = "%Y", date_breaks = "1 year") +
  scale_y_continuous(labels = label_number(big.mark = ".", decimal.mark = ",")) +
  labs(
    title    = "Principais Séries Mensais por Categoria",
    subtitle = "Valores nominais em R$ milhões",
    x = "Ano", y = "Transferências em R$ milhões"
  ) +
  tema_tc +
  theme(
    legend.position  = "none",
    strip.background = element_rect(fill = "black", color = NA),
    strip.text       = element_text(color = "white", face = "bold")
  )

# 5.3 Top 10 municípios por volume absoluto
top10_abs <- tc_mun_total |>
  mutate(ano = as.integer(ano)) |>
  filter(ano == ultimo_ano) |>
  slice_max(valor_total, n = 10)

ggplot(top10_abs, aes(valor_total / 1e6, fct_reorder(municipio, valor_total))) +
  geom_col(fill = "#2E86AB", width = 0.7) +
  geom_text(
    aes(label = paste0(
      "R$", format(round(valor_total / 1e6, 2), big.mark = ".", decimal.mark = ","), " mi"
    )),
    hjust = -0.1, size = 2.75
  ) +
  scale_x_continuous(
    expand = expansion(mult = c(0, 0.3)),
    breaks = scales::breaks_pretty(n = 10),
    labels = label_number(big.mark = ".", decimal.mark = ",")
  ) +
  labs(
    title    = glue("Top 10 Municípios — Valor Absoluto ({ultimo_ano})"),
    subtitle = "Total de transferências constitucionais em R$ milhões",
    x = "Valores em R$ milhões", y = NULL
  ) +
  scale_y_discrete(expand = c(0, 0)) +
  tema_tc +
  theme(panel.grid.major.y = element_blank())


# -- 6. Análises PER CAPITA ---------------------------------------------------

# 6.1 Top 10 e Bottom 10 per capita
top10_pc <- tc_mun_total |>
  mutate(ano = as.integer(ano)) |>
  filter(ano == ultimo_ano, !is.na(valor_per_capita)) |>
  slice_max(valor_per_capita, n = 10)

bot10_pc <- tc_mun_total |>
  mutate(ano = as.integer(ano)) |>
  filter(ano == ultimo_ano, !is.na(valor_per_capita)) |>
  slice_min(valor_per_capita, n = 10)

p_top <- ggplot(top10_pc, aes(valor_per_capita, fct_reorder(municipio, valor_per_capita))) +
  geom_col(fill = "#2E86AB", width = 0.7) +
  geom_text(
    aes(label = paste0("R$ ", format(round(valor_per_capita, 0), big.mark = ".", decimal.mark = ","))),
    hjust = -0.1, size = 3
  ) +
  scale_x_continuous(expand = expansion(mult = c(0, 0.35))) +
  scale_y_discrete(expand = c(0, 0)) +
  labs(title = "Top 10: Maior per capita", x = "R$ por habitante", y = NULL) +
  tema_tc + theme(plot.title = element_text(size = 9)) +
  theme(panel.grid.major.y = element_blank())

p_bot <- ggplot(bot10_pc, aes(valor_per_capita, fct_reorder(stringr::str_wrap(municipio, 12), valor_per_capita))) +
  geom_col(fill = "#C73E1D", width = 0.7) +
  geom_text(
    aes(label = paste0("R$ ", format(round(valor_per_capita, 0), big.mark = ".", decimal.mark = ","))),
    hjust = -0.1, size = 3
  ) +
  scale_x_continuous(expand = expansion(mult = c(0, 0.35))) +
  scale_y_discrete(expand = c(0, 0)) +
  labs(title = "Bottom 10: Menor per capita",
       x = "R$ por habitante", y = NULL) +
  tema_tc + theme(plot.title = element_text(size = 9))  +
  theme(panel.grid.major.y = element_blank())

p_top + p_bot +
  plot_annotation(
    title    = "Transferências Constitucionais Per Capita",
    subtitle = "R$ por habitante"
  )

# 6.2 Série temporal per capita — total PE
tc_anual_pc <- tc_mun_total |>
  filter(!is.na(populacao)) |>
  group_by(ano) |>
  summarise(
    valor_total = sum(valor_total, na.rm = TRUE),
    populacao   = sum(populacao, na.rm = TRUE),
    .groups     = "drop"
  ) |>
  mutate(per_capita = valor_total / populacao, ano = as.integer(ano)) |>
  filter(ano < max(ano))

ggplot(tc_anual_pc, aes(ano, per_capita)) +
  geom_line(color = "#2E86AB", linewidth = 1) +
  geom_point(color = "#2E86AB", size = 2.5) +
  scale_x_continuous(
    breaks = function(x) seq(min(x), max(x), by = 1),
    labels = label_number(big.mark = "", accuracy = 1)
  ) +
  scale_y_continuous(
    labels = label_number(big.mark = ".", decimal.mark = ","),
    breaks = scales::breaks_pretty(n = 10)) +
  labs(
    title    = "Transferências Per Capita: Total PE ao Longo do Tempo",
    subtitle = "R$ por habitante/ano",
    x = "Ano", y = "R$ per capita"
  ) +
  tema_tc


# -- 6.3 Mapas: absoluto vs per capita ----------------------------------------

tc_geo_cont <- tc_geo |>
  filter(municipio != "Fernando de Noronha")

bbox <- st_bbox(tc_geo_cont)

centroides_abs <- tc_geo_cont |>
  st_centroid() |>
  slice_max(valor_total, n = 8, na_rm = TRUE) |>
  mutate(
    x = st_coordinates(geometry)[, 1],
    y = st_coordinates(geometry)[, 2],
    label = paste0(municipio, "\nR$ ", round(valor_total / 1e6, 0), " mi")
  )

centroides_pc <- tc_geo_cont |>
  st_centroid() |>
  slice_max(valor_per_capita, n = 8, na_rm = TRUE) |>
  mutate(
    x = st_coordinates(geometry)[, 1],
    y = st_coordinates(geometry)[, 2],
    label = paste0(
      municipio, "\nR$ ",
      format(round(valor_per_capita, 0), big.mark = ".", decimal.mark = ",")
    )
  )

p_mapa_abs <- ggplot() +
  geom_sf(data = tc_geo_cont, aes(fill = valor_total / 1e6),
          color = "grey70", linewidth = 0.05) +
  geom_sf(data = rd_bordas, fill = NA, color = "grey30", linewidth = 0.4) +
  coord_sf(
    xlim = c(bbox["xmin"] - 0.05, bbox["xmax"] + 0.05),
    ylim = c(bbox["ymin"] - 0.05, bbox["ymax"] + 0.25),
    expand = FALSE
  ) +
  label_mapa(centroides_abs, aes(x = x, y = y, label = label)) +
  scale_fill_viridis_c(
    option = "inferno", name = "R$ milhões", trans = "log10",
    labels = label_number(big.mark = ".", decimal.mark = ","),
    breaks = c(1, 5, 10, 50, 200, 1000),
    na.value = "grey90", direction = -1, guide = guia_barra
  ) +
  labs(
    title    = "Transferências Constitucionais — Valor Absoluto",
    subtitle = glue("Total {ultimo_ano} (R$ milhões, escala log)"),
    caption  = "Fonte: Tesouro Nacional/tesouror"
  ) +
  tema_mapa

p_mapa_pc <- ggplot() +
  geom_sf(data = tc_geo_cont |> filter(!is.na(valor_per_capita)),
          aes(fill = valor_per_capita),
          color = "grey70", linewidth = 0.05) +
  geom_sf(data = rd_bordas, fill = NA, color = "grey30", linewidth = 0.4) +
  coord_sf(
    xlim = c(bbox["xmin"] - 0.05, bbox["xmax"] + 0.05),
    ylim = c(bbox["ymin"] - 0.05, bbox["ymax"] + 0.25),
    expand = FALSE
  ) +
  label_mapa(centroides_pc, aes(x = x, y = y, label = label)) +
  scale_fill_viridis_c(
    option = "mako", name = "R$ per capita",
    direction = -1, na.value = "grey90",
    labels = label_number(big.mark = ".", decimal.mark = ","),
    guide = guia_barra
  ) +
  labs(
    title    = "Transferências Constitucionais — Per Capita",
    subtitle = glue("Total {ultimo_ano} (R$ por habitante)"),
    caption  = "Malha: IBGE | População: SICONFI"
  ) +
  tema_mapa

p_mapa_abs
p_mapa_pc


# -- 6.4 Mapa de referência: Regiões de Desenvolvimento ----------------------

rd_bordas_proj <- rd_bordas |> st_transform(31985)
bbox_bordas    <- st_bbox(rd_bordas_proj)

centroides_bordas <- rd_bordas_proj |>
  st_centroid() |>
  mutate(
    x     = st_coordinates(geometry)[, 1],
    y     = st_coordinates(geometry)[, 2],
    label = regiao_de_desenvolvimento
  )

