Números da Lei de Acesso a Informação no Brasil

Código

library(tidyverse)
#> ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.2 ──
#> ✔ ggplot2 3.3.6      ✔ purrr   0.3.5 
#> ✔ tibble  3.1.8      ✔ dplyr   1.0.10
#> ✔ tidyr   1.2.1      ✔ stringr 1.4.1 
#> ✔ readr   2.1.3      ✔ forcats 0.5.2 
#> ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
#> ✖ dplyr::filter() masks stats::filter()
#> ✖ dplyr::lag()    masks stats::lag()
library(here)
#> here() starts at C:/Users/rdurl/OneDrive/Documentos/monitoramento-lai
library(lubridate)
#> 
#> Attaching package: 'lubridate'
#> 
#> The following objects are masked from 'package:base':
#> 
#>     date, intersect, setdiff, union
library(scales)
#> 
#> Attaching package: 'scales'
#> 
#> The following object is masked from 'package:purrr':
#> 
#>     discard
#> 
#> The following object is masked from 'package:readr':
#> 
#>     col_factor
library(hrbrthemes)
#> NOTE: Either Arial Narrow or Roboto Condensed fonts are required to use these themes.
#>       Please use hrbrthemes::import_roboto_condensed() to install Roboto Condensed and
#>       if Arial Narrow is not on your system, please see https://bit.ly/arialnarrow
library(patchwork)
library(glue)

Código

# aplica identidade visual da TB/AeP:
source(here("src/00-plot-aesthetics.R"), encoding = "UTF-8")
#> You will likely need to install these fonts on your system as well.
#> 
#> You can find them in [C:/Users/rdurl/AppData/Local/R/win-library/4.2/hrbrthemes/fonts/roboto-condensed]
# helper
`%notin%` <- function(x, y) !(x %in% y)

Código

pedidos_cgu <- "data/base-cgu.rds" %>%
  here() %>%
  readRDS() %>%
  filter(base == "Pedidos") %>%
  select(datasets) %>%
  unnest(c(datasets)) %>%
  filter(
    !is.na(decisao),
    !is.na(data_resposta),
    esfera == "Federal",
    !str_detect(orgao, "refeitura|Órgão para Teste")
  ) %>%
  transmute(
    id_pedido,
    mes_pedido = data_registro,
    mes_resposta = data_resposta,
    data_pedido = dmy(ts_registro),
    data_resposta = dmy(ts_resposta),
    prazo = dmy(prazo),
    decisao,
    orgao
  )

Código

recursos_cgu <- "data/base-cgu.rds" %>%
  here() %>%
  readRDS() %>%
  filter(base == "Recursos") %>%
  select(datasets) %>%
  unnest(c(datasets)) %>%
  filter(
    !is.na(instancia),
    !is.na(data_resposta),
    esfera == "Federal",
    !str_detect(orgao, "refeitura|Órgão para Teste"),
    instancia != "Pedido de Revisão"
  ) %>%
  mutate(instancia = ordered(instancia, levels = names(cores_instancia))) %>%
  transmute(
    id_recurso,
    id_pedido,
    mes_recurso = data_registro,
    mes_resposta_recurso = data_resposta,
    data_recurso = dmy(ts_registro),
    data_resposta_recurso = dmy(ts_resposta),
    instancia,
    tipo_recurso,
    tipo_resposta
  )

Total de manifestações registradas no FalaBr (2012-2022)

Código

pedidos_cgu %>%
  mutate(is_pedido_de_informacao = case_when(
    decisao %notin% c(
      "Pergunta Duplicada/Repetida",
      "Não se trata de solicitação de informação"
    ) ~ "Pedidos de acesso a informação via LAI",
    TRUE ~ decisao
  ) %>% str_wrap(25)) %>%
  count(mes_pedido, is_pedido_de_informacao, name = "qt") %>%
  ggplot(aes(
    x = mes_pedido,
    y = qt,
    fill = is_pedido_de_informacao,
    color = is_pedido_de_informacao
  )) +
  geom_vline(
    xintercept = seq(ymd('2013-01-01'), ymd('2022-01-01'), by = 'year'),
    lty = 3
  ) +
  geom_line(size = 1.5) +
  geom_label(
    aes(label = qt),
    color = "black",
    size = 3,
    nudge_y = 250,
    alpha = .6,
    label.size = NA,
    data = . %>%
      group_by(is_pedido_de_informacao) %>%
      filter(qt == max(qt)) %>%
      ungroup(),
      show.legend = F
  ) +
  geom_point(
    color = "gray20",
    data = . %>%
      group_by(is_pedido_de_informacao) %>%
      filter(qt == max(qt)) %>%
      ungroup(),
    show.legend = FALSE
  ) +
  scale_y_continuous(labels = scales::number_format()) +
  scale_fill_manual(values = cores_lai) +
  scale_color_manual(values = cores_lai, breaks = names(cores_lai)[c(3,1,2)]) +
  scale_x_date(
    breaks = breaks_pretty(24),
    labels = label_date_short(),
    limits = c(ymd('2012-01-01'), ymd('2023-01-01')),
    expand = c(0., 0)) +
  labs(
    y = "Número de manifestações",
    x = NULL,
    fill = NULL,
    color = NULL,
    title = NULL
  ) +
  theme(legend.position = "top",
        legend.justification = "left",
        legend.text = element_text(margin = margin(2, 5, 2, 5, "pt")),
        axis.title.y = element_text(vjust = 1)
        )

