Resumo Executivo

Luciana Zedan de Carvalho; Henrique Raymundo Gioia

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

O objetivo deste estudo é identificar, a partir de dados agregados, padrões operacionais e assimetrias institucionais entre os órgãos judiciais do Tribunal de Justiça de São Paulo (TJSP). Para isso, são empregadas técnicas de análise descritiva, correlação e agrupamento não supervisionado com o algoritmo K-Means, em uma abordagem exploratória. A análise busca compreender a heterogeneidade institucional sob uma perspectiva quantitativa, fornecendo subsídios para diagnósticos e formulação de políticas judiciárias. Trata-se de uma aplicação original no contexto do TJSP, que oferece uma leitura transversal da estrutura judicial paulista com base em evidências empíricas, articulando métodos de ciência de dados com preocupações de gestão pública.

O desempenho do Poder Judiciário brasileiro é objeto de atenção crescente, dadas as persistentes disparidades entre unidades jurisdicionais. Relatórios como o Justiça em Números (CNJ, 2023) revelam a complexidade e a heterogeneidade do sistema judicial na organização, funcionamento e alocação de recursos. Essa variação compromete a uniformidade da prestação jurisdicional e levanta questões sobre equidade e eficiência na gestão de recursos públicos, motivando a busca por novas ferramentas de diagnóstico.

O Tribunal de Justiça de São Paulo, maior corte estadual da América Latina, possui uma estrutura institucional vasta, composta por unidades de diferentes graus, competências e capacidades operacionais, distribuídas de forma desigual pelo território. Essa diversidade contribui para a formação de padrões distintos de funcionamento e impõe desafios à gestão do desempenho. Estudos como o de Da Ros (2015) demonstram que as desigualdades no Judiciário não decorrem apenas da carga processual, mas de um conjunto de fatores estruturais, organizacionais e contextuais que influenciam a efetividade da prestação jurisdicional.

Nesse contexto, a digitalização dos processos, embora fundamental, não foi suficiente para homogeneizar o funcionamento das unidades. Segundo Porto (2019), os impactos da transformação digital no Judiciário são assimétricos, variando conforme o contexto de cada unidade. De forma convergente, Cunha e Miranda (2013) ressaltam que o uso de tecnologia deve ser integrado a uma gestão estratégica, sob pena de reforçar desigualdades preexistentes. O simples aumento de recursos, quando desarticulado de estratégias institucionais, nem sempre se traduz em maior eficiência.

É nesse cenário que métodos quantitativos e analíticos se tornam relevantes. A ciência de dados oferece ferramentas para explorar padrões complexos a partir de dados agregados, por meio de técnicas como análise exploratória e agrupamento não supervisionado (Hastie, Tibshirani e Friedman, 2009). Essas abordagens permitem identificar regularidades sem pressupor relações causais. Experiências recentes, como a de Silva e Macedo (2020), aplicaram técnicas similares para identificar padrões de funcionamento em outras unidades do Judiciário. A motivação deste trabalho é aplicar uma abordagem analítica ao TJSP para investigar se os padrões observados refletem desigualdades estruturais ou gargalos operacionais, alinhando-se à perspectiva de que a tecnologia deve promover eficiência e equidade institucional (Ribeiro, 2024).

Esta pesquisa possui caráter quantitativo, aplicado e exploratório, baseada em dados secundários públicos. O estudo foi desenvolvido com técnicas de ciência de dados para o diagnóstico institucional do Judiciário. A base de dados foi extraída do Painel Justiça em Números do Conselho Nacional de Justiça (CNJ), com dados do TJSP referentes ao período de maio de 2023 a abril de 2024. A base bruta era composta por 2.803 registros, cada um correspondendo a uma unidade judicial.

Os procedimentos de tratamento dos dados incluíram a padronização de nomes de variáveis, a conversão de indicadores percentuais para formatos numéricos e a transformação de variáveis temporais para meses. As variáveis disponíveis contemplavam indicadores de carga processual, produtividade, eficiência temporal, conciliações, taxas de congestionamento e o Índice de Atendimento à Demanda (IAD), além de informações institucionais sobre localização, grau jurisdicional e estrutura. A base reuniu unidades de diferentes tipos, como varas de primeiro e segundo grau, juizados especiais, turmas recursais e órgãos mistos, refletindo a complexidade do TJSP.

As rotinas analíticas foram implementadas em Python 3.12.4, utilizando bibliotecas como “pandas”, “numpy”, “matplotlib”, “seaborn” e “scikit-learn” (Pedregosa et al., 2011). Para a clusterização, foi utilizada uma subamostra de 2.348 unidades judiciais com dados completos para as três variáveis operacionais selecionadas: tempo médio para sentença, tempo médio para conclusão e número de conciliações por 100 processos. O Índice de Atendimento à Demanda não integrou o agrupamento, sendo usado posteriormente para qualificar o desempenho dos grupos.

As etapas metodológicas foram sequenciais: primeiro, o carregamento e tratamento dos dados, seguido pela análise da distribuição do Índice de Atendimento à Demanda (IAD) com histogramas e boxplots. A terceira etapa foi uma análise exploratória e de correlação de Pearson para avaliar associações lineares. A etapa central foi o agrupamento não supervisionado com K-Means, aplicado sobre dados padronizados com “StandardScaler”, com o número de clusters definido pelo método do cotovelo. A padronização foi necessária pois o K-Means é sensível à escala das variáveis (Favero & Belfiore, 2017). Por fim, a Análise de Componentes Principais (PCA) foi empregada como técnica exploratória para reduzir a dimensionalidade e facilitar a visualização dos clusters.

A caracterização da base de dados, após o tratamento, resultou em um conjunto final de 2.709 registros válidos. A estrutura do conjunto de dados incluiu variáveis quantitativas (carga processual, produtividade, IAD) e institucionais (grau de jurisdição, tipo de unidade). A base contemplou unidades diversas, como varas de primeiro grau (G1), órgãos de segundo grau (G2), juizados especiais (JE) e turmas recursais (TR). Essa diversidade funcional introduz uma heterogeneidade estrutural que exige cautela na interpretação comparativa.

A análise da distribuição das variáveis de desempenho, com destaque para o IAD, revelou forte assimetria à direita, elevada dispersão e valores extremos, especialmente nas variáveis de tempo de tramitação e conciliações. A distribuição do IAD mostrou uma concentração de observações em faixas de desempenho inferiores, com uma cauda longa de valores elevados, indicando a coexistência de desempenhos muito distintos. Boxplots das variáveis operacionais reforçaram a alta variabilidade, justificando a adoção de técnicas não supervisionadas.

Para orientar a seleção de variáveis para o agrupamento, foi realizada uma análise de correlação de Pearson. A maior parte dos indicadores apresentou correlação fraca ou inexistente com o IAD. As associações mais consistentes, ainda que moderadas, foram entre o tempo médio para sentença, o tempo médio para conclusão e o IAD. Com base nisso, foram selecionadas três variáveis para o agrupamento: tempo médio para prolação de sentença, tempo médio para conclusão e número de conciliações por 100 processos.

Para identificar padrões de funcionamento, foi aplicado o algoritmo K-Means após a padronização das variáveis. A definição do número ideal de grupos foi feita pelo método do cotovelo, que indicou K=3 como o ponto de inflexão, representando um equilíbrio entre complexidade e discriminação. A aplicação do algoritmo, que busca maximizar a similaridade intra-grupo e minimizar a inter-grupo (Domingos, 2015), resultou na identificação de três perfis: Cluster 0, com maiores tempos de tramitação e menores taxas de conciliação; Cluster 1, com desempenho intermediário e maior dispersão; e Cluster 2, com menores tempos médios e maiores níveis de conciliação.

Para apoiar a interpretação dos agrupamentos, aplicou-se a Análise de Componentes Principais (PCA). A projeção das unidades no espaço bidimensional dos dois primeiros componentes principais evidenciou uma separação visual consistente entre os três clusters. A decomposição revelou que o primeiro componente principal esteve associado às variáveis temporais (tempo para sentença e conclusão), enquanto o segundo foi influenciado pelo indicador de conciliações. Isso indica que os padrões capturados refletem combinações entre eficiência temporal e estratégias de resolução consensual.

A análise descritiva das médias dos indicadores por cluster quantificou as diferenças. Os resultados confirmaram que o Cluster 0 apresentou, em média, os maiores tempos de tramitação e o menor volume de conciliações, caracterizando um perfil de desempenho inferior. O Cluster 1 exibiu valores intermediários com maior dispersão interna. O Cluster 2 concentrou os melhores indicadores, com menores tempos e mais conciliações. Embora o IAD não tenha sido usado na formação dos clusters, seus valores médios por grupo mostraram consistência com os perfis, com desempenho inferior no Cluster 0 e superior no Cluster 2, validando a relevância dos perfis.

A análise cruzada entre os clusters e o grau de jurisdição indicou que as unidades de primeiro grau (G1) concentraram a maior parte dos órgãos nos clusters de menor desempenho, enquanto o cluster com melhores indicadores teve maior presença de unidades especializadas. Essa associação reforça que o desempenho depende também de fatores estruturais e funcionais. Adicionalmente, a análise da distribuição dos clusters por municípios revelou que a capital, São Paulo, concentrou o maior volume de unidades no cluster de menor desempenho, refletindo a complexidade dos grandes centros urbanos.

O estudo enfrentou limitações. O nível de agregação dos dados por unidade judicial impediu a análise de dinâmicas internas da tramitação. Fatores como a natureza da ação, a complexidade dos casos ou o número de partes não estavam disponíveis. A base também não contemplava variáveis contextuais como número de magistrados e servidores ou infraestrutura. A heterogeneidade funcional dos órgãos foi outro desafio, limitando comparações diretas. Portanto, a análise de agrupamento deve ser interpretada como uma ferramenta descritiva de padrões, e não como um modelo explicativo ou causal.

O presente trabalho investigou o desempenho de unidades judiciais do TJSP por meio de técnicas de ciência de dados, identificando padrões latentes de funcionamento. Os resultados evidenciaram a existência de três perfis operacionais recorrentes, distintos em tempo de tramitação, conciliações e desempenho médio. Essa segmentação revelou desigualdades estruturais, com maior concentração de unidades de menor desempenho entre os órgãos de primeiro grau. A análise demonstrou que indicadores operacionais quantitativos são insuficientes para explicar plenamente o desempenho, reforçando que fatores estruturais, organizacionais e humanos, não capturados pela base, exercem papel central.

A utilização de técnicas de agrupamento não supervisionado mostrou-se adequada para fins diagnósticos, fornecendo uma leitura estruturada das desigualdades internas do tribunal. Apesar das limitações dos dados agregados, os achados oferecem subsídios para uma compreensão da heterogeneidade institucional do TJSP e indicam caminhos para investigações futuras. A ciência de dados pode ser uma ferramenta valiosa para a gestão do Judiciário, desde que integrada a análises qualitativas e informações detalhadas. Conclui-se que o objetivo foi atingido: demonstrou-se que a aplicação de técnicas de ciência de dados permite identificar perfis operacionais heterogêneos e desigualdades estruturais recorrentes no âmbito do TJSP.

Referências:
Conselho Nacional de Justiça [CNJ]. Justiça em Números – Painel de Estatísticas. Brasília, DF, Brasil. Disponível em: <https://justica-em-numeros. cnj. jus. br/painel-estatisticas/>. Acesso em: 03 de junho de 2025.
Cunha, M. A.; Miranda, R. M. (2013). O uso de tecnologias de informação no Judiciário brasileiro: oportunidades e desafios. Revista de Administração Pública, 47(6): 1473–1493. <https://doi. org/10.1590/S0034-76122013000600006>
Da Ros, Luciano. 2015. O custo da Justiça no Brasil: uma análise comparativa exploratória. Newsletter. Observatório de elites políticas e sociais do Brasil. NUSP/UFPR, v.2, n. 9, julho. p. 1-15. ISSN 2359-2826. < http://observatory-elites. org/wp-content/uploads/2012/06/newsletter-Observatorio-v.-2-n.-9. pdf >
Domingos, P. 2015. The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World. New York, NY, USA: Basic Books.
Favero, L. P.; Belfiore, P. 2017. Manual de Análise de Dados: Estatística e Modelagem Multivariada com Excel, SPSS e Stata. São Paulo, SP, Brasil: Elsevier. 660 p.
Hastie, T.; Tibshirani, R.; Friedman, J. 2009. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2. ed. New York, NY, USA: Springer. 745 p.
Pedregosa, F. et al. 2011. Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12: 2825–2830. < http://jmlr. org/papers/volume12/pedregosa11a/pedregosa11a. pdf >
Porto, A. C. 2019. O impacto da transformação digital no judiciário brasileiro: uma análise da adoção de tecnologias no sistema judicial. Revista Eletrônica do TRT da 9ª Região, 9(96): 1–17.
Ribeiro, M. V. M. (2024). A importância da inteligência artificial no poder judiciário brasileiro. REVISTA DELOS, 17(61), e2804. <https://doi. org/10.55905/rdelosv17. n61-142>. Acessado em: 15 de março de 2025.
Russell, S.; Norvig, P. 2021. Artificial Intelligence: A Modern Approach. 4. ed. Upper Saddle River, NJ, USA: Pearson.
Silva, G. C.; Macedo, T. S. 2020. Aplicações de ciência de dados no setor público: um estudo de caso no Poder Judiciário. Revista de Administração Pública e Gestão Social, 12(3): 229–245. https://doi. org/10.21118/apgs. v12i3.8204
TRIBUNAL DE JUSTIÇA DO ESTADO DE SÃO PAULO. Órgãos da Justiça. Disponível em: https://www. tjsp. jus. br/PoderJudiciario/PoderJudiciario/OrgaosDaJustica. Acesso em: 11 jun. 2025.

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:}