ggplot(rd_bordas_proj) +
  geom_sf(aes(fill = regiao_de_desenvolvimento), color = "white", linewidth = 0.3) +
  geom_label_repel(
    data = centroides_bordas, aes(x = x, y = y, label = label),
    size = 2.5, lineheight = 0.85,
    colour = "grey20",
    fill = alpha("white", 0.85), label.size = 0.15,
    label.padding = unit(0.15, "lines"),
    segment.color = "grey40", segment.size = 0.3,
    min.segment.length = 0.2, seed = 42, max.overlaps = 15
  ) +
  scale_fill_manual(values = cores_rd) +
  coord_sf(
    xlim = c(bbox_bordas["xmin"] - 5000, bbox_bordas["xmax"] + 5000),
    ylim = c(bbox_bordas["ymin"], bbox_bordas["ymax"] + 15000),
    expand = FALSE
  ) +
  labs(
    title    = "Regiões de Desenvolvimento de Pernambuco",
    subtitle = "12 RDs definidas pela CONDEPE/FIDEM"
  ) +
  tema_mapa +
  theme(legend.position = "none")


# -- 7. Análise por Região de Desenvolvimento ---------------------------------

# 7.1 Série temporal por RD
tc_rd <- tc_pe |> filter(!is.na(rd))

tc_rd_anual <- tc_rd |>
  group_by(ano, rd) |>
  summarise(valor = sum(valor, na.rm = TRUE), .groups = "drop") |>
  mutate(valor_bi = valor / 1e9)

ggplot(tc_rd_anual, aes(ano, valor_bi, fill = rd)) +
  geom_col(width = 0.7) +
  scale_fill_manual(values = cores_rd) +
  scale_y_continuous(
    labels = label_number(suffix = " bi", decimal.mark = ","),
    breaks = scales::breaks_pretty(n = 10),
    expand = c(0, 0)
  ) +
  labs(
    title    = "Transferências por Região de Desenvolvimento",
    subtitle = "Valores nominais anuais, em R$ bilhões",
    x = NULL, y = NULL
  ) +
  tema_tc +
  guides(fill = guide_legend(nrow = 3, byrow = TRUE))

# 7.2 Composição por categoria dentro de cada RD
tc_rd_cat <- tc_rd |>
  filter(ano == ultimo_ano) |>
  group_by(rd, categoria) |>
  summarise(valor = sum(valor, na.rm = TRUE), .groups = "drop") |>
  mutate(valor_mi = valor / 1e6)

ggplot(tc_rd_cat, aes(valor_mi, fct_reorder(rd, valor_mi, .fun = sum), fill = categoria)) +
  geom_col(width = 0.7) +
  scale_fill_manual(values = cores_cat) +
  scale_x_continuous(labels = label_number(big.mark = ".", decimal.mark = ","),
                     breaks = scales::breaks_pretty(n = 10), expand = c(0,0)
                     ) +
  labs(
    title    = glue("Composição por RD — {ultimo_ano}"),
    subtitle = "R$ milhões, por categoria de transferência",
    x = "R$ milhões", y = NULL
  ) +
  tema_tc

# População por RD (para per capita)
rd_pop <- pe_lookup |> group_by(rd) |> summarise(populacao = sum(populacao))

# 7.3 Per capita por RD
tc_rd_pc <- tc_rd |>
  filter(ano == ultimo_ano) |>
  group_by(rd) |>
  summarise(
    n_mun       = n_distinct(co_ibge),
    valor_total = sum(valor, na.rm = TRUE),
    .groups     = "drop"
  ) |>
  left_join(rd_pop, by = "rd") |>
  mutate(per_capita = valor_total / populacao)

ggplot(tc_rd_pc, aes(per_capita, fct_reorder(rd, per_capita))) +
  geom_col(aes(fill = rd), width = 0.8, show.legend = FALSE) +
  geom_text(
    aes(label = paste0(
      "R$ ", format(round(per_capita, 0), big.mark = ".", decimal.mark = ","),
      "  (", n_mun, " mun.)"
    )),
    hjust = -0.05, size = 3
  ) +
  scale_fill_manual(values = cores_rd) +
  scale_x_continuous(expand = expansion(mult = c(0, 0.35))) +
  labs(
    title    = "Transferência Per Capita por Região de Desenvolvimento",
    subtitle = glue("{ultimo_ano} R$ por habitante"),
    x = "R$ por habitante", y = NULL
  ) +
  tema_tc +
  theme(panel.grid.major.y = element_blank())

# 7.4 Per capita por RD — série temporal
tc_rd_pc_serie <- tc_rd |>
  group_by(ano, rd) |>
  summarise(valor_total = sum(valor, na.rm = TRUE), .groups = "drop") |>
  left_join(rd_pop, by = "rd") |>
  mutate(
    per_capita = valor_total / populacao,
    ano        = as.integer(ano)
  ) |>
  filter(ano < max(ano))

ggplot(tc_rd_pc_serie, aes(ano, per_capita, color = rd)) +
  geom_line(linewidth = 0.7) +
  geom_point(size = 1.2) +
  scale_color_manual(values = cores_rd) +
  scale_y_continuous(
    labels = label_number(big.mark = ".", decimal.mark = ","),
    breaks = scales::breaks_pretty(n = 8)) +
  scale_x_continuous(
    breaks = function(x) seq(min(x), max(x), by = 1),
    labels = label_number(big.mark = "", accuracy = 1),
    expand = c(0.01,0.01)
  ) +
  labs(
    title    = "Evolução das Transferências Per Capita por RD",
    subtitle = "R$ por habitante/ano",
    x = "Ano", y = "R$ per capita"
  ) +
  tema_tc +
  guides(color = guide_legend(nrow = 3, byrow = TRUE))

# 7.5 Mapa per capita por RD (polígonos dissolvidos)
tc_rd_pc_geo <- rd_bordas |>
  left_join(tc_rd_pc, by = c("regiao_de_desenvolvimento" = "rd"))

bbox_rd <- st_bbox(tc_rd_pc_geo)

centroides_rd <- tc_rd_pc_geo |>
  st_centroid() |>
  mutate(
    x = st_coordinates(geometry)[, 1],
    y = st_coordinates(geometry)[, 2],
    label = paste0(
      regiao_de_desenvolvimento, "\nR$ ",
      format(round(per_capita, 1), big.mark = ".", decimal.mark = ",")
    )
  )

ggplot() +
  geom_sf(data = tc_rd_pc_geo, aes(fill = per_capita),
          color = "white", linewidth = 0.4) +
  label_mapa(centroides_rd, aes(x = x, y = y, label = label)) +
  coord_sf(
    xlim   = c(bbox["xmin"] - 0.05, bbox["xmax"] + 0.05),
    ylim   = c(bbox["ymin"] - 0.05, bbox["ymax"] + 0.25),
    expand = FALSE
  ) +
  scale_fill_distiller(
    palette   = "YlGnBu",
    direction = 1,
    name      = "R$ per capita",
    labels    = label_number(big.mark = ".", decimal.mark = ","),
    guide     = guia_barra
  ) +
  labs(
    title    = "Transferências Per Capita por Região de Desenvolvimento",
    subtitle = glue("{ultimo_ano} — R$ por habitante/ano"),
    caption  = "Fonte: Tesouro Nacional/tesouror | CONDEPE/FIDEM"
  ) +
  tema_mapa


# -- 8. Mapas por categoria (small multiples) ---------------------------------

tc_cat_geo <- tc_mun_ano |>
  filter(ano == ultimo_ano) |>
  right_join(
    pe_sf |> mutate(co_ibge = as.integer(ibge7)) |> select(co_ibge, geometry),
    by = "co_ibge"
  ) |>
  st_as_sf() |>
  mutate(valor_mi = valor / 1e6) |>
  filter(municipio != "Fernando de Noronha")

ggplot(tc_cat_geo) +
  geom_sf(aes(fill = valor_mi), color = "grey80", linewidth = 0.03) +
  geom_sf(data = rd_bordas, fill = NA, color = "grey30", linewidth = 0.3) +
  facet_wrap(~categoria, ncol = 2) +
  scale_fill_viridis_c(
    option = "mako", name = "R$ mi", trans = "log10",
    labels = label_number(big.mark = ".", decimal.mark = ","),
    na.value = "grey90", direction = -1, guide = guia_barra
  ) +
  labs(
    title    = "Distribuição Espacial por Categoria de Transferência",
    subtitle = glue("{ultimo_ano} — escala logarítmica"),
    caption  = "Fonte: Tesouro Nacional/tesouror"
  ) +
  tema_mapa +
  theme(strip.text = element_text(face = "bold", size = 9))


# -- Fim ----------------------------------------------------------------------