Número de órgãos do governo Federal acionados pela LAI (2012-2022)

Código

pedidos_cgu %>%
  count(ano = year(mes_pedido), orgao) %>%
  count(ano) %>%
  ggplot(aes(x = as.character(ano), y = n)) +
  geom_col(fill = cores_aep[["laranja"]], alpha = .9) +
  geom_hline(aes(yintercept = n_distinct(pedidos_cgu$orgao))) +
  geom_text(
    aes(
      y = n_distinct(pedidos_cgu$orgao) + 10,
      x = "2016",
      label = glue("Total de órgãos no Executivo Federal: {n_distinct(pedidos_cgu$orgao)}")
    ),
    check_overlap = T
  ) +
  geom_text(aes(label = n), color = "gray30", vjust = 1, fontface = "bold", size = 3) +
  labs(
    x = "Ano",
    y = "Quantidade de órgãos"
  ) +
  theme(
    plot.title = element_text(size = 10)
  )

Taxa de atendimento de pedidos de acesso a informação (2012-2022)

Código

decisao <- pedidos_cgu %>%
  filter(decisao %notin% c(
    "Pergunta Duplicada/Repetida",
    "Não se trata de solicitação de informação"
  )) %>%
  count(mes_pedido, decisao, name = "qt") %>%
  na.omit() %>%
  mutate(decisao = fct_reorder(decisao, qt, .desc = T))

Código

# plot esquerdo ----------------------------------------------------------------
plot_decisao <- function(decisao_escolhida) {

  p1 <- decisao %>%
    add_count(mes_pedido, wt = qt, name = "qt_mes") %>%
    mutate(per = qt / qt_mes) %>%
    filter(decisao == decisao_escolhida) %>%
    ggplot(aes(x = mes_pedido, y = per)) +
    geom_rect(
      data = . %>%
        filter(mes_pedido == min(mes_pedido) | mes_pedido == max(mes_pedido)),
      aes(
        xmin = floor_date(min(mes_pedido), "year"),
        xmax = ceiling_date(max(mes_pedido), "year"),
        ymin = -Inf,
        ymax = Inf,
        fill = decisao
      ),
      alpha = .2,
      show.legend = F
    ) +
    geom_line(show.legend = F, size = .7) +
    geom_vline(xintercept = seq(ymd('2013-01-01'), ymd('2022-01-01'), by = 'year'), lty = 3) +
    ggforce::geom_mark_circle(
      aes(filter = mes_pedido == ymd("2018-10-01") & decisao == "Acesso Concedido",
          label = "Máximas anuais"),
      color = "gray20",
      fill = NA,
      radius = unit(1, "mm"),
      expand = 0,
      con.cap = 0,
      label.fill = alpha(cores_decisao[["Acesso Concedido"]], .5),
      label.fontsize = 10,
      label.fontface = "plain",
      label.buffer = unit(10, "mm"),
      label.margin = margin(1, 0, 1, 0, "mm")
    ) +
    ggrepel::geom_label_repel(
      data = . %>%
        group_by(decisao, year(mes_pedido)) %>%
        arrange(year(mes_pedido), decisao, -per) %>%
        filter(row_number() == 1) %>%
        ungroup(),
      aes(label = my_lbl(per), fill = decisao, color = decisao),
      min.segment.length = 0.01,
      size = 3.5,
      label.padding = unit(0.1, "lines"),
      label.size = NA,
      show.legend = F
    ) +
    geom_point(
      data = . %>%
        group_by(decisao, year(mes_pedido)) %>%
        arrange(year(mes_pedido), decisao, -per) %>%
        filter(row_number() == 1) %>%
        ungroup()
    ) +
    scale_fill_manual(values = cores_decisao) +
    scale_color_manual(values = cores_decisao3) +
    scale_y_percent(expand = c(0.2, 0)) +
    # scale_x_date(
    #   breaks = scales::date_breaks("6 months"),
    #   date_labels = "%b",
    #   expand = c(0, 0)
    # ) +
    scale_x_date(
      breaks = breaks_pretty(24),
      labels = label_date_short(),
      limits = c(ymd('2012-01-01'), ymd('2023-01-01')),
      expand = c(0., 0)
    ) +
    theme_minimal() +
    theme(
      legend.position = "top",
      axis.ticks.x = element_line(),
      legend.text = element_text(size = 8),
      axis.text.x = element_text(size = 11),
      axis.text.y = element_text(size = 11),
      panel.grid.minor = element_blank(),
      strip.text = element_text(size = 14, angle = 0, hjust = 0)
    ) +
    labs(
      x = NULL,
      y = NULL,
      title = NULL,
      subtitle = "Taxa mensal",
      color = NULL,
      fill = NULL
    )

