28 de janeiro de 2026
O padrão de votação da câmara dos deputados no biênio 2023-2024
Artur Cruz Bertolucci; Renato Máximo Sátiro
Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.
Esta pesquisa analisa o comportamento dos parlamentares na Câmara dos Deputados em relação ao Poder Executivo no biênio 2023-2024, buscando identificar o grau de governismo e testar a hipótese de que o governo enfrentaria um Legislativo majoritariamente de oposição. O estudo investiga os padrões de votação efetivos, indo além da retórica e das afiliações partidárias, para determinar se a dinâmica parlamentar foi um obstáculo ou um suporte à agenda governamental. Adicionalmente, a pesquisa busca identificar as variáveis que explicam o voto dos deputados, partindo do pressuposto de que fatores como a liberação de emendas ou a participação em cargos ministeriais não são suficientes para explicar isoladamente as alianças e dissidências no Congresso. A análise aprofunda-se na fluidez dos agrupamentos políticos e padrões de votação, que variam conforme a pauta, tornando a previsão de resultados um desafio.
A relação Executivo-Legislativo no Brasil é marcada pelo presidencialismo de coalizão, um arranjo que força o Executivo a construir grandes coalizões para governar (Abranches, 1988). Este modelo, segundo Domingues (2010), é o ponto de partida para qualquer análise sobre a interação entre os poderes. A necessidade de negociar uma base de apoio é uma constante, materializada na distribuição de ministérios e cargos, refletindo as diferenças regionais da federação brasileira (Barbosa e Pompeu, 2017). Essa dinâmica se replica nos níveis estadual e municipal; governadores e prefeitos também dependem de alianças para garantir sustentação (Massonetto e Oliveira, 2019; Rocha, 2021).
A estabilidade do sistema é desafiada pela fragmentação político-partidária, que tensiona a formação de coalizões coesas (Lopez et al., 2018). A interação entre os poderes é objeto de debate, com relações que podem variar da cooptação e subordinação do Legislativo à delegação de competências (Abrúcio, 1998; Carey e Shugart, 1998; O’Donnell, 1991). O cenário político brasileiro passou por rearranjos a partir das eleições de 2018, com novos atores, fragmentação de grupos tradicionais e acirramento das divisões socioculturais, o que intensificou a necessidade de negociação do Executivo por apoio parlamentar (Abranches, 2020). Em sociedades com profundas divisões, a capacidade de negociar e formar coalizões é crucial, especialmente para governos sem maioria (Freitas, 2016).
Nesse contexto, a análise dos padrões de votação é uma ferramenta fundamental para decifrar a configuração de forças no Congresso. A disponibilidade de dados abertos sobre votações nominais permite uma investigação empírica do comportamento parlamentar, superando análises baseadas apenas em discursos. A identificação de padrões de comportamento e de composições políticas ad hoc, formadas para votações específicas, é de importância estratégica para antecipar resultados. A complexidade aumenta com mecanismos como as emendas parlamentares impositivas, que alteraram a dinâmica de negociação ao reduzir o poder discricionário do Executivo na liberação de recursos, exigindo novas abordagens para a construção do apoio.
Este estudo justifica-se pela necessidade de uma análise factual e quantitativa da governabilidade. Ao mapear os alinhamentos e clivagens na Câmara, a pesquisa oferece uma contribuição empírica ao debate sobre o presidencialismo de coalizão e a capacidade do governo de implementar sua agenda. A investigação dos votos, segmentada por parlamentar, partido, região e temática, constrói um panorama da 57ª Legislatura, revelando uma dinâmica mais complexa que a dicotomia governo-oposição. A compreensão desses padrões é essencial para avaliar a estabilidade política, a articulação do Executivo e as tendências do processo legislativo.
A metodologia baseou-se na aplicação de técnicas de clusterização, utilizando métodos não supervisionados de Machine Learning (Fávero e Belfiore, 2017). A análise de clusters é uma técnica exploratória que identifica grupos internamente homogêneos e externamente heterogêneos, oferecendo um retrato da distribuição de forças. Por sua natureza não preditiva, os clusters refletem exclusivamente os dados existentes. Como técnica não supervisionada, seu objetivo é descobrir padrões e agrupamentos latentes nos dados, não prever resultados (Dutt et al., 2019; Tan et al., 2013).
O pré-processamento dos dados foi fundamental, envolvendo limpeza, integração, redução e transformação das informações para mitigar erros (Castro e Nunes, 2016; Faceli et al., 2021). Foram utilizadas bases de dados do portal de Dados Abertos da Câmara dos Deputados de 2023 e 2024, com informações sobre votações, votos individuais, orientações de bancada, filiação partidária, UF e temas. A análise foi restrita às votações de Plenário com impacto externo, excluindo-se as de caráter administrativo. Um filtro crítico foi a inclusão apenas de votações com registro explícito de orientação do governo (Sim, Não, Abstenção ou Obstrução), pois a ausência dessa orientação impossibilitaria a mensuração do alinhamento.
A métrica central foi o grau de alinhamento de cada parlamentar com o governo. Para cada votação, o voto individual foi comparado com a orientação governamental. Um voto foi contabilizado como “alinhado” ao coincidir com a orientação. A orientação “Liberado” não foi considerada, pois indica que o Executivo não fechou questão. A partir da contagem individual, calculou-se a proporção de alinhamento de cada deputado em relação ao total de votações de que participou. Como os dados foram transformados em uma métrica proporcional, não foi necessária a aplicação de técnicas de normalização como o Z-score (Fávero e Belfiore, 2017). O comportamento dos partidos foi analisado de forma agregada, a partir do comportamento individual de seus membros, capturando dissidências internas que seriam ocultadas por uma análise baseada apenas nas orientações das lideranças.
Aplicou-se o algoritmo de clusterização não hierárquica K-means, que agrupa os dados em um número pré-definido de clusters (‘k’), buscando minimizar a distância entre cada ponto e o centroide de seu cluster (Grus, 2016; Kaufman e Rousseeuw, 2013). A dificuldade do K-means reside na definição de ‘k’ (Dutt et al., 2019; Gustriansyah et al., 2020). Para isso, foi utilizado o método do Índice de Silhueta (Silhouette Score), que avalia a qualidade dos agrupamentos medindo a coesão interna e a separação entre clusters. Um valor próximo de +1 indica uma clusterização robusta (Gustriansyah et al., 2020; Faceli et al., 2021). Para a análise geral de partidos e deputados, o índice apontou k=2 como o número ideal, com um score superior a 0.75, indicando uma separação clara. Para a análise temática, o método foi aplicado individualmente a cada tema, resultando em diferentes números ideais de clusters.
Contrariando as expectativas de um cenário de forte oposição, os resultados revelam um comportamento predominantemente governista na Câmara dos Deputados em 2023-2024. Embora o Partido Liberal (PL) seja a maior bancada, com 99 deputados, e a Federação do PT a segunda, com 80, a dinâmica das votações não refletiu uma simples divisão entre esses blocos. A análise de clusterização dos partidos demonstrou a formação de dois grupos distintos. O primeiro, e maior, agrupa a vasta maioria dos partidos, com alto grau de alinhamento ao governo. O segundo cluster, nitidamente oposicionista, foi composto consistentemente por PL e Novo. Este achado indica que a narrativa de um parlamento hostil precisa ser reavaliada, pois muitos partidos discursivamente independentes ou de oposição, na prática, votaram majoritariamente com o governo.
A análise no nível individual dos deputados reforça essa conclusão. O algoritmo K-means também resultou em dois clusters principais: o “cluster 0”, com deputados de alta taxa de alinhamento, e o “cluster 1”, com padrão de votação mais oposicionista. A distribuição dos deputados revela que uma parcela expressiva dos parlamentares, de diferentes legendas, tende a seguir a orientação do governo em mais de 60% das votações. Isso sugere que o governo construiu maiorias para além de sua base formal. A dispersão dos deputados por partido dentro dos clusters mostra significativa fragmentação interna. Partidos como União Brasil e Republicanos, que possuem ministérios mas mantêm discurso de independência, apresentam deputados em ambos os clusters. Até mesmo o PL, principal partido de oposição, possui parlamentares que votaram alinhados ao governo em diversas ocasiões.
A coesão partidária, portanto, tem poder explicativo limitado quando analisada isoladamente. Enquanto a Federação PT-PCdoB-PV demonstra alta fidelidade, a maioria dos outros partidos, especialmente de centro e centro-direita, exibe um comportamento pragmático e fragmentado. A análise do alinhamento médio por partido corrobora essa visão, mostrando que a mediana de alinhamento da maioria das legendas se situa acima de 60%. A origem geográfica também se mostrou relevante. A análise por UF indicou maior apoio ao governo entre deputados das regiões Nordeste e Sudeste, e maior resistência nas regiões Sul e Centro-Oeste. Apenas três estados apresentaram uma média de alinhamento inferior a 60%, demonstrando a capilaridade do apoio ao governo no território nacional.
A análise temática das votações revela maior complexidade, demonstrando que os alinhamentos são fluidos e se reconfiguram drasticamente conforme a pauta. O governo obteve um índice de sucesso superior a 90% em 19 dos 25 temas analisados. As maiores dificuldades foram em “Agricultura, Pecuária, Pesca e Extrativismo” e “Saúde”, refletindo clivagens setoriais. Em contrapartida, em “Economia”, o governo venceu em 96,2% das votações, indicando amplas coalizões para a agenda econômica. A estrutura dos clusters também variou por tema. Enquanto 18 temas seguiram o padrão de dois clusters, outros apresentaram maior fragmentação, como “Administração Pública” (oito clusters) e “Cidades e Desenvolvimento Urbano” (sete), sugerindo múltiplas coalizões de interesse.
Essa variação temática produziu alianças contraintuitivas. No tema “Relações Internacionais e Comércio Exterior”, PSOL e Rede foram agrupados no mesmo cluster de oposição que PL e Novo. Em “Energia, Recursos Hídricos e Minerais”, Novo e PSOL formaram um cluster, enquanto o PL se alinhou ao PT no grupo mais governista. Em “
Referências:
Abranches, S. 2020. Presidencialismo de coalizão em transe e crise democrática no Brasil. Revista Euro Latinoamericana de Análisis Social y Político 2(3): 67-79.
Abranches, S. H. H. 1988. Presidencialismo de coalização: o dilema institucional brasileiro. Revista de Ciências Sociais 31(1): 5-34.
Abrúcio, F. 1998. O ultrapresidencialismo estadual. P. 87-116. In: andrade, R. C. (org.). Processo de governo no município e no estado. 1ed. Edusp/Fapesp, São Paulo, SP, Brasil.
Barbosa, S. C. T; Pompeu, J. C. 2017. Trajetória Recente da Organização do Governo Federal. Boletim de Análise Político-Institucional (12): 13-20.
Carey, J. M.; Shugart, M. 1998. Poder de Decreto: Chamando os tanques ou usando a caneta? Revista Brasileira de Ciências Sociais 13(37): 149-184.
Castro, D. G. F.; Nunes, L. 2016. Introdução à Mineração de Dados: Conceitos Básicos, Algoritmos e Aplicações. Editora Saraiva.
Domingues, M. P. 2010. Algumas considerações acerca das relações entre o Poder Executivo e o Legislativo em regimes democráticos. SINAIS – Revista Eletrônica 1(08): 131-148.
Dutt, S; Chandramouli S..; Dos, A. 2019. Machine Learning. 1ed., Pearson Education India
Faceli, K.; Lorena, A. C.; Gama, J.; Almeida, T. A.; Carva, A. C. P. L. F. 2021. Inteligência Artificial: Uma abordagem de aprendizado de máquina. 2ed. LTC.
Fávero, L. P.; Belfiore, P. 2017. Manual de análise de dados. 1ed. Elsevier, Rio de Janeiro, RJ, Brasil
Freitas, A. 2016. O presidencialismo da coalizão. Rio de Janeiro: Fundação Konrad Adenauer.
Grus, J. 2016. Data Science do Zero [Traduzido por Welington Nascimento]. Alta Books, Rio de Janeiro, RJ, Brasil.
Gustriansyah, R.; Suhandi, N.; Antony, F. 2020. Clustering optimization in RFM analysis Based on k-Means. Indonesian
Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Data Science e Analytics do MBA USP/Esalq
Saiba mais sobre o curso; clique aqui:
