Resumo Executivo

^{Autor: Denis Berté Sálvia — Orientadora: Larissa Giardini Simões}

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

Este estudo verificou se candidatos a deputado estadual e federal com nomes de urna ou ocupações nas áreas religiosa e de segurança, entre 2014 e 2022, tiveram maior probabilidade de eleição. A análise mensurou o efeito dessas identidades em relação a variáveis sociodemográficas e contextuais, comparando o desempenho de uma técnica de aprendizado de máquina (Random Forest) com uma estatística tradicional (Regressão Logística Binária) para determinar a mais adequada ao problema. O impacto dessas identidades foi comparado a um conjunto de preditores como gênero, escolaridade, idade, estado civil, raça, posição política e macrorregião.

No Brasil, nomes de urna funcionam como heurísticas eleitorais, sendo atalhos cognitivos para influenciar o eleitorado (Boas, 2014). Marcadores como “Doutor” ou “Professor” associam o candidato a competências percebidas como positivas, simplificando a escolha em um ambiente de informação limitada (Amorim, 2023; Graça et al., 2025). Nesse contexto, candidaturas ligadas ao campo religioso e ao setor de segurança pública ganharam proeminência, refletindo a centralidade de pautas morais e de ordem no debate eleitoral.

O crescimento de candidaturas religiosas é documentado, com um aumento de 225% entre 2000 e 2024, sendo os nomes ligados a denominações evangélicas os mais proeminentes (Agência Brasil, 2024). Estudos analisam o fenômeno por meio da comunicação digital (Barba e Massuchin, 2024), campanhas municipais (Mezzomo e Pátaro, 2017) e classificações baseadas em nome de urna e ocupação para entender a influência da religião na política (Reis et al., 2022, 2024).

Paralelamente, a atenção às candidaturas da área de segurança se intensificou, com um crescimento de 36% no número de eleitos que utilizaram patentes militares no nome de urna entre 2000 e 2024 (Nexus, 2024b). Pesquisas têm traçado o perfil desses candidatos (Plácido e Gallo, 2021; Piazza e Landy, 2024) e modelos de regressão encontraram efeitos positivos no número de votos para eles em 2018 (Graça et al., 2025), reforçando a relevância do tema.

A investigação conjunta dos grupos religioso e de segurança se justifica por ambos emergirem de um contexto político de valorização de discursos conservadores e de ordem. Embora a relação entre religião e política seja mais estudada, a ascensão de candidaturas da segurança é um fenômeno mais recente. Este estudo realiza uma análise simultânea e comparativa do impacto de ambos na probabilidade de eleição ao longo de três ciclos (2014, 2018 e 2022), controlando por variáveis relevantes apontadas na literatura (Miguel, 2003; Junckes et al., 2015).

A pesquisa é quantitativa, explicativa e retrospectiva, comparando o desempenho da regressão logística binária (RLB) com o random forest (RF). Utilizou-se dados abertos do Tribunal Superior Eleitoral (TSE) das eleições de 2014, 2018 e 2022. Os dados de 2014 e 2018 foram usados para treinamento e validação dos modelos, e os de 2022 como base de teste para avaliar a capacidade preditiva. As análises foram conduzidas separadamente para os cargos de deputado estadual e federal.

A classificação dos candidatos como “religioso” ou “segurança” seguiu critérios de estudos anteriores (Reis et al., 2022; Instituto Sou da Paz, 2024; Graça et al., 2025), baseando-se nas variáveis “NOMEDEURNA” e “OCUPAÇÃO” do TSE. Para a categoria “segurança”, foram utilizados termos como “cabo”, “capitão”, “coronel”, “delegado”, “policial” e “sargento”, e ocupações como “policial militar” e “membro das forças armadas”. Para “religioso”, os termos incluíram “pastor”, “padre”, “bispo”, “missionário” e a ocupação “sacerdote ou membro de ordem ou seita religiosa”. Em caso de sobreposição, o nome de urna teve precedência.

As variáveis explicativas categóricas (sexo, raça/cor, faixa etária, escolaridade, estado civil, espectro político do partido e macrorregião) foram transformadas em variáveis dummy. A variável dependente, o resultado eleitoral, foi codificada de forma binária (0 para “não eleito” e 1 para “eleito”). O extremo desbalanceamento dos dados, com cerca de 6,5% de eleitos, foi um desafio metodológico mitigado com técnicas de balanceamento. No Random Forest, realizou-se um Grid Search com validação cruzada para otimizar hiperparâmetros com base no F-score, aplicando também o parâmetro class_weight=’balanced’ (Fávero & Belfiore, 2022; Chen et al., 2004). Na Regressão Logística Binária, aplicou-se uma técnica de ponderação de amostras. A avaliação final dos modelos na base de teste foi realizada com base nas métricas de Acurácia, Recall, Precisão, F1-score e a área sob a curva ROC (AUC-ROC).

Na base de deputados estaduais (47.646 candidatos), 2,64% foram classificados como “religioso” e 5,48% como “segurança”. O modelo de Random Forest atribuiu baixa importância relativa a essas variáveis: “religioso” foi a menos importante de todas (1,5%), enquanto “segurança” atingiu 3%. As variáveis mais preditivas foram características sociodemográficas como escolaridade (ensino superior e médio), gênero (masculino), cor/raça (branca) e estado civil (casado), além da região Nordeste. Isso sugere que os marcadores de identidade contribuem muito pouco para explicar o sucesso eleitoral em comparação com fatores estruturais.

A Regressão Logística Binária para deputados estaduais corroborou esses achados. A variável “segurança” não apresentou significância estatística (p > 0,05) e foi removida do modelo. A variável “religioso” foi estatisticamente significante, mas com um coeficiente negativo, indicando que ser um candidato com essa identidade estava associado a uma redução nas chances de eleição (Odds Ratio = 0,83), correspondendo a uma probabilidade de sucesso de 45,3%. As variáveis com os efeitos positivos mais fortes foram novamente as sociodemográficas, como ter ensino superior, ser do gênero masculino, da cor/raça branca e ser casado.

Na base de teste de 2022 para deputados estaduais, o desempenho dos modelos foi modesto e semelhante. O Random Forest alcançou uma acurácia de 0,70 e um F1-score de 0,22, enquanto a Regressão Logística obteve 0,66 de acurácia e 0,20 de F1-score. Ambos apresentaram um recall razoável (0,66 e 0,70, respectivamente), mas uma precisão extremamente baixa (0,13 e 0,12), o que significa que a grande maioria dos candidatos previstos como “eleitos” não o foram. Esse alto número de falsos positivos, refletido nos baixos F1-scores e nas métricas de AUC-ROC (0,747 e 0,741), confirmou que não houve superioridade clara de uma abordagem sobre a outra.

Para a base de deputados federais (24.160 candidatos), 2,4% foram classificados como “religioso” e 5,8% como “segurança”. O modelo de Random Forest para esta base foi consistente com os da base estadual, atribuindo baixa importância relativa às variáveis de interesse. As características mais importantes para prever a eleição foram, novamente, escolaridade superior, gênero masculino, cor/raça branca e estado civil casado, juntamente com as regiões Norte e Nordeste. Isso reforça que um perfil sociodemográfico específico é um preditor mais poderoso do que as identidades de nicho investigadas.

No modelo de Regressão Logística Binária para deputados federais, ambas as variáveis de interesse, “religioso” e “segurança”, foram estatisticamente significativas, mas apresentaram coeficientes negativos. Ser um candidato com identidade religiosa associou-se a uma probabilidade de eleição de 43,2% (OR=0,76), enquanto para a identidade de segurança, a probabilidade foi de 41,3% (OR=0,70). Este achado contraintuitivo sugere que, ao controlar por outras variáveis, essas identidades podem representar uma desvantagem. As variáveis com os maiores efeitos positivos foram novamente escolaridade superior, pertencer a um partido de esquerda ou direita (em comparação com o centro), ser do gênero masculino e da cor/raça branca.

A comparação de desempenho dos modelos na base de teste para deputados federais espelhou os resultados da análise estadual. As métricas foram próximas, com o Random Forest atingindo uma acurácia de 0,70 e um F1-score de 0,19, e a Regressão Logística alcançando 0,64 de acurácia e 0,17 de F1-score. Novamente, os modelos exibiram recall moderado (0,66 e 0,71) mas precisão muito baixa (0,11 e 0,10), indicando uma alta taxa de falsos positivos. As curvas AUC-ROC (0,747 e 0,741) confirmaram a ausência de um vencedor claro. A performance geral sugere que a previsão do sucesso eleitoral requer a inclusão de outras variáveis não disponíveis nos dados do TSE, como financiamento de campanha, tempo de televisão e status de incumbência.

Os resultados indicam que as identidades religiosa e de segurança, quando controladas por fatores demográficos e políticos mais robustos, não se mostraram como um trunfo para aumentar a probabilidade de eleição para deputado entre 2014 e 2022. Ao contrário, os modelos de regressão apontaram uma associação negativa. Este achado, aparentemente paradoxal frente à crescente visibilidade desses grupos, pode ser explicado pela heterogeneidade interna dos candidatos. O sucesso eleitoral de indivíduos desses grupos pode ser mais atribuível a fatores clássicos da ciência política, como capital político e financeiro, do que ao rótulo identitário em si. A força preditiva avassaladora de variáveis como escolaridade, gênero e raça pode ofuscar o impacto de atributos mais específicos.

Em suma, este estudo analisou a probabilidade de eleição de candidatos com perfis religioso e de segurança. As análises, utilizando tanto Random Forest quanto Regressão Logística Binária, demonstraram que, embora estatisticamente significantes em alguns modelos, essas identidades estão associadas a uma redução, e não a um aumento, na probabilidade de eleição para deputados estaduais e federais nas eleições de 2014, 2018 e 2022, quando controladas por variáveis sociodemográficas e contextuais mais influentes. A comparação entre os modelos analíticos não revelou uma vantagem clara de uma técnica sobre a outra, com ambas apresentando desempenho modesto e dificuldades em classificar corretamente os candidatos eleitos devido a uma alta taxa de falsos positivos.

As limitações do estudo incluem o desbalanceamento da variável dependente e a ausência de variáveis cruciais como gastos de campanha e status de reeleição. Para pesquisas futuras, sugere-se a incorporação dessas variáveis, bem como a exploração de modelos que capturem efeitos de interação entre as identidades de interesse e outras características. Análises longitudinais focadas em cada eleição separadamente poderiam revelar dinâmicas temporais específicas, e a aplicação dessas análises em eleições municipais poderia oferecer um contraponto interessante. Conclui-se que o objetivo foi atingido: demonstrou-se que as identidades religiosa e de segurança, ao contrário do esperado, estão associadas a uma redução na probabilidade de eleição para deputado federal e estadual no período analisado, quando controladas por outras variáveis sociodemográficas e políticas.

Referências:
^{AGÊNCIA BRASIL. 2024. Candidaturas com identidade religiosa crescem 225% em 24 anos. Disponível em: https://agenciabrasil. ebc. com. br/politica/noticia/2024-08/candidaturas-com-identidade-religiosa-crescem-225-em-24-anos. Acesso em: 05 jun. 2025.
AMORIM, L. de C. de. 2025. Magnitude do discernimento e o efeito de heurísticas polarizantes. SciELO Preprints, 2023. DOI: 10.1590/SciELOPreprints.7006. Disponível em: https://preprints. scielo. org/index. php/scielo/preprint/view/7006. Acesso em: 6 mar. 2025.
BARBA, M; MASSUCHIN, M. 2024. Atravessamentos religiosos nas campanhas eleitorais brasileiras: discursos, apelos e acenos na comunicação on-line de candidatos pastores e não pastores em 2020. Opinião Pública 30: 1 – 31.
BOAS, T. 2012. Vote for Pastor Paulo: Religious Ballot Names as Heuristics in Brazil. In: APSA 2012 Annual Meeting Paper.
BOAS, T. 2014. Pastor Paulo vs. Doctor Carlos: Professional titles as voting heuristics in Brazil. Journal of Politics in Latin America 6(2): 39-72.
BOLOGNESI, B.; RIBEIRO, E.; CODATO, A. 2023. Uma Nova Classificação Ideológica dos Partidos Políticos Brasileiros. Rio de Janeiro: Dados 66 (2), e20210164. Disponível em: <https://doi. org/10.1590/dados.2023.66.2.303>. Acesso em: 15 nov. 2023.
CHEN, C; LIAW, A; BREIMAN, L. 2004. Using random forest to learn imbalanced data. University of California, Berkeley, Technical Report, 1-12.
FÁVERO, L. P.; BELFIORE, P. 2022. Manual de análise de dados: estatística e modelagem multivariada com Excel®, SPSS® e Stata®. Rio de Janeiro: LTC.
GENUER, R.; POGGI, J. M.; TULEAU-MALOT, C. 2010. Variable selection using random forests. Pattern recognition letters, 31(14): 2225-2236. Disponível em: https://hal. science/hal-00755489/document. Acesso em: 25 mar. 2025.
GRAÇA, L. F. G. D.; SOUZA, C. P. R. D.; BORGES, T. D. P. 2025. Sobre balas, bíblias e modelos estatísticos: explorando atalhos eleitorais. Campinas: Opinião Pública (31), e31107.
Instituto Sou da Paz. 2024. Eleições 2024: Panorama das candidaturas das forças de segurança. Disponível em: https://soudapaz. org/wp-content/uploads/2024/12/Eleicoes-2024-Panorama-Das-Candidaturas-Das-Forcas-De-Seguranca-Atualizado. pdf. Acesso em 10 mar. 2025.
JUNCKES, I. J.; HOROCHOVSKI, R. R.; CAMARGO, N. F.; SILVA, J. M.; SILVA, E. A.; ALMEIDA, L. B. 2015. Posicionamento das mulheres na rede de financiamento eleitoral e seu desempenho nas eleições de 2010 no Brasil: a dinâmica estrutural da exclusão e marginalização feminina no poder político. Revista Latino-Americana de Geografia e Gênero 6(1): 25-47.
MEZZOMO, F. A; PÁTARO, C. S. O. 2017. Religião e política: estratégias institucionais e acionamentos religiosos por candidatos evangélicos em eleições proporcionais (2008-2016). Revista de Estudos da Religião (REVER) 17(3): 139-165.
MIGUEL, L. F. 2003. Capital político e carreira eleitoral: algumas variáveis na eleição para o Congresso brasileiro. Revista de Sociologia e Política 20:115-134.
MUCHLINSKI, D.; SIROKY, D.; HE, J.; KOCHER, M.; 2016. Comparing random forest with logistic regression for predicting class-imbalanced civil war onset data. Political Analysis 24(1): 87-103.
NEXUS – Pesquisa e Inteligência de Dados a. 2024. 469 candidatos com nomes religiosos são eleitos no 1° turno. Disponível em: nexus. fsb. com. br. Acesso em: 5 mar. 2025.
NEXUS – Pesquisa e Inteligência de Dados b. 2024. 1° turno tem recorde de militares eleitos, com 152 candidatos. Disponível em: https://www. nexus. fsb. com. br/estudos-divulgados/1-turno-tem-recorde-de-militares-eleitos-com-152-candidatos/. Acesso em: 5 mar. 2025.
NOVAES, L. M. 2024. The violence of Law-and-Order politics: the case of law enforcement candidates in Brazil. American Political Science Review 118(1): 1-20.
PIAZZA, K; LANDY, J. 2024. Captain Mayor and Sergeant Councilman? An Assessment of the Reach of Military Politicization in Brazilian Politics. Armed Forces & Society 00(0): 1-36.
PLÁCIDO, C. P. M; GALLO, C. A. 2021. A volta dos que não foram: Quem são e o que veicularam em suas candidaturas os “parlamilitares” eleitos em 2018?. Brasiliana: Journal for Brazilian Studies 10(2): 330-350.
Python Software Foundation. 2024. The Python Standard Library: re – Regular expression operations. Em: https://docs. python. org/3/library/re. html. Acesso em 07 mar. 2025.
REIS, L; ABREU, G; CUNHA, M; PESTANA, M. C. 2022. Religião e Voto: uma fotografia das candidaturas com identidade religiosa nas Eleições 2020. Rio de Janeiro: Instituto de Estudos da Religião (ISER). Disponível em: iser. org. br. Acesso em: 07 mar. 2025.
REIS, L; OWSIANY, L; CUNHA, M; PESTANA, M (Orgs.). 2024. O que aprendemos ao pesquisar religião e eleições?. Rio de Janeiro: Instituto de Estudos da Religião (ISER). Disponível em: iser. org. br. Acesso em: 07 mar. 2025.
ROCHA, D. N. N. 2019. Avaliação de modelos preditivos para a extração de características significativas nas eleições brasileiras. Monografia de Bacharelado em Ciência da Computação. Universidade Federal de Campina Grande, Campina Grande, Paraíba, Brasil.}

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:}