  p2 <- decisao %>%
    count(ano = year(mes_pedido), decisao, wt = qt, name = "qt") %>%
    add_count(ano, wt = qt, name = "qt_ano") %>%
    mutate(perc_ano = qt / qt_ano) %>%
    filter(decisao == decisao_escolhida) %>%
    ggplot(aes(x = perc_ano, y = reorder(ano, -ano), fill = decisao, color = decisao)) +
    facet_wrap(~ reorder(decisao, -perc_ano), ncol = 1, scales = "free_x") +
    geom_col(aes(x = 1), alpha = .3, fill = "gray97", color = "white") +
    geom_col(alpha = .6) +
    geom_text(aes(label = my_lbl(perc_ano)),
               size = 4, fontface = "bold", hjust = -.05, check_overlap = T) +
    theme_minimal() +
    scale_fill_manual(values = cores_decisao) +
    scale_color_manual(values = cores_decisao2) +
    scale_x_percent(breaks = c(0,.3, .6, .9)) +
    scale_y_discrete(labels = glue("{2022:2012}"), expand = c(0, 0)) +
    #coord_flip() +
    theme(
      plot.subtitle = element_text(),
      panel.grid.major.y = element_line(color = "white"),
      panel.grid.major.x = element_blank(),
      panel.grid.minor.y = element_line(color = "white"),
      panel.background = element_blank(),
      strip.text = element_text(color = "transparent"),
      axis.text.x = element_text(size = 10, vjust = 2),
      axis.text.y = element_text(size = 10, hjust = 3)
    ) +
    labs(
      x = NULL,
      y = NULL,
      fill = NULL,
      subtitle = "Taxa anual"
    )

  comb <- p1 + p2 & theme(legend.position = "none")

  comb <- comb +
    plot_layout(ncol = 2, widths = c(2.8, 1.2))

  return(comb)

}

A taxa de atendimento é a proporção de uma decisão de acesso em relação à todos os pedidos de acesso a informação.

Taxa de Acessos Concedidos

Código

plot_decisao("Acesso Concedido")

Taxa de Acessos Negados

Código

plot_decisao("Acesso Negado")

Taxa de Acessos Parcialmente Concedido

Código

plot_decisao("Acesso Parcialmente Concedido")

Taxa para a decisão “Órgão não tem competência para responder sobre o assunto”

Código

plot_decisao("Órgão não tem competência para responder sobre o assunto")

Taxa de resposta de “Informação Inexistente”

Código

plot_decisao("Informação Inexistente")

Taxas de respostas por decisão de acesso - mesmo período - (2012-2022)

Código

decisao %>%
  mutate(mesmo_periodo = month(mes_pedido) <= month(today())) %>%
  add_count(mes_pedido, mesmo_periodo, wt = qt, name = "qt_mes") %>%
  mutate(perc = qt / qt_mes) %>%
  # filter(decisao == "Acesso Negado") %>%
  filter(decisao %in% c(
    "Acesso Negado",
    "Acesso Parcialmente Concedido"
  )) %>%
  group_by(ano = year(mes_pedido), mesmo_periodo, decisao) %>%
  mutate(media_perc = if_else(mesmo_periodo, mean(perc), NA_real_)) %>%
  ungroup() %>%
  mutate(
   decisao2 = if_else(mesmo_periodo, as.character(decisao), "")
  ) %>%
  ggplot(aes(x = mes_pedido, y = perc, fill = decisao2)) +
  geom_vline(
    xintercept = seq(ymd("2013-01-01"), ymd("2022-01-01"), by = "year"),
    lty = 3
  ) +
  geom_col() +
  geom_point(aes(y = media_perc), shape = 95, size = 4) +
  geom_text(
    data = . %>% filter(month(mes_pedido) == month(today())),
    check_overlap = TRUE,
    fontface = "bold",
    size = 3.5,
    aes(
      y = media_perc,
      label = my_lbl(media_perc)
      ),
    nudge_y = .006,
    hjust = .5,
  ) +
  geom_curve(
    data = . %>% filter(decisao2 == "Acesso Parcialmente Concedido"),
    aes(x = ymd("2019-03-01"),
        y = 0.115,
        xend = ymd("2019-03-01"),
        yend = 0.075),
    colour = "black",
    size = 0.6,
    curvature = .35,
    arrow = arrow(length = unit(0.2, "cm"))
  ) +
  geom_label(
    data = . %>% filter(mes_pedido == ymd("2019-04-01") & decisao2 == "Acesso Parcialmente Concedido"),
    aes(label = "Média anual\n(mesmo período)", y = .125, x = mes_pedido),
    fill = "white",
    size = 3,
    label.size = NA
  ) +
  scale_fill_manual(values = c("gray70", cores_decisao[c(3, 4)])) +
  facet_wrap(. ~ reorder(decisao, -perc), ncol = 1, scales = "free_x") +
  hrbrthemes::scale_y_percent() +
  scale_x_date(
    breaks = breaks_pretty(36),
    labels = label_date_short(),
    limits = c(ymd('2012-01-01'), ymd('2023-01-01')),
    expand = c(0., 0)
  ) +
  theme(
    legend.position = "none",
    panel.grid.minor = element_blank(),
    strip.text = element_text(hjust = 0)
  ) +
  labs(
    x = NULL,
    y = NULL,
    title = NULL,
    subtitle = "Como % do total de pedidos de acesso a informação"
  )
#> Warning: Removed 20 rows containing missing values (geom_point).

Negativas de acesso

Metodologia (taxa geral e interna de acessos negados)

Pedidos de acesso a informação são solicitações no FalaBr que não foram classificadas como: “Pergunta Duplicada/Repetida”, “Não se trata de solicitação de informação”.

As negativas de acesso são abordadas de duas formas:

• Taxa geral de negativas por órgão:

\[ Taxa\:geral\:\:de\:negativas\:por\:órgão = \frac{{Total\:Acessos\:Negados\:no\:órgão}_{mês}}{{Total\:Acessos\:Negados\:no\:FalaBr}_{mês}} \times 100 \]

• Taxa interna de negativas por órgão

\[ Taxa\:interna\:de\:negativas\:por\:órgão = \frac{{Total\:Acessos\:Negados\:no\:órgão}_{mês}}{{Total\:pedidos\:recebidos\:pelo\:órgão}_{mês}} \times 100 \]

Código

taxas <- pedidos_cgu %>%
  select(id_pedido, mes_pedido, decisao, orgao) %>%
  filter(decisao %notin% c(
    "Pergunta Duplicada/Repetida",
    "Não se trata de solicitação de informação"
  )) %>%
  mutate(orgao = str_wrap(orgao, 40)) %>%
  # contagem de pedidos anuais
  add_count(name = "n_ano", ano = year(mes_pedido)) %>%
  add_count(name = "n_ano_orgao", ano, orgao) %>%
  add_count(name = "n_ano_decisao", ano, decisao) %>%
  add_count(name = "n_ano_decisao_orgao", ano, decisao, orgao) %>%
  # contagem de pedidos mensais
  add_count(name = "n_mes", mes_pedido) %>%
  add_count(name = "n_mes_orgao", mes_pedido, orgao) %>%
  add_count(name = "n_mes_decisao", mes_pedido, decisao) %>%
  add_count(name = "n_mes_decisao_orgao", mes_pedido, decisao, orgao) %>%
  group_by(
    ano,
    mes_pedido,
    decisao,
    orgao,
    n_ano,
    n_ano_decisao,
    n_ano_orgao,
    n_ano_decisao_orgao,
    n_mes,
    n_mes_decisao,
    n_mes_orgao,
    n_mes_decisao_orgao
  ) %>%
  summarise(.groups = "drop")

Órgãos que mais negaram informações - mês a mês (2012-2022)

Código

month.abb2 <- function(x) month.abb[month(x)]

taxas %>%
  filter(decisao == "Acesso Negado") %>%
  transmute(
    mes_pedido,
    orgao,
    per = n_mes_decisao_orgao / n_mes_decisao
  ) %>%
  group_by(mes_pedido) %>%
  slice_max(order_by = per, n = 1) %>%
  ungroup() %>%
  mutate(mes = month.abb2(mes_pedido)) %>%
  ggplot(aes(x = mes_pedido, y = per, color = orgao)) +
  geom_segment(aes(
    y = 0,
    yend = per,
    x = mes_pedido,
    xend = mes_pedido),
    color = "gray60"
  ) +
  geom_vline(
    xintercept = seq(ymd('2013-01-01'), ymd('2022-01-01'), by = 'year'),
    lty = 3, color = "gray80"
  ) +
  scale_y_percent(limits = c(0, 0.7)) +
  scale_x_date(
    breaks = breaks_pretty(24),
    labels = label_date_short(),
    limits = c(ymd('2012-01-01'), ymd('2022-12-01')),
    expand = c(0., 0)
  ) +
  geom_point(size = 4, alpha = .6) +
  geom_text(
    aes(label = str_extract(orgao, "^[:upper:]+(?= )|^GSI-PR"),
        y = per),
    size = 2.7,
    angle = 90,
    fontface = "bold",
    color = "black",
    hjust = 0,
    check_overlap = T
  ) +
  theme(
    legend.position = "bottom",
    legend.text = element_text(size = 10, margin = margin(5, 0, 5, 0, "pt")),
    axis.title = element_text(size = 13),
    axis.ticks.x = element_line(size = .7),
    # axis.text = element_text(size = 11),
    strip.text = element_text(size = 12),
    plot.title = element_text(size = 16),
    plot.subtitle = element_text(size = 14)
  ) +
  guides(color = guide_legend(ncol = 2, title.position = "top")) +
  labs(
    color = "Sigla do órgão que mais negou acesso a informação no mês:",
    x = NULL,
    y = "% do total de acessos negados\nentre todos os pedidos no FalaBr"
  )

Poucos órgãos são responsáveis por mais da metade das negativas do FalaBr

Código

top_opacos <- taxas %>%
  filter(decisao == "Acesso Negado") %>%
  distinct(
    ano,
    orgao,
    n_ano_decisao,
    n_ano_decisao_orgao,
  ) %>%
  arrange(ano, -n_ano_decisao_orgao) %>%
  mutate(per = n_ano_decisao_orgao / n_ano_decisao) %>%
  group_by(ano) %>%
  mutate(
    ord = row_number(),
    per_acum = cumsum(per),
    cutoff = lag(per_acum <= .5),
    cutoff = if_else(is.na(cutoff) | cutoff, TRUE, FALSE)
  ) %>%
  filter(cutoff) %>%
  ungroup() %>%
  mutate(sigla = str_extract(orgao, "^[:upper:]+(?= )|^GSI-PR"))

top_opacos_pqn <- top_opacos %>%
  filter(per <= .05, ano > 2016) %>%
  arrange(ano, -per) %>%
  group_by(ano) %>%
  nest() %>%
  ungroup() %>%
  mutate(
    sigla = map(data, pull, sigla),
    sigla = paste(sigla),
    sigla = str_remove_all(sigla, "^c\\(|\\\"|\\)" ),
    sigla = str_replace_all(sigla, ", ", "\n"),
    # orgao = map(data, pull, orgao),
    # orgao = paste(orgao),
    # orgao = str_remove_all(orgao, "^c\\(|\\\"|\\)" ),
    # orgao = str_replace_all(orgao, ", ", ",\n"),
    orgao = "menores",
    per = map(data, select, per),
    per = map_dbl(per, sum),
    qtd_orgaos = map_int(data, nrow)
  ) %>% select(-data)

top_opacos2 <- top_opacos %>%
  filter(per > .05 | ano < 2017) %>%
  mutate(qtd_orgaos = 1) %>%
  bind_rows(top_opacos_pqn)

#' paleta de cores
pal <- c(
  cores_tb[["laranja"]],
  "#0c93a8",
  cores_tb[["azul"]],
  cores_aep[["marrom"]],
  cores_aep[["cinza"]],
  cores_aep[["laranja"]],
  "ivory",
  cores_aep[["rosa"]]
)

#' paleta de cores associada aos órgãos
cores <- top_opacos2 %>%
  select(orgao, per) %>%
  group_by(orgao) %>%
  summarise(per = sum(per), .groups = "drop") %>%
  arrange(per) %>%
  mutate(cor = colorRampPalette(pal)(13)) %>%
  select(-per) %>%
  deframe()

top_opacos2 %>%
  mutate(sigla = if_else(orgao != "menores",
                         glue("{sigla}\n {my_lbl(per)}"),
                         glue("(< 5%)\n{sigla}\nsoma: {my_lbl(per)}")
                         )) %>%
  ggplot(aes(x = ano, y = per, fill = fct_reorder2(orgao, -per, -ano))) +
  geom_col(color = "gray60") +
  geom_text(aes(label = sigla),
            size = 2.7, position = position_stack(vjust = .5)) +
  theme(legend.position = "none") +
  labs(
    fill = "Sigla do órgão",
    x = NULL, y = NULL
  ) +
  scale_x_continuous(breaks = 2012:2022) +
  #scale_fill_ordinal() +
  scale_fill_manual(values = cores) +
  hrbrthemes::scale_y_percent() +
  guides(fill = guide_legend(ncol = 2, title.position = "top", reverse = T)) +
  theme(
    legend.position = "none",
    legend.text = element_text(size = 9, margin = margin(5, 0, 5, 0, "pt"))
  )

Mediana da taxa interna de acessos negados por órgão (2012-2022)

Código

taxas %>%
  #filter(decisao == "Acesso Negado") %>%
  mutate(
    taxa_decisao_interna = n_ano_decisao_orgao / n_ano_orgao,
    taxa_decisao_relativa = n_ano_decisao_orgao / n_ano_decisao
  ) %>%
  group_by(ano, decisao) %>%
  summarise(taxa_decisao_mediana = median(taxa_decisao_interna)) %>%
  ungroup() %>%
  filter(decisao == "Acesso Negado") %>%
  ggplot(aes(x = ano, y = taxa_decisao_mediana)) +
  geom_line(color = "gray60", size = 1) +
  geom_point(color = cores_aep[["rosa"]], size = 4) +
  geom_text(aes(label = my_lbl(taxa_decisao_mediana)), vjust = -1, color = cores_aep[['rosa']]) +
  scale_x_continuous(breaks = 2012:2022) +
  scale_y_percent(limits = c(0, .1)) +
  labs(
    y = "Acessos negados por órgão - mediana anual\ncomo % do total de pedidos de um órgão",
    x = NULL
  )
#> `summarise()` has grouped output by 'ano'. You can override using the `.groups`
#> argument.

Distribuição das taxas internas de acessos negados por órgão

Código

taxas %>%
  filter(decisao == "Acesso Negado") %>%
  mutate(
    taxa_decisao_interna = n_ano_decisao_orgao / n_ano_orgao,
    taxa_decisao_relativa = n_ano_decisao_orgao / n_ano_decisao
  ) %>% #glimpse()
  group_by(ano, decisao) %>%
  mutate(taxa_decisao_mediana = median(taxa_decisao_interna)) %>%
  ungroup() %>%
  select(ano, decisao, orgao, contains("taxa")) %>%
  distinct() %>%
  ggplot(aes(x = ano,
             y = taxa_decisao_interna,
             color = decisao)) +
  ggbeeswarm::geom_quasirandom(alpha = .6, show.legend = F) +
  geom_point(
    aes(
      x = ano,
      y = taxa_decisao_mediana,
      ),
    color = "black",
    inherit.aes = F,
    shape = 45,
    size = 15
  ) +
  geom_text(
    aes(label = str_extract(orgao, "^[:upper:]+(?= )|^GSI-PR|^CEITEC\\/S\\.A\\.")),
    data = . %>% filter(taxa_decisao_interna >= .3),
    size = 2.7,
    angle = 45,
    hjust = 0
  ) +
  scale_color_manual(values = cores_decisao, guide = "none") +
  facet_wrap(~ decisao, scales = "free", ncol = 1) +
  scale_y_percent(limits = c(0, 1)) +
  scale_x_continuous(breaks = 2012:2021) +
  theme(strip.text = element_blank()) +
  labs(
    subtitle = "Cada ponto representa um órgão - média anual",
    y = "Acessos negados por órgão\ncomo % do total de pedidos de um órgão",
    x = NULL,
    color = NULL
  )
#> Warning: Removed 2 rows containing missing values (geom_text).

Tempo de resposta dos pedidos

Código

cores <- colorRampPalette(c(
  cores_aep[["marrom"]],
  cores_aep[["rosa"]],
  cores_aep[["laranja"]],
  cores_tb[["laranja"]],
  cores_tb[["azul"]]
  ))(8)

pedidos_prazo <- pedidos_cgu %>%
  filter(
    decisao %notin% c(
      "Pergunta Duplicada/Repetida",
      "Não se trata de solicitação de informação"
  )) %>%
  transmute(
    id_pedido,
    orgao,
    data_pedido,
    data_resposta,
    prazo,
    dias_corridos = data_resposta - data_pedido,
    dias_corridos_fx = case_when(
      dias_corridos == 0 ~  " 0 dias corridos",
      dias_corridos <= 5 ~  " 1 até 5 dias",
      dias_corridos <= 10 ~ " 6 até 10 dias",
      dias_corridos <= 15 ~ "11 até 15 dias",
      dias_corridos <= 20 ~ "16 até 20 dias",
      dias_corridos <= 25 ~ "21 até 25 dias",
      dias_corridos <= 30 ~ "26 até 30 dias",
      TRUE ~  "Acima de 30 dias"
    ),
    dias_corridos_fx = ordered(dias_corridos_fx, levels = c(
      " 0 dias corridos",
      " 1 até 5 dias",
      " 6 até 10 dias",
      "11 até 15 dias",
      "16 até 20 dias",
      "21 até 25 dias",
      "26 até 30 dias",
      "Acima de 30 dias"
    ))
  )

Frequência de dias corridos para resposta à LAI (2012-2022)

Código

pedidos_prazo %>%
  count(name = 'n_pedidos_ano_prazo', dias_corridos_fx, ano = year(data_pedido), sort = TRUE) %>%
  add_count(name = 'n_pedidos_ano', ano, wt = n_pedidos_ano_prazo) %>%
  mutate(per = n_pedidos_ano_prazo / n_pedidos_ano) %>%
  ggplot(aes(x = reorder(ano, -ano), y = per, fill = dias_corridos_fx, group = dias_corridos_fx)) +
  geom_col(show.legend = FALSE, width = .7,
           position = position_dodge(.7)) +
  geom_point(shape = 21, size = 2, show.legend = FALSE) +
  geom_text(aes(label = my_lbl(per)), vjust = -1, size = 2.5) +
  scale_fill_manual(values = cores) +
  scale_y_percent(expand = c(0, 0), limits = c(0,.36), breaks = c(0, .15, .3)) +
  facet_wrap(~ dias_corridos_fx, ncol = 1, scales = "free_x") +
  labs(
    fill = "Dias corridos",
    x = NULL,
    y = "% de pedidos atendidos no prazo de referência"
  ) +
  theme(
    strip.text = element_text(face = "bold", hjust = 0)
  )

Tempo médio de resposta por ano

Código

my_lbl_days <- function(x) str_glue("{round(x)} dias")

pedidos_prazo %>%
  group_by(ano = year(data_pedido)) %>%
  summarise(media_dias_corridos_por_ano = mean(dias_corridos), .groups = "drop") %>%
  ggplot(aes(x = ano, y = media_dias_corridos_por_ano)) +
  geom_col(fill = cores_tb[["azul"]]) +
  geom_text(aes(label = my_lbl_days(media_dias_corridos_por_ano)), vjust = 1) +
  scale_x_continuous(breaks = 2012:2022) +
  scale_y_continuous(breaks = seq(0, 25, 5), labels = str_glue("{seq(0, 25, 5)} dias"),
                     expand = c(0, 0), limits = c(0, 24)) +
  labs(
    x = "Ano de registro do pedido",
    y = "Média de dias corridos para resposta do pedido"
  )

Recursos

Código

pedidos_e_recursos <- recursos_cgu %>%
  arrange(as.integer(id_pedido), instancia) %>%
  group_by(id_pedido) %>%
  filter(row_number() == max(row_number())) %>%
  ungroup() %>%
  right_join(pedidos_cgu) %>%
  arrange(as.integer(id_pedido)) %>%
  transmute(id_recurso, id_pedido,
            ano_pedido = year(mes_pedido),
            orgao,
            entrou_com_recurso = !is.na(id_recurso),
            tipo_recurso,
            tipo_resposta,
            decisao
            )
#> Joining, by = "id_pedido"

% de pedidos que entraram ou não com recurso

Código

pedidos_e_recursos %>%
  count(ano_pedido, entrou_com_recurso, sort = TRUE) %>%
  add_count(name = "total", ano_pedido, wt = n) %>%
  ggplot(aes(x = ano_pedido, y = n / total, fill = reorder(entrou_com_recurso, n))) +
  ggchicklet::geom_chicklet(alpha = .9) +
  geom_text(data = . %>% filter(entrou_com_recurso), size = 3.3, fontface = "bold", vjust = 1,
            aes(label = my_lbl(n / total)), color = cores_tb[["cinza_quase_branco"]]) +
  scale_fill_manual(values = c(cores_aep[["rosa"]], cores_tb[["azul"]]),
                    labels = c("Houve recurso", "Não houve recurso"), name = "") +
  scale_y_percent(name = "% de pedidos de acesso a informação", expand = c(0, 0)) +
  scale_x_continuous(breaks = c(2012:2022), name = NULL)

Total de pedidos que entraram com recurso

Código

pedidos_e_recursos %>%
  count(ano_pedido, entrou_com_recurso, sort = TRUE) %>%
  add_count(name = "total", ano_pedido, wt = n) %>%
  ggplot(aes(x = ano_pedido, y = n, fill = reorder(entrou_com_recurso, n))) +
  ggchicklet::geom_chicklet() +
  scale_fill_manual(values = c(cores_aep[["rosa"]], cores_tb[["azul"]]),
                    labels = c("Houve recurso", "Não houve recurso"), name = "") +
  scale_x_continuous(breaks = c(2012:2022), name = NULL) +
  scale_y_continuous(labels = scales::label_number(), name = "Quantidade de pedidos", expand = c(0, 0))

Evolução do % de recursos impetrados por ano

Código

pedidos_e_recursos %>%
  count(ano_pedido, entrou_com_recurso, sort = TRUE) %>%
  add_count(name = "total", ano_pedido, wt = n) %>%
  filter(entrou_com_recurso) %>%
  ggplot(aes(x = ano_pedido, y = n / total, group = reorder(entrou_com_recurso, n))) +
  geom_line(size = 1) +
  geom_point(color = cores_aep[["rosa"]], size = 3) +
  geom_text(aes(label = my_lbl(n / total)), color = cores_aep[["rosa"]], vjust = -1) +
  scale_y_percent(name = "% de pedidos de acesso a informação", limits = c(0, 0.11)) +
  scale_x_continuous(breaks = c(2012:2022), name = NULL)

Órgãos campeões de recursos impetrados (2012 - 2022, 15 primeiros)

Código

pedidos_e_recursos %>%
  filter(entrou_com_recurso) %>%
  count(orgao, sort = TRUE) %>%
  slice_max(order_by = n, n = 15) %>%
  ggplot(aes(y = n, x = reorder(orgao, -n))) +
  coord_flip() +
  ggchicklet::geom_chicklet(fill = cores_aep[["laranja"]]) +
  geom_text(aes(label = scales::number(n, accuracy = 1)), check_overlap = T,
            color = "black", hjust = 1, size =  3, fontface = "bold") +
  scale_x_discrete(expand = c(0, 0), name = "Órgão", labels = NULL) +
  scale_y_continuous(expand = c(0, 0), labels = number_format(), limits = c(0, 8500),
                     name = "Quantidade de recursos impetrados") +
  facet_wrap(~ reorder(orgao, -n), ncol = 1, scales = "free_y") +
  theme(strip.text = element_text(hjust = 0, face = "italic"),
        panel.grid.major.x = element_blank(),
        panel.grid.minor.x = element_blank(),
        panel.grid.major.y = element_blank(),
        panel.grid.minor.y = element_blank())

Código

cores_tipo_resposta2 <- cores_tipo_resposta %>%
  enframe() %>%
  mutate(
    value = case_when(
      name == "Deferido" ~ "cyan4",
      name == "Parcialmente deferido" ~ cores_tb[["azul"]],
      name == "Perda de objeto parcial" ~ cores_tb[["cinza_escuro"]],
      name == "Perda de objeto" ~ cores_aep[["cinza"]],
      name == "Não conhecimento" ~ cores_aep[["laranja"]],
      name == "Acolhimento" ~ cores_tb[["cinza_quase_branco"]],
      TRUE ~ value
    )
  ) %>% deframe()

plot_tipo_resposta <- function(df, instancia_recursal) {

  recursos_cgu %>%
  count(ano_recurso = year(data_recurso), instancia, tipo_resposta) %>%
  filter(instancia == instancia_recursal) %>%
  add_count(ano_recurso, wt = n) %>%
  ggplot(aes(x = ano_recurso, y = n / nn, color = tipo_resposta)) +
  geom_line() +
  geom_point(size = 2) +
  scale_y_percent() +
  scale_color_manual(values = cores_tipo_resposta2, name = "Tipo de resposta:") +
  scale_x_continuous(breaks = 2012:2022)

}

Tipo de resposta dada aos recursos em primeira instância

Código

plot_tipo_resposta(recursos_cgu, "Primeira Instância")
#> Storing counts in `nn`, as `n` already present in input
#> ℹ Use `name = "new_name"` to pick a new name.

Tipo de resposta dada aos recursos em segunda instância

Código

plot_tipo_resposta(recursos_cgu, "Segunda Instância")
#> Storing counts in `nn`, as `n` already present in input
#> ℹ Use `name = "new_name"` to pick a new name.

Tipo de resposta dada aos recursos para a CMRI

Código

plot_tipo_resposta(recursos_cgu, "CMRI")
#> Storing counts in `nn`, as `n` already present in input
#> ℹ Use `name = "new_name"` to pick a new name.

Tipo de resposta dada aos recursos para a CGU

Código

plot_tipo_resposta(recursos_cgu, "CGU")
#> Storing counts in `nn`, as `n` already present in input
#> ℹ Use `name = "new_name"` to pick a